Siga estos 6 PASOS FÁCILES para aprender los conceptos básicos del APRENDIZAJE DE MÁQUINAS en 3 meses.
¡¡Buena suerte!!
El aprendizaje automático es un campo realmente vasto y de rápido desarrollo. Será abrumador solo para comenzar. Sin duda, ha estado rebotando en el punto donde necesita usar la máquina para descubrir cómo construir modelos: ha pensado en lo que debe hacer; Sin embargo, cuando se filtran en la web algoritmos concebibles, recientemente hay un número excesivo de alternativas.
- Cómo dominar el aprendizaje automático para poder unirme a Google para puestos relacionados con el aprendizaje automático
- ¿Cuáles son algunos buenos proyectos en los que un principiante de aprendizaje automático puede trabajar?
- ¿Qué significa el valor propio de un hessiano en el aprendizaje automático?
- ¿Cómo puede ser posible la IA si las máquinas se limitan a la lógica y el lenguaje?
- Cómo saber cuándo usar el aprendizaje automático y cuándo no
Para aprender el aprendizaje automático, debes ser mejor que el promedio en matemáticas. Estas son las matemáticas que debe aprender teniendo en cuenta el objetivo final para estar preparado.
- Álgebra lineal-Álgebra lineal– MIT 18.06 Álgebra lineal por Gilbert Strang
- Teoría de la probabilidad-Probabilidad y estadística – MIT 6.041 Análisis de sistemas probabilísticos y probabilidad aplicada por John Tsitsiklis
- Cálculo
- Cálculo multivariante
- Teoría de grafos
- Métodos de optimización
- Cualquier lenguaje de programación ampliamente utilizado para ML como python, MATLAB o C ++.
PD: recomendaría Python aquí como lenguaje y recomendaría los siguientes enlaces:
- Aprendizaje automático con texto en scikit-learn (PyCon 2016)
- Aprendizaje automático en Python con scikit-learn
- Aprendizaje automático con Python
https://www.youtube.com/watch?v=…https://www.youtube.com/watch?v=…
Una vez cumplidos estos requisitos, puede por fin comenzar a considerar Machine Learning.
¿6 PASOS FÁCILES para utilizar el APRENDIZAJE DE MÁQUINAS?
Este es el lugar donde comienza la diversión. Ahora, se espera que la base comience a echar un vistazo a algunas informaciones. Antes de comenzar, he enumerado 30 cosas que todos deberían saber en Machine Learning . La mayoría de las empresas de aprendizaje automático tienen básicamente el mismo proceso de trabajo:
PASO 1.) Fabrica tus fundamentos de aprendizaje automático estudiando material relacionado con el tema:
a.) Las conferencias de Andrew Ng’s Machine Learning son un gran comienzo :
b.) Escuela de verano de aprendizaje automático :
c.) Un enlace a la lista de reproducción completa está aquí (Lecture Collection | Machine Learning)
https://www.youtube.com/view_pla…
d.) Certificado de aplicaciones y minería de datos de Stanford :
http://scpd.stanford.edu/public/…
e.) Introducción a la Inteligencia Artificial por el Prof. Deepak Khemani IIT Madras
http://nptel.ac.in/courses/10610…
f.) ” La mejor introducción de aprendizaje automático que he visto hasta ahora”.
PASO 2.) Tome un curso en línea
Lo principal que aconsejo a alguien que necesita ingresar al aprendizaje automático es tomar el curso en línea de Andrew Ng.
Creo que el curso de Ng es especialmente directo y excepcionalmente eficiente, por lo que es un conocimiento extraordinario para alguien que necesita ingresar a ML. Me sorprende cuando las personas me revelan que el curso es “excesivamente fundamental” o “excesivamente superficial”.
En el caso de que me revelen que solicito que aclaren el contraste entre la Regresión logística y el SVM, PCA lineal frente a la factorización matricial, regularización o descenso de gradiente. He hablado con aspirantes que afirmaron años de encuentros de LD que no sabían la respuesta a estas preguntas. En su mayor parte, se aclaran claramente en el curso de Ng.
Hay muchos otros cursos en línea que puede tomar después de este, pero ahora está en su mayor parte preparado para pasar a la siguiente etapa.
Vea mi publicación anterior 10 mejores videos, profesores y cursos sobre aprendizaje automático para principiantes y avanzados
PASO 3.) Algunas sugerencias de libros
Mi siguiente paso sugerido es obtener un libro de ML decente (mi lectura más abajo), leer las secciones principales de introducción, y después de eso rebotar a cualquier parte que incorpore un algoritmo, usted está interesado. Cuando haya descubierto ese algo, salte a él, vea cada uno de los puntos de interés y, en particular, impleméntelo. En el paso anterior del curso en línea, a partir de ahora habría actualizado algunos algoritmos en Octave. Sea como fuere, aquí estoy buscando ejecutar un algoritmo sin ninguna preparación en un lenguaje de programación “real”. En cualquier caso, puede comenzar con una simple, por ejemplo, Regresión logística regularizada en L2, o k-means, pero también debe impulsarse a actualizar todos los más intrigantes, por ejemplo, SVM. Puede utilizar una implementación de referencia en una de las muchas bibliotecas existentes para asegurarse de obtener resultados equivalentes.
- El razonamiento bayesiano y el aprendizaje automático de David Barber
- El aprendizaje automático de Kevin Murphy: una perspectiva probabilística
- Google dice que el aprendizaje automático es el futuro
- Los elementos del aprendizaje estadístico de Hastie, Tibshirani y Friedman
- Reconocimiento de patrones y aprendizaje automático de Bishop
- Andrew Ng OpenClassRoom Stanford
- Aprendizaje automático de Mitchell
También hay numerosos libros excelentes que llaman la atención sobre un tema específico. Por ejemplo, Sutton and Re-Inforcement Learning es una obra de arte. Además, el libro Deep Learning (accesible en la web) prácticamente se está convirtiendo en un ejemplo antes de ser distribuido. Sea como fuere, necesita un par de esos libros para reunir una comprensión equilibrada y hasta cierto punto del campo.
Vea mi publicación anterior 10 eBooks gratuitos de lectura obligatoria sobre conceptos básicos de aprendizaje automático .
También puede ir específicamente a un trabajo de investigación que presente un algoritmo o enfoque que le interese y salte a él.
PASO 4.) Algoritmos más esenciales
Se confía en usted para conocer los aspectos básicos de un algoritmo esencial.
Vea mi anterior post 15 algoritmos que los ingenieros de aprendizaje automático deben saber .
En cualquier caso, aparte de los algoritmos, también es fundamental saber cómo configurar sus datos (selección de características, transformación y compresión) y cómo evaluar sus modelos. Tal vez, para empezar, podría ver nuestro Aprendizaje automático en el ejercicio de instrucción scikit-learn en SciPy 2016. Se condensa una gran parte de los rudimentos al presentar la biblioteca scikit-learn, que puede resultar útil para la ejecución y otros exámenes. :
PASO 5.) Juega con algunos conjuntos de datos enormes que son de acceso abierto.
Descubra un conjunto de datos que le parezca especialmente interesante o sobre el que tenga hipótesis y compruebe si tiene razón.
a.) Datos del gobierno de EE. UU. http://www.data.gov/
b.) Compite en Kaggle o construye algo con uno de sus conjuntos de datos, es información realmente divertida y genuina. https://www.kaggle.com/
” Kaggle es una plataforma para concursos de modelos predictivos y análisis en los que empresas e investigadores publican sus datos y los estadísticos y mineros de datos de todo el mundo compiten para producir los mejores modelos”.
Kaggle lo expone a una amplia gama de problemas de Machine Learning, las competencias de Kaggle lo ” obligan ” a codificar y volver a codificar su solución de la manera más eficiente posible, haciendo compensaciones entre el tiempo del programador, el tiempo de CPU, RAM, etc. Cada competencia tiene un foro donde los competidores se ayudan mutuamente a abordar el problema. Competirá contra algunos de los mejores ingenieros del mundo. Finalmente, los reclutadores están recorriendo las tablas de Kaggle en busca de ingenieros talentosos. Podrías encontrar una nueva posición .
Debería comenzar su kaggle con Titanic porque, debido a que hay muchos scripts / problemas accesibles, tendrá la capacidad de construir diversos tipos de modelos que también le permitirán comprender algunos de los algoritmos de aprendizaje automático.
A continuación, puede retomar un tema interesante. Reclutamiento de Facebook porque, dada la facilidad de la estructura de datos y la extravagancia del contenido , puede unir las tablas correctas y hacer un cálculo profético sobre esta.
Cuando haya terminado con estos dos, debe estar listo para abordar temas más interesantes de acuerdo con su interés.
He enumerado 40 proyectos divertidos de aprendizaje automático para principiantes en aprendizaje automático. Cuando haya terminado, puede echar un vistazo a los 35 principales proyectos de aprendizaje automático en Github para obtener más inspiración.
Algunos sitios que pueden ayudarlo a solucionar problemas : https: //stackoverflow.com,http: //www.gitxiv.com/, http://www.arxiv-sanity.com/, https://arxiv.org/
PASO 6.) Juega un papel con un aprendizaje automático centrado en el producto o en un evento Attend ML.
El grupo que busca debe estar cargado de ingenieros a quienes desea instruir y aprender. Esto lo mejorará para convertirse en un buen ingeniero de aprendizaje automático. Del mismo modo, al dividir un grupo de productos, descubrirá rápidamente cómo la ciencia y la hipótesis del aprendizaje automático varían de la capacitación. Específicamente, cómo la conducta del cliente le mostrará algo nuevo cada día.
Vaya a eventos de aprendizaje automático donde puede darse cuenta de lo que la gente hace en las charlas y ponerse manos a la obra con hackatones, ejercicios de instrucción y talleres como:
La conferencia de aprendizaje automático
Conferencia de estratos de O’Reilly
PyData
Conferencia de datos enriquecidos de Crowdflower
PD: desea conocer los últimos recursos de AI y ML en profundidad en la web, DEBE ver esta página de índice aquí .
CONCLUSIÓN:
No dudes en fallar . La mayor parte de su oportunidad en el aprendizaje automático se gastará tratando de entender por qué un algoritmo no funcionó como esperaba o por qué obtuve los errores que son comunes. La perseverancia es crítica.
Simplemente déjalo salir. En caso de que piense que la regresión logística puede funcionar … intente con un pequeño conjunto de datos y perciba cómo funciona. Estas actividades iniciales son un cajón de arena para asimilar las técnicas cayendo, así que aproveche y pruebe todo lo que sea un buen augurio.
En ese momento … en caso de que sea rápido para llevar el tocino a casa haciendo aprendizaje automático, cree su propio sitio. Cree un sitio web que muestre cada una de las empresas que ha eliminado. Muestra cómo los hiciste. Demostrar los productos finales. Hazlo hermoso Tener imágenes decentes. Haz que sea capaz de procesar. Haga un artículo que otra persona pueda obtener y luego confíe en que una empresa puede ver todo el trabajo que realiza.
Para comenzar con ML, debe comprender que ML no es algo que sea 100% preciso : la mayoría de los casos son solo una suposición decente y una gran cantidad de iteraciones. Por lo tanto, pensar en un pensamiento único es difícil por regla general , en vista del tiempo y los recursos que gastará en la preparación del modelo. Por lo tanto, no intente dar sentido a las soluciones usted mismo: busque documentos, proyectos y expertos que puedan ayudarlo. Cuanto más rápido obtengas experiencia, mejor. ¡¡Todo lo mejor!!
