Aprenda a programar algoritmos de descenso de gradiente para SVM, Lasso, Regresión logística, K-mean, HMM en Matlab o Python o Ruby o Java o Scala o C # o F # o C ++ o R o … lo que más le guste, porque los aprendices de máquinas son ingenieros de software , cuyo currículo de estadísticas generalmente no proporciona suficiente capacitación para.
Respuesta larga:
Las estadísticas y el ML tienen una gran superposición. Si ha estudiado Estadística, donde sea que haya “inferencia”, probablemente también esté en el ámbito de ML. La diferencia es que, si estudia la regresión lineal, la regresión logística, en las clases de estadística, aprenderá más sobre los supuestos de la distribución, por qué necesitamos estos supuestos, y ha derivado la fórmula para hacer una inferencia de regresión lineal y probablemente se le pida que intente algoritmos repesados iterativos para la regresión logística en SAS o R. Compare con la clase ML, los mismos materiales, aprendería un poco de los supuestos subyacentes, mucho tiempo sobre cómo implementar algoritmos de descenso de gradiente en Python o MatLab, y un muchos más métodos distintos de LR.
- Cómo hacer ingeniería de características en aprendizaje automático
- ¿Qué tan importante es entender el cerebro para el aprendizaje profundo y viceversa?
- ¿Cuál es el mejor método de extracción de características para OCR en texto chino escrito a mano?
- ¿Cuál es la diferencia entre aprendizaje gradual y aprendizaje de refuerzo?
- ¿Cuáles son los trabajos más gratificantes para quienes desean trabajar en el aprendizaje profundo?
Entonces, ¿cómo se destaca, intente programar esos algoritmos de optimización populares en Python y Matlab, y pruebe más métodos como SVM, árboles de decisión y agrupación, HMM.
Otra cosa, no es de extrañar en absoluto que haya mucha más literatura de investigación en revistas de ML que en revistas de estadísticas; si realmente amas ML, es muy importante leer los populares de vez en cuando. El problema es que hay tantos métodos o técnicas nuevas en el documento de ML que es imposible atraparlos a todos. Así que aquí está mi truco, solo estudie los métodos de ML que son estadísticamente probados teóricamente. Es más probable que lo hagan tan bien en sus datos como los datos de los autores 🙂
Y lea el libro sobre los elementos del aprendizaje estadístico, ofrece muchos más métodos de LD que el libro de texto de estadística tradicional, y la mayoría de ellos son ML estándar. El nombre del libro también dice algo, “aprendizaje estadístico”, que se trata de estadísticas en el aprendizaje automático.
Algo a tener en cuenta, también tiene ventajas de antecedentes estadísticos que Computer Scientist; si programa bien (necesita mucha inversión de tiempo), puede saltar de un área de ML a otra con mucha más facilidad, lo cual es algo grandioso.