Entre los departamentos de STAT y CIS, creo que hay una amplia cobertura de material fundamental de aprendizaje estadístico / aprendizaje automático. Y para responder a su pregunta, creo que realmente depende de lo que esté buscando , en términos de aplicaciones de aprendizaje automático (quizás para trabajos de ciencia de datos) o una comprensión teórica profunda de cómo funciona el aprendizaje automático (quizás para la investigación en el campo).
Partiendo de la respuesta de Brady, en el espectro del conocimiento aplicado al conocimiento teórico, diría que los cursos ofrecidos en Penn que se centran en ML caen en este orden:
- STAT471 (más aplicado)
- STAT474
- CIS419 (equilibrado, con una inclinación hacia el lado aplicado)
- CIS519 (equilibrado, con un aprendizaje hacia el lado teórico)
- CIS520
- CIS625 (más teórico)
Otros cursos (que yo sepa) que tienen temas de aprendizaje automático incorporados en su plan de estudios son NETS213, CIS192, STAT422, STAT476, STAT541, STAT542, STAT622, CIS421 / 521; y estos definitivamente caen en el lado más aplicado, con CIS421 / 521 siendo más equilibrado y STAT541 / 542 siendo cursos teóricos / doctorales.
- ¿Es posible aplicar la localización de objetos sin tener regiones de caja en la verdad básica?
- ¿Cuántos tipos de técnicas utilizan los limpiadores profesionales?
- ¿Somos mejores que las máquinas que creamos?
- Cómo recopilar datos para problemas de la vida real mientras se entrena un modelo de aprendizaje automático
- ¿El descenso de gradiente de lote completo, con potencia de computadora ilimitada, es siempre mejor que el descenso de gradiente de mini lote?
Si has tomado el curso de Andrew Ng sobre Coursera y has entendido el material (y las matemáticas) bastante bien, entonces estarás bastante cómodo en CIS419 / 519, y estarás razonablemente desafiándote con CIS520.
También recomendaría tomar STAT474. El curso se centra en 3–4 documentos de “investigación”, en los que esencialmente se le entrega un buscapersonas que describe un problema (de cualquier dominio: biología, educación, etc.) y un conjunto de datos (un poco sucio para la autenticidad), y luego se le pregunta profundizar en los datos, utilizando los algoritmos de aprendizaje automático que se enseñan en clase, para encontrar algo interesante. El trabajo que hago en mi pasantía de ciencia de datos me recuerda mucho sobre lo que aprendí de este curso: comprender las necesidades de los interesados, usar la experiencia en el dominio para comprender los matices de los datos, luchar para limpiar los datos, modelar e interpretar salida a través de una historia y el uso de visualizaciones en el camino para comunicar ideas.
Si desea leer más, tengo otra respuesta sobre ciencia de datos en Penn en general.
¡La mejor de las suertes!
