¿Dónde aprendo Machine Learning?

¿Interesado en el campo del aprendizaje automático? ¡Entonces este curso es para ti!

Enlace al curso: Machine Learning AZ ™: Python práctico y R en ciencia de datos: aprenda a crear algoritmos de aprendizaje automático

Aprenda a crear algoritmos de aprendizaje automático en Python y R con dos expertos en ciencia de datos. Plantillas de código incluidas.

Este curso ha sido diseñado por dos científicos de datos profesionales para que podamos compartir sus conocimientos y ayudarlo a aprender teoría compleja, algoritmos y bibliotecas de codificación de una manera simple.

Te llevarán paso a paso al mundo del aprendizaje automático. Con cada tutorial, desarrollará nuevas habilidades y mejorará su comprensión de este desafiante pero lucrativo subcampo de la ciencia de datos.

Este curso es divertido y emocionante, pero al mismo tiempo se sumergen profundamente en Machine Learning. Está estructurado de la siguiente manera:

• Parte 1: preprocesamiento de datos
• Parte 2: Regresión: Regresión lineal simple, Regresión lineal múltiple, Regresión polinómica, SVR, Regresión de árbol de decisión, Regresión forestal aleatoria
• Parte 3 – Clasificación: Regresión logística, K-NN, SVM, Kernel SVM, Naive Bayes, Clasificación del árbol de decisión, Clasificación aleatoria del bosque
• Parte 4 – Agrupación: K-medias, agrupación jerárquica
• Parte 5 – Aprendizaje de reglas de asociación: Apriori, Eclat
• Parte 6 – Aprendizaje de refuerzo: límite de confianza superior, muestreo de Thompson
• Parte 7 – Procesamiento del lenguaje natural: modelo de bolsa de palabras y algoritmos para PNL
• Parte 8 – Aprendizaje profundo: redes neuronales artificiales, redes neuronales convolucionales
• Parte 9 – Reducción de dimensionalidad: PCA, LDA, Kernel PCA
• Parte 10 – Selección y refuerzo del modelo: validación cruzada k-fold, ajuste de parámetros, búsqueda de cuadrícula, XGBoost

Además, el curso está repleto de ejercicios prácticos basados ​​en ejemplos en vivo. Entonces, no solo aprenderá la teoría, sino que también obtendrá práctica práctica para construir sus propios modelos.

Y como beneficio adicional, este curso incluye plantillas de código Python y R que puede descargar y usar en sus propios proyectos.

¿Quién es el público objetivo?

• Cualquier persona interesada en Machine Learning
• Estudiantes que tienen al menos conocimientos de secundaria en matemáticas y que desean comenzar a aprender Machine Learning
• Cualquier persona de nivel intermedio que conozca los conceptos básicos del aprendizaje automático, incluidos los algoritmos clásicos como la regresión lineal o la regresión logística, pero que quieran obtener más información y explorar todos los diferentes campos del aprendizaje automático.
• Cualquier persona que no se sienta cómoda con la codificación pero que esté interesada en el aprendizaje automático y quiera aplicarla fácilmente en los conjuntos de datos.
• Cualquier estudiante en la universidad que quiera comenzar una carrera en Data Science.
• Cualquier analista de datos que quiera subir de nivel en Machine Learning.
• Cualquier persona que no esté satisfecha con su trabajo y que quiera convertirse en Data Scientist.
• Cualquier persona que desee crear valor agregado a su negocio mediante el uso de potentes herramientas de Machine Learning

¿Qué voy a aprender?

• Master Machine Learning en Python & R
• Tener una gran intuición de muchos modelos de Machine Learning
• Hacer predicciones precisas
• Haz un análisis poderoso
• Hacer modelos robustos de aprendizaje automático
• Crea un fuerte valor agregado para tu negocio
• Usar Machine Learning para fines personales
• Manejar temas específicos como el aprendizaje por refuerzo, PNL y aprendizaje profundo
• Manejar técnicas avanzadas como la reducción de dimensionalidad
• Sepa qué modelo de Machine Learning elegir para cada tipo de problema
• Construya un ejército de poderosos modelos de Machine Learning y sepa cómo combinarlos para resolver cualquier problema.

Requisitos

• Solo un nivel de matemáticas de secundaria

Enlace al curso: Machine Learning AZ ™: Python práctico y R en ciencia de datos: aprenda a crear algoritmos de aprendizaje automático

Gracias por A2A.

Comencemos con lo que Sundar Pichai tiene que decir sobre @Machine Learning:

El aprendizaje automático es una forma central y transformadora por la cual estamos repensando todo lo que estamos haciendo ”, dijo Pichai. ‘Lo aplicamos cuidadosamente en todos nuestros productos, ya sea búsqueda, anuncios, YouTube o Play. Estamos en los primeros días, pero nos verá de una manera sistemática pensando en cómo podemos aplicar el aprendizaje automático a todas estas áreas ‘[1].

1. Para los principiantes, comience a dedicar su tiempo al aprendizaje automático en @Coursera por @Andrew Ng. Aunque hay muchos otros videos disponibles en Internet, uno debe comenzar con sus videos. Una vez que conozca los conceptos básicos, estará listo para la dura batalla del mundo exterior.
2. Ensúciate con los problemas de IA de @HackerRank. Eso lo ayudará a visualizar los problemas desde la perspectiva de un experto en aprendizaje automático.
3. Los expertos en aprendizaje automático piensan más como humanos, mientras que otros programadores piensan más como compiladores.
4. Regístrese en kdnuggets y lea los artículos regularmente.
5. Libros: el libro de Mitchell sobre ML y el libro de Christopher M Bishop sobre reconocimiento de patrones y ML.

NOTA: No hay tiempo limitado para conocer un tema. En mi opinión, a menos que puedas enseñarle a alguien ese tema, sigues aprendiendo ese tema.

[1] Debe leer libros para principiantes sobre aprendizaje automático e inteligencia artificial

El enlace también lo ayudará a descargar la versión en pdf de los libros.

¡Espero que esto ayude!

Afortunadamente, la cantidad de recursos de aprendizaje automático y tutoriales en línea se ha disparado, lo que hace que sea más fácil que nunca sumergirse realmente en el tema. Sin embargo, esta explosión en la información de aprendizaje automático es un arma de doble filo. Puede ser increíblemente difícil determinar qué recursos son más útiles y le brindarán una comprensión real (no solo superficial) de la teoría y las matemáticas detrás del aprendizaje automático, así como la capacidad de codificar e implementar los algoritmos de aprendizaje automático adecuados para sus necesidades .

La forma más fácil de sumergirse realmente en el aprendizaje automático y comprometerse a comprender el tema es inscribirse en una clase en línea. Mi favorito personal es Fundamentos de aprendizaje automático en Experfy.

Impartido por Peter Chen, quien estudió en el MIT y Harvard y tiene años de experiencia en el uso del aprendizaje automático en la industria, el curso cubre aplicaciones prácticas de algoritmos de aprendizaje automático para resolver problemas del mundo real.

Siempre que tenga una comprensión (muy) básica de Python y R, estará listo para tomar el curso. Aprenderá cuándo aplicar el algoritmo correcto, podrá comprender y explicar las matemáticas de los algoritmos subyacentes, evaluar la efectividad de su modelo. Lo que es más importante, comprenderá cómo modificar y mejorar sus modelos para obtener los mejores resultados posibles, una habilidad que será invaluable cuando se ensucie las manos con el aprendizaje automático.

Es mejor aprender en línea, hay varios cursos en línea, te sugiero los mejores cursos en línea de aprendizaje automático

Machine Learning AZ ™: Python práctico y R en ciencia de datos

Este curso es divertido y emocionante, pero al mismo tiempo nos sumergimos profundamente en Machine Learning. Está estructurado de la siguiente manera:

• Parte 1: preprocesamiento de datos
• Parte 2: Regresión: Regresión lineal simple, Regresión lineal múltiple, Regresión polinómica, SVR, Regresión de árbol de decisión, Regresión forestal aleatoria
• Parte 3 – Clasificación: Regresión logística, K-NN, SVM, Kernel SVM, Naive Bayes, Clasificación del árbol de decisión, Clasificación aleatoria del bosque
• Parte 4 – Agrupación: K-medias, agrupación jerárquica
• Parte 5 – Aprendizaje de reglas de asociación: Apriori, Eclat
• Parte 6 – Aprendizaje de refuerzo: límite de confianza superior, muestreo de Thompson
• Parte 7 – Procesamiento del lenguaje natural: modelo de bolsa de palabras y algoritmos para PNL
• Parte 8 – Aprendizaje profundo: redes neuronales artificiales, redes neuronales convolucionales
• Parte 9 – Reducción de dimensionalidad: PCA, LDA, Kernel PCA
• Parte 10 – Selección y refuerzo del modelo: validación cruzada k-fold, ajuste de parámetros, búsqueda de cuadrícula, XGBoost

Además, el curso está repleto de ejercicios prácticos basados ​​en ejemplos en vivo. Entonces, no solo aprenderá la teoría, sino que también obtendrá práctica práctica para construir sus propios modelos.

Cursos relevantes

1. Python for Data Science y Machine Learning Bootcamp

2. principiante a avanzado – aprendizaje automático y redes neuronales

Todo lo mejor

Estos son algunos de los recursos para aprender ML. Para principiantes, recomendaría ML by Andrew Ng en Coursera.

• Libro de texto de Machine Learning: un libro imprescindible para ML
• Aprendizaje automático – Universidad de Stanford | Coursera
• Aprendizaje automático | Coursera
• Redes neuronales para el aprendizaje automático – Universidad de Toronto | Coursera
• Aprendiendo de los datos – Curso en línea (MOOC)
• ClipMine – Aprendizaje automático
• Resolver problemas en Kaggle para aplicar los conocimientos adquiridos. Esto lo ayudará a construir la confianza y a comprender mejor los conceptos. Su hogar para la ciencia de datos
• Lea algunos documentos de investigación relacionados con ML (esto es para aquellos que desean profundizar en ML y quieren aprender y comprender los avances recientes en ML y campos relacionados).

Hay muchos recursos por ahí. Sugeriría comenzar con las matemáticas, ya que es necesario comprender adecuadamente los algoritmos y sus limitaciones. Cálculo, álgebra lineal, estadística y teoría de la probabilidad son un buen lugar para comenzar.

Una vez que tenga algunos antecedentes matemáticos, le sugiero comenzar con una descripción general de alto nivel ( https://www.slideshare.net/Colle … luego, pasar a los detalles de cada algoritmo. Hay muchos documentos, cursos, y libros (Elementos de aprendizaje estadístico) que pueden ser útiles en ese punto. Muchos vienen con ejemplos en Python o R, donde puedes jugar con los algoritmos en los datos.

Personalmente, trato de leer los documentos de matemáticas sobre el desarrollo de un nuevo algoritmo o un nuevo enfoque (ArXiv y Google Scholar son buenos), luego lo pruebo con datos de simulación en R antes de pasar a aplicarlo en datos del mundo real.

Existe una excelente “ruta de aprendizaje para el aprendizaje automático” escrita por Analytics Vidhya. Solo te daré los extractos:

• Haga una revisión de la programación básica.
• Ir a través de estadísticas descriptivas e inferenciales
• Comprender la tubería de ciencia de datos (por ejemplo, limpieza de datos, exploración, etc.)
• Obtenga una muestra de ML desde conceptos básicos hasta conceptos avanzados.
• Participe en competencias de conocimiento / hackatones de ML.
• ¡Explora ML en profundidad y usa tus habilidades para construir algo útil para la humildad!

Hay muchas cosas que puede hacer para aprender sobre el aprendizaje automático.

Hay recursos como libros y cursos que puede seguir, concursos en los que puede participar y herramientas que puede usar.

Lea más tutoriales en línea sobre aprendizaje automático.

Vea los videos a continuación para saber más sobre el aprendizaje automático

Demostración de Mircrosoft para explicar el uso del aprendizaje automático en la atención médica

Sundar Pichai habla sobre Machine Learning

Explore el aprendizaje automático utilizando los experimentos de IA de Google (por ejemplo, Quick Draw)

Construyendo una mejor batería con Machine Learning. ¿No más baterías encendidas?

TFA Existen numerosas fuentes y esa es posiblemente la fuente de confusión también. Uno puede comenzar con Andrew Ng y luego cubrir los temas uno por uno. Este es un problema multidimensional y, por lo tanto, requiere aprender en varios campos (ciencia de datos, ANN, estadística, ciencia básica de compilación y una idea de cómo funciona BNN no dañará también) y desarrollar la intuición para correlacionar.

Para mí, saber dónde se ubica ML es muy importante y, por lo tanto, este recurso Pragmatic Perspectives fue útil. Espero que sea útil para algunas personas más

Hola manoj

Puede aprender Machine Learning con TACT Learn, ya que será una capacitación interactiva y en vivo en línea, ya que será más flexible y no le costará más.

Características clave del entrenamiento:

· Programa de entrenamiento dirigido por un instructor en vivo usando el aula virtual GoToTraining.

· Acceso de por vida a LMS (sistema de gestión de aprendizaje).

· Experiencia práctica en el uso de Hadoop y Big Data mediante la realización de proyectos estándar de la industria durante la capacitación.

· Certificación globalmente reconocida de TACT .

Para saber más, puede comunicarse conmigo a [correo electrónico protegido] o al +1 973–854–1588 (EE. UU.).

En la era actual, la tecnología está cambiando rápidamente día a día, todos usan computadoras / computadoras portátiles y teléfonos inteligentes para comunicarse entre sí. Estas tecnologías han encontrado la necesidad de los humanos. Ahora, podemos comunicarnos, enviar mensajes de texto a cualquier persona que esté lejos de nosotros con la ayuda de Tecnología actualizada. Así como nuestros padres nos guían, cómo caminar, cómo comer, nosotros hacemos lo mismo que nos guían. Los científicos usan este concepto con la máquina. Mientras le enseñan a la máquina a trabajar en un área específica, la máquina hace lo mismo. En ese momento, qué lenguaje de programación ayuda a explicar y aprender esas cosas, se llama Machine Learning.

Webtunix es una empresa con certificación ISO que brinda capacitación en aprendizaje automático en Chandigarh en inteligencia artificial y redes neuronales. Por lo tanto, el aprendizaje automático es parte de la red neuronal.

¡Aquí hay un curso completo donde aprenderás haciendo! Entonces, comencemos con Machine Learning en poco tiempo aprendiendo algoritmos de ML e implementándolo en 5 proyectos reales del mundo real.

• Agrupación del mercado de valores
• Cáncer de mama malignos
• Detección de inicio de diabetes
• Detección de fraude con tarjeta de crédito
• Prediciendo reseñas de juegos de mesa

Respaldarnos en Kickstarter y comience hoy!

1. Tutoriales de programación de Python (códigos de Python ML fáciles de entender)

2. Tutoriales de scikit-learn (Acerca de la biblioteca python ML)

3. Curso de ML de Coursera por Andrew Ng (Para estudio en profundidad y matemáticas relacionadas con temas)

4. Siraj Raval (ML puede ser divertido 🙂)

5. Puede referir libros de teoría relacionados con estos temas.

6. Entrenamiento de Python | Python para la ciencia de datos | Aprender Python

Hay algunos lenguajes de programación, conceptos y técnicas que uno tiene que aprender para aprender Machine Learning. Estas son las habilidades:

Buen conocimiento de Matemáticas y Estadística.

Buenas habilidades de programación con R, Python, Hadoop, C ++, etc.

Algoritmos como: PNL, LSTM, Redes de creencias profundas, etc.

Grandes habilidades para resolver problemas y aptitud analítica.

Si se encuentra en Bangalore, únase a nuestros cursos en vivo de ML, AI y Aprendizaje profundo en el hogar: Edu2Code.com, del profesor de Stanford CS Tom Binford y su equipo experimentado y sólido en esas áreas. En línea hay muchos buenos cursos de Coursera, Udacity, MIT y Stanford

Hola,

Por ahora hay muchas instituciones que están en línea y fuera de línea. Como Ingeniero de Aprendizaje Automático, sugiero completar el curso que la institución ofrece práctica de ML. Aprendo ML de una institución llamada bepec, que es una capacitación en línea, y trato de verificar la udacity y también de simplilearn. Como sé, Bepec ofrece lo mismo que otros. Para elegir instituciones, solo la capacitación no es básica.

Hay algunas cosas que la institución necesita proporcionar son la práctica de LD y las pautas y las preguntas de la entrevista, y lo mejor es que la institución debe apoyar hasta que obtenga trabajo. Puede ser una institución con estas cualidades que nos pueda ayudar a construir nuestro futuro. Una buena institución le da un buen conocimiento. No comprometa una pequeña cosa al seleccionar la institución.

Puede ser este enlace ayuda para aprender ML: BEPEC | ¿Por qué ciencia de datos? Bangalore

Elija un libro, cualquier libro de Free IT eBooks Descargue con fines educativos y obtenga grietas.

Prueba Machine Learning | Coursera .. es un curso en línea por Andrew Ng de la universidad de Stanford.