En primer lugar, hay dos fases para aprender ML:
1. Conceptos de aprendizaje
2. Implementándolos para resolver un problema
- Cómo proceder si no puedo desempeñarme mejor en un conjunto de datos en particular cuando intento ajustar un modelo de aprendizaje automático
- ¿Cómo funciona el texto predictivo?
- Veo que la mayoría de las API de Machine Learning están en Python, algunas usan C o C ++ bajo el capó. ¿Por qué los desarrolladores de framework no exponen las API de C ++?
- ¿Las redes RBM (máquina de Boltzman restringida) suelen tener el mismo número de nodos por capa?
- ¿Hacia dónde se dirige la investigación de aprendizaje profundo?
Machine Learning es una rama que se basa en gran medida en las matemáticas y la lógica. Si eres bueno en matemáticas, estoy seguro de que puedes entender los conceptos básicos del aprendizaje automático.
Le sugiero que pruebe el curso de aprendizaje automático Andrew Ng disponible en el curso Era o YouTube de forma gratuita.
Pero, sin embargo, esto es entender y adquirir conocimiento. Para implementar varios algoritmos de Machine Learning, necesitaría conocimientos de informática y programación. En mi opinión, el lenguaje Python es más deseable ya que tiene muchas bibliotecas útiles para Machine Learning. Si aprende la codificación en Python y conoce los conceptos de aprendizaje automático, puede aplicarlo en varios campos dependiendo del conocimiento que tenga sobre ellos.
Por ejemplo, un lingüista puede aplicarlo para el procesamiento del lenguaje natural, mientras que un estudiante robótico puede usar esto en robótica.
Todo lo mejor.