Kaggle tiene una sección “101” que proporciona algunos de los conceptos básicos para comenzar (Competiciones | Kaggle). Además, querrá ver “Aprendizaje automático en acción”, ya que explica algunos pasos prácticos y cubre algunos de los algoritmos más populares.
Una gran parte de trabajar con algoritmos de Machine Learning es tratar con datos y modelar correctamente el problema en el que está trabajando para que pueda ser calculado por un algoritmo ML. Con esto en mente, las redes sociales y los dominios estadísticos de PNL son el mejor lugar para comenzar a perfeccionar las habilidades necesarias para trabajar con conjuntos de datos (que tratan con la escala, los valores faltantes y los datos de suavizado para ingresar correctamente a un algoritmo de ML). Elegí esos dos, ya que casi todos tienen experiencia en redes sociales y lenguaje. Recogería una copia de “Mining the Social Web”, ya que cubre las redes sociales y algo de PNL.
Buena suerte, a veces puede ser frustrante, pero una vez que aprende a cuantificar qué tan bien está funcionando su modelo, ¡puede ser realmente emocionante!
- ¿Cuáles son algunos de los temas que combinarían temas de informática y biología?
- ¿Cómo es el Grupo de Sistemas CS de la Universidad de Chicago?
- ¿Cuál es el patrimonio neto de ACM?
- ¿Por qué TeXmacs aún no ha reemplazado a TeX o LaTeX?
- ¿Cuáles son los campos de investigación en informática que no requieren habilidades en codificación / programación?
TLDR;
Libros:
-Machine Learning en acción: Peter Harrington
– Mining the Social Web: análisis de datos de Facebook, Twitter, LinkedIn y otros sitios de redes sociales: Matthew A. Russell
Sitios:
Competiciones | Kaggle
