Kaggle es bueno si está interesado en probar algunos desafíos que utilizan datos reales proporcionados por las empresas. También puede conectarse con la comunidad para intercambiar ideas y códigos. Otro buen lugar para ir es Numer.ai, que es un fondo de cobertura de ciencia de datos construido en la cadena de bloques que reúne modelos de científicos de datos para predecir un objetivo. Básicamente tienen una serie de características y un objetivo, y los científicos de datos compiten para predecir ese objetivo con las características más precisas. Dado que no tiene mucha más información que estas características arbitrarias, es una excelente manera de probar varios algoritmos diferentes en un conjunto de datos y conocer los pros y los contras de cada algoritmo.
También puede consultar sitios como Datmo, para chatear con otros científicos de datos que trabajan en cualquier proyecto (también hay uno Numerai) para ver cómo los científicos de datos trabajan para un solo objetivo utilizando una serie de experimentos y algoritmos diferentes.
Espero que esto ayude 🙂
- ¿Cuál es el estándar de JMLR contra documentos en ICML y NIPS?
- Cómo calcular el factor de escala 1 / z en la clasificación de Naive Bayes
- Estoy acostumbrado a codificar con C ++ y C #. ¿Cuál recomendaría implementar proyectos de ML a pequeña escala (NN y CNN clásicos) sin reinventar la rueda?
- ¿Por qué todas las principales empresas de tecnología abren fuentes principales de su tecnología de inteligencia artificial?
- ¿Cuáles son algunos algoritmos de aprendizaje automático que puedo aprender sin cálculo?
