El aprendizaje automático es el tema central de todo el tema que se menciona en la pregunta. El aprendizaje profundo es una familia más amplia de aprendizaje automático y el aprendizaje de refuerzo es un tipo de aprendizaje automático y, por lo tanto, también una rama de la inteligencia artificial. Permite que las máquinas y los agentes de software determinen automáticamente el comportamiento ideal dentro de un contexto específico, con el fin de maximizar su rendimiento.
Puede seguir algunos cursos en línea para estudiar sobre ML:
Los mejores cursos en línea de ML:
- Machine Learning AZ ™: Python práctico y R en ciencia de datos
de esto puedes aprender sobre:
Este curso es divertido y emocionante, pero al mismo tiempo nos sumergimos profundamente en Machine Learning. Está estructurado de la siguiente manera:
- Parte 1: preprocesamiento de datos
- Parte 2: Regresión: Regresión lineal simple, Regresión lineal múltiple, Regresión polinómica, SVR, Regresión de árbol de decisión, Regresión forestal aleatoria
- Parte 3 – Clasificación: Regresión logística, K-NN, SVM, Kernel SVM, Naive Bayes, Clasificación del árbol de decisión, Clasificación aleatoria del bosque
- Parte 4 – Agrupación: K-medias, agrupación jerárquica
- Parte 5 – Aprendizaje de reglas de asociación: Apriori, Eclat
- Parte 6 – Aprendizaje de refuerzo: límite de confianza superior, muestreo de Thompson
- Parte 7 – Procesamiento del lenguaje natural: modelo de bolsa de palabras y algoritmos para PNL
- Parte 8 – Aprendizaje profundo: redes neuronales artificiales, redes neuronales convolucionales
- Parte 9 – Reducción de dimensionalidad: PCA, LDA, Kernel PCA
- Parte 10 – Selección y refuerzo del modelo: validación cruzada k-fold, ajuste de parámetros, búsqueda de cuadrícula, XGBoost
Además, el curso está repleto de ejercicios prácticos basados en ejemplos en vivo. Entonces, no solo aprenderá la teoría, sino que también obtendrá práctica práctica para construir sus propios modelos.
Puede seguir algunos cursos en línea para DL:
Los mejores cursos en línea de DL:
- Deep Learning AZ ™: redes neuronales artificiales prácticas
de esto puedes saber sobre:
- Comprender la intuición detrás de las redes neuronales artificiales
- Aplicar redes neuronales artificiales en la práctica
- Comprender la intuición detrás de las redes neuronales convolucionales
- Aplicar redes neuronales convolucionales en la práctica
- Comprender la intuición detrás de las redes neuronales recurrentes
- Aplicar redes neuronales recurrentes en la práctica
- Comprender la intuición detrás de los mapas autoorganizados
- Aplicar mapas autoorganizados en la práctica
- Comprender la intuición detrás de las máquinas Boltzmann
- Aplicar máquinas Boltzmann en la práctica
- Comprender la intuición detrás de AutoEncoders
- Aplicar AutoEncoders en la práctica
Puede seguir algunos cursos en línea para el aprendizaje por refuerzo :
Los mejores cursos en línea de RL:
- IA avanzada: aprendizaje de refuerzo profundo en Python
de esto puedes saber sobre:
En este curso, construiremos sobre lo que hicimos en el último curso trabajando con entornos más complejos, específicamente, los proporcionados por OpenAI Gym:
- CartPole
- Coche de montaña
- Juegos de Atari
Para capacitar agentes de aprendizaje efectivos, necesitaremos nuevas técnicas.
Ampliaremos nuestro conocimiento del aprendizaje de la diferencia temporal observando el algoritmo TD Lambda, veremos un tipo especial de red neuronal llamada red RBF, veremos el método de gradiente de políticas y terminaremos el curso mirando Deep Q-Learning.
Mejores libros: –
- Introducción al aprendizaje automático con Python: una guía para científicos de datos por Andreas C. Müller y Sarah Guido
- Aprendizaje profundo (serie de computación adaptativa y aprendizaje automático) por Ian Goodfellow y Yoshua Bengio y Aaron Courville
- Python Machine Learning: Machine Learning y Deep Learning con Python, nd TensorFlow, 2da edición por Sebastian Raschka y Vahid Mirjalili
- Modelos de Markov Aprendizaje automático supervisado y no supervisado: Dominar la ciencia de datos y Python por William Sullivan
Todo lo mejor .