SÍ … PYTHON es más suficiente para aprender sobre el aprendizaje automático. Es bueno para procesar los datos.
A medida que el papel del aprendizaje automático aumenta en importancia, también lo hace el uso de Python.
- ¿Cuál es la principal diferencia entre la forma bayesiana de estimación de parámetros y la regresión lineal?
- ¿Qué es el filtrado colaborativo en términos simples?
- ¿Cómo funciona el modelo de red neuronal profunda en la predicción de regresión en los datos del sensor?
- ¿Cuántas imágenes se requieren para las redes adversas generativas (GAN)?
- Si las redes neuronales son opacas y poco entendidas, ¿cómo pueden los ingenieros mejorar aún más el modelo de aprendizaje automático?
Pero si tiene conocimiento de la programación de R , más tarde comprenderá ML claramente.
Es bueno aprender la máquina de Python a través de algunos cursos en línea:
Te sugiero los MEJORES CURSOS EN LÍNEA DE APRENDIZAJE DE MÁQUINAS:
- Machine Learning AZ ™: Python práctico y R en ciencia de datos
- Bootcamp de ciencia de datos y aprendizaje automático con R
- Aprendizaje automático para ciencia de datos
Elige el primer curso.
de este curso puedes aprender sobre:
- 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
Y TAMBIÉN…
- Programando con R
- Funciones R avanzadas
- Uso de marcos de datos R para resolver tareas complejas
- Use R para manejar archivos de Excel
- Web scraping con R
- Conecte R a SQL
- Use ggplot2 para visualizaciones de datos
- Use plotly para visualizaciones interactivas
- Aprendizaje automático con R, que incluye:
- Regresión lineal
- K vecinos más cercanos
- K significa agrupamiento
- Árboles de decisión
- Bosques al azar
- Twitter de minería de datos
- Redes neuronales y aprendizaje profundo
- Soporte de máquinas Vectore
- ¡y mucho, mucho más!
libros sugeridos para el aprendizaje automático:
- Python Machine Learning: Machine Learning y Deep Learning con Python, nd TensorFlow, 2da edición por Sebastian Raschka y Vahid Mirjalili
- Aprendizaje automático: algoritmos fundamentales para el aprendizaje supervisado y no supervisado con aplicaciones del mundo real por Joshua Chapmann
TODO LO MEJOR…
