Si está interesado en aplicar principalmente algoritmos de aprendizaje automático para resolver problemas, aprenda scikit: el aprendizaje automático en Python, TensorFlow, la documentación de Keras son excelentes lugares para comenzar. Los tres anteriores básicamente cubren la mayoría de los algoritmos y marcos de aprendizaje automático y aprendizaje profundo. Hay toneladas de tutoriales y ejemplos que puede seguir para usarlos. Si va a Kaggle, puede encontrar muchos scripts de otros competidores y tutoriales que usan esas bibliotecas. También encontré recientemente: Aprendizaje automático práctico con Scikit-Learn y TensorFlow: conceptos, herramientas y técnicas para construir sistemas inteligentes: Aurélien Géron: 9781491962299: Libros – Amazon.ca que habla a través de esos paquetes con ejemplos detallados .
Si está interesado en la implementación básica y la comprensión de los algoritmos, probablemente necesite leer algunos libros. Sugiero: Machine Learning en acción. El libro está escrito en Python y habla sobre los conceptos básicos de los algoritmos de aprendizaje automático, incluidas las implementaciones paso a paso y el proceso de pensamiento detrás de él. Le ayudará a comprender cómo funciona cada algoritmo y cuáles son las ventajas / desventajas.
- ¿Existe alguna implementación para un clasificador incremental que pueda ejecutarse en un espacio dinámico de características, lo que significa cuando aparecen nuevas características?
- ¿Cómo se relaciona el algoritmo RANSAC con la visión por computadora?
- ¿Cuáles son algunas de las ventajas de usar modelos de proceso gaussianos frente a SVM?
- ¿Debería aprender aprendizaje automático, desarrollo en la nube o desarrollo de juegos en Unity como estudiante universitario de primer año?
- ¿Cómo genera el modelo generativo muestras de ruidos?