¿Cómo comienza un principiante a aprender el aprendizaje automático?

He escrito sobre esto en otras respuestas. Copiando la respuesta aquí como referencia:

I. LA GRAN IMAGEN:

Problema que estamos tratando de resolver : dados algunos datos, el objetivo del aprendizaje automático es encontrar patrones en los datos. Hay varios entornos, como el aprendizaje supervisado, el aprendizaje no supervisado, el aprendizaje de refuerzo, etc. Pero el más común es el aprendizaje supervisado; así que nos centraremos solo en eso en el panorama general. Aquí, se le dan datos etiquetados [llamados “datos de entrenamiento”], y desea inferir etiquetas en nuevos datos [llamados “datos de prueba”]. Por ejemplo, considere los autos sin conductor. Los datos etiquetados incluirían la imagen del camino por delante en una instancia particular vista desde el automóvil, y la etiqueta correspondiente sería el ángulo de dirección [supongamos que la velocidad se controla manualmente, por simplicidad]. El objetivo del automóvil autónomo es que, dada una nueva imagen de la carretera, el sistema debería poder determinar el ángulo de dirección óptimo.

Cómo resolver : La mayor parte del aprendizaje automático supervisado se puede ver utilizando el siguiente marco: se le dan puntos de datos de capacitación [matemática] (x_1, y_1), \ ldots, (x_n, y_n) [/ matemática], donde [matemática] x_i [/ ​​math] son ​​los datos [por ejemplo, imagen de la carretera en el ejemplo anterior], y [math] y_i [/ ​​math] es la etiqueta correspondiente. Desea encontrar una función [math] f [/ math] que se ajuste bien a los datos, es decir, dado [math] x_i [/ ​​math], genera algo lo suficientemente cercano a [math] y_i [/ ​​math]. Ahora, ¿de dónde sacas esta función [matemáticas] f [/ matemáticas]? Una forma, que es la más común en ML, es definir una clase de funciones [math] \ mathcal {F} [/ math], y buscar en esta clase la función que mejor se ajuste a los datos. Por ejemplo, si desea predecir el precio de un apartamento en función de características como el número de habitaciones, el número de baños, el área cubierta, etc., puede suponer razonablemente que el precio es una combinación lineal de todas estas características, en cuyo caso, la clase de función [math] \ mathcal {F} [/ math] se define como la clase de todas las funciones lineales. Para los autos sin conductor, la clase de función [math] \ mathcal {F} [/ math] que necesita será mucho más compleja.

Cómo evaluar : Tenga en cuenta que simplemente ajustar los datos de entrenamiento no es suficiente. Los datos son ruidosos, por ejemplo, todos los apartamentos con la misma cantidad de habitaciones, la misma cantidad de baños y la misma área cubierta no tienen el mismo precio. Del mismo modo, si etiqueta los datos de los automóviles autónomos, puede esperar cierta aleatoriedad debido al conductor humano. Lo que necesita es que su marco de trabajo pueda extraer el patrón e ignorar el ruido aleatorio. En otras palabras, debería funcionar bien en datos invisibles . Por lo tanto, la forma de evaluar los modelos es guardar una parte de los datos de entrenamiento [llamado “conjunto de validación”] y predecir sobre estos datos para medir qué tan bueno es su modelo.

Ahora, independientemente de lo que estudies en el aprendizaje automático, debes tratar de relacionar los temas con el panorama general anterior. Por ejemplo, en la regresión lineal, la clase de función es lineal y el método de evaluación es la pérdida cuadrada, en SVM lineal, la clase de función es lineal y el método de evaluación es la pérdida de bisagra, y así sucesivamente. Primero entienda estos algoritmos a alto nivel. Luego, entra en los detalles técnicos. Verá que encontrar la mejor función [matemática] f [/ matemática] en la clase de función [matemática] \ matemática {F} [/ matemática] a menudo resulta en un problema de optimización, para lo cual utiliza el descenso de gradiente estocástico.

II HOJA DE RUTA PARA EL APRENDIZAJE DE LA MÁQUINA DE APRENDIZAJE:

Para tener una base matemática básica, debe tener algún conocimiento de los siguientes conceptos matemáticos:
– Probabilidades y estadísticas
– Álgebra lineal
– Optimización
– Cálculo multivariable
– Análisis funcional (no esencial)
– Lógica de primer orden (no esencial)
Puede encontrar material razonable sobre la mayoría de estos buscando “notas de conferencia ” en Google. Por lo general, encontrará buenas notas de clase compiladas por un profesor que enseña ese curso. Los primeros resultados deberían darle un buen conjunto para elegir. Vea la respuesta de Prasoon Goyal a ¿Cómo debo comenzar a aprender las matemáticas para el aprendizaje automático y desde dónde?
Hojea estos. No es necesario que los revise con mucho detalle. Puede volver a estudiar matemáticas cuando sea necesario mientras aprende ML.

Luego, para obtener una descripción general rápida de ML, puede seguir la hoja de ruta a continuación (he escrito sobre muchos de estos temas en varias respuestas sobre Quora; he vinculado los más relevantes para una referencia rápida).

Día 1:

• Terminología básica:

1. Configuraciones más comunes: configuración supervisada, configuración no supervisada, configuración semi-supervisada, aprendizaje de refuerzo.
2. Problemas más comunes: Clasificación (binaria y multiclase), Regresión, Agrupación.
3. Preprocesamiento de datos: normalización de datos.

• Conceptos de conjuntos de hipótesis, error empírico, error verdadero, complejidad de conjuntos de hipótesis, regularización, compensación de sesgo-varianza, funciones de pérdida, validación cruzada.

Dia 2:

• Conceptos básicos de optimización:

1. Terminología y conceptos básicos: optimización convexa, lagrangiana, problemas primarios-duales, gradientes y subgraduados, [math] \ ell_1 [/ math] y [math] \ ell_2 [/ math] funciones objetivo regularizadas.
2. Algoritmos: descenso de gradiente por lotes y descenso de gradiente estocástico, descenso de gradiente coordinado.
3. Implementación: escriba código para el descenso de gradiente estocástico para una función objetivo simple, ajuste el tamaño del paso y obtenga una intuición del algoritmo.

Día 3:

• Clasificación:

1. Regresión logística
2. Máquinas de vectores de soporte: intuición geométrica, formulaciones primarias-duales, noción de vectores de soporte, truco del núcleo, comprensión de hiperparámetros, búsqueda en cuadrícula.
3. Herramienta en línea para SVM: juegue con esta herramienta SVM en línea (desplácese hacia abajo hasta “Interfaz gráfica”) para tener una idea del algoritmo.

Día 4:

• Regresión:

1. Regresión de cresta

• Agrupación:

1. algoritmo k-means y Expectation-Maximization.
2. Agrupación jerárquica de arriba hacia abajo y de abajo hacia arriba.

Dia 5:

• Métodos bayesianos:

1. Terminología básica: Prioridades, posteriores, probabilidad, estimación de máxima probabilidad e inferencia máxima a posteriori.
2. Modelos de mezcla gaussiana
3. Asignación de Dirichlet latente: El modelo generativo y la idea básica de la estimación de parámetros.

Día 6:

• Modelos gráficos:

1. Terminología básica: redes bayesianas, redes de Markov / campos aleatorios de Markov.
2. Algoritmos de inferencia: eliminación de variables, propagación de creencias.
3. Ejemplos simples: Modelos ocultos de Markov. Modelo ising.

Días 7–8:

• Redes neuronales:

1. Terminología básica: neurona, función de activación, capa oculta.
2. Redes neuronales convolucionales: capa convolucional, capa de agrupación, retropropagación.
3. Redes neuronales basadas en memoria: redes neuronales recurrentes, memoria a corto y largo plazo.
4. Tutoriales: estoy familiarizado con este tutorial de la antorcha (querrá consultar el directorio [math] \ texttt {1_supervised} [/ math]). Puede haber otros tutoriales en otros marcos de aprendizaje profundo.

Día 9:

• Temas varios:

1. Métodos de conjunto
2. Árboles de decisión
3. Sistemas de recomendación
4. Procesos de decisión de Markov
5. Bandidos multi-armados

Día 10: (día de presupuesto)

• Puede usar el último día para ponerse al día con lo que queda de días anteriores, o aprender más sobre cualquier tema que le parezca más interesante / útil para su trabajo futuro.

Una vez que haya pasado por lo anterior, querrá comenzar con un curso en línea estándar o un texto de aprendizaje automático. El curso de Andrew Ng sobre Coursera es un buen punto de partida. Una versión avanzada del curso está disponible en The Open Academy (Machine Learning | The Open Academy). Los libros populares con los que tengo experiencia son los siguientes:

• Reconocimiento de patrones y aprendizaje automático: Christopher Bishop
• Aprendizaje automático: una perspectiva probabilística: Kevin P. Murphy

Si bien el libro de Murphy es más actual y más elaborado, creo que Bishop es más accesible para los principiantes. Puedes elegir uno de ellos según tu nivel.
En este punto, debe tener un conocimiento práctico del aprendizaje automático. Más allá de esto, si está interesado en un tema en particular, busque recursos en línea específicos sobre el tema, lea documentos seminales en el subcampo, intente encontrar algunos problemas más simples e impleméntelos.

Para el aprendizaje profundo, aquí hay un tutorial del laboratorio de Yoshua Bengio que se escribió en los primeros días del aprendizaje profundo: Tutoriales de aprendizaje profundo. Esto explica las ideas centrales en el aprendizaje profundo, sin entrar en muchos detalles.

Debido a que el aprendizaje profundo es un campo que es más empírico que teórico, es importante codificar y experimentar con modelos. Aquí hay un tutorial en TensorFlow que brinda implementaciones de muchas tareas diferentes de aprendizaje profundo: aymericdamien / TensorFlow-examples. Intente ejecutar los algoritmos y juegue con el código para comprender mejor los conceptos subyacentes.

Finalmente, puede consultar el libro Deep Learning, que explica el aprendizaje profundo de una manera mucho más sistemática y detallada. Para los últimos algoritmos que no están en el libro, deberá consultar los documentos originales.

III. CONSEJOS PARA LA APLICACIÓN:

Hay diferentes niveles en los que puedes entender un algoritmo.

En el nivel más alto, sabes lo que un algoritmo está tratando de hacer y cómo. Entonces, por ejemplo, el descenso de gradiente encuentra un mínimo local al dar pequeños pasos a lo largo del gradiente negativo.

Yendo un poco más profundo, profundizarás en las matemáticas. Nuevamente, tomando el descenso de gradiente, por ejemplo, aprenderá cómo tomar gradiente para cantidades de vectores, normas, etc. Con aproximadamente el mismo nivel de profundidad, también tendrá otras variantes del algoritmo, como manejar las restricciones en el descenso de gradiente. Este es también el nivel en el que aprende a usar bibliotecas para ejecutar su algoritmo específico.

Más profundo, implementa el algoritmo desde cero, con pequeños trucos de optimización. Por ejemplo, en Python, querrás usar la vectorización. Considere los siguientes dos fragmentos de código:

# Versión 1:

importar numpy como np

N = 10000000
a = np.random.rand (N, 1)
b = np.random.rand (N, 1)

para i en rango (N):
s = s + a [i] * b [i]

imprimir m

# Versión 2:

importar numpy como np

N = 10000000
a = np.random.rand (N, 1)
b = np.random.rand (N, 1)

s = a * b

imprimir m

Ambos tienen la misma funcionalidad, pero el segundo es 20 veces más rápido. Del mismo modo, aprenderá algunas otras técnicas de implementación importantes, como la paralelización del código, la creación de perfiles, etc. También aprenderá algunos detalles específicos del algoritmo, como cómo inicializar su modelo para una convergencia más rápida, cómo configurar la condición de terminación para compensar precisión y tiempo de entrenamiento, cómo manejar casos de esquina [como puntos de silla de montar en descenso de gradiente], etc. Finalmente, aprenderá técnicas para depurar el código de aprendizaje automático, que a menudo es complicado para los principiantes.

Finalmente, llega la profundidad a la que se escriben las bibliotecas. Esto requiere mucho más conocimiento de los sistemas que los pasos anteriores: saber cómo manejar datos muy grandes, eficiencia computacional, administración efectiva de la memoria, escribir código GPU, multihilo efectivo, etc.

Ahora, ¿con cuánto detalle necesitas conocer los algoritmos? En su mayor parte, no necesita conocer los algoritmos en la profundidad de la implementación de la biblioteca, a menos que esté en la programación de sistemas. Para los algoritmos más importantes en ML, como el descenso de gradiente, SVM, regresión logística, redes neuronales, etc., debe comprender las matemáticas y cómo usar las bibliotecas para ejecutarlas. Esto sería suficiente si no eres un ingeniero de ML y solo usas ML como una caja negra en tu trabajo diario.

Sin embargo, si va a trabajar como ingeniero de ML / científico de datos / científico de investigación, también debe implementar algunos algoritmos desde cero. Por lo general, los cubiertos en los cursos en línea son suficientes. Esto le ayuda a aprender muchos más matices de diferentes herramientas y algoritmos. Además, esto lo ayudará con los nuevos algoritmos que podría necesitar implementar.

El mejor recurso en línea es el curso sobre Aprendizaje automático de Andrew Ng. Le sugiero que comience de inmediato, en lugar de tomar un montón de programación, algoritmos, cursos de cálculo antes de pasar al curso de Aprendizaje automático (con la expectativa de que comprenderá mejor el material, que lo hará, pero habría pasado mucho tiempo) que podría haber sido utilizado para pasar por temas avanzados en ML). El instructor del curso Andrew Ng ha hecho que el curso sea autónomo y ha explicado todos y cada uno de los detalles. Estoy seguro de que podrá obtener los conceptos discutidos allí en una sola vista de las conferencias. Dondequiera que se quede atascado, puede buscar el material de soporte. En el curso, las implementaciones de los modelos se realizan utilizando Octave, que es similar a Matlab pero de código abierto y ligero. Si le gusta leer libros en lugar de mirar conferencias en video, tiene las siguientes opciones: Elementos de aprendizaje estadístico de Trevor Hastie et al, Comprensión del aprendizaje automático, Aprendizaje automático de Python, Reconocimiento de patrones y Aprendizaje automático de Bishop (avanzado y matemático).

La programación de aprendizaje no es en absoluto necesaria para aprender el aprendizaje automático, si desea entrar en los detalles teóricos y las complejidades matemáticas del campo. No hace falta decir que las personas con conocimiento de “qué funcionará mejor y por qué” tienen más valor que las personas que prueban todos y cada uno de sus juegos de herramientas y luego le dicen qué funciona. Si planea trabajar en algunos proyectos de ML en el futuro, conocer un lenguaje de programación lo ayudará a poner a prueba sus ideas en un conjunto de datos. Para eso necesita tener un comando en cualquiera de los idiomas y sus bibliotecas de aprendizaje automático: Python, R, Matlab / Octave. Te sugiero que elijas Python, ya que tiene una gran base de usuarios y casi todos los problemas que encuentres se resolverán fácilmente usando alguna u otra biblioteca (stackoverflow ayuda mucho aquí).

SI quieres aprender Machine learning Primero debes saber Python y MATLAB, porque matlab y python son los básicos para el aprendizaje automático

También debe tener poco conocimiento de algoritmos.

• Python Class de Google: este es un curso corto. Pero te enseña todo lo que necesitas saber para codificar algo rápido.
• Introducción a la informática: este es un curso de 3 semanas de duración. Si nunca antes ha codificado en ningún idioma, puede tomar este curso en su lugar. Cada algoritmo de Machine Learning requiere optimización. Fundamento para el cual es un sólido conocimiento de cálculo multivariado y álgebra lineal. Me encanta este curso, si te gustan las matemáticas, estoy seguro de que también lo harás Cálculo multivariante

Si no ha tomado ningún cálculo antes, puede considerar tomar Calculus One.

Tome un curso básico en algoritmos

La comprensión sólida de los algoritmos es esencial para cualquier disciplina computacional. El profesor Tim Roughgarden tiene un excelente curso introductorio sobre el tema.

• Algoritmos: Diseño y Análisis 1
• Algoritmos: Diseño y Análisis 2

Tomar un curso básico de aprendizaje automático

Ahora, está listo para abordar los 2 cursos de aprendizaje automático más básicos disponibles en línea.

• Introducción a la inteligencia artificial: ofrece una visión más amplia del campo de la inteligencia artificial.
• Aprendizaje automático: un curso excelente, pensado por el profesor Andrew Ng. Necesita aprender MATLAB / Octave para programar tareas.

Si desea aprender algún idioma, consulte el siguiente enlace: todos los cursos son totalmente gratuitos, no es necesario pagar un solo centavo. Incluso usted puede aprender Ethical Hacking y muchos más programas, software e idiomas en este sitio web.

Tutoriales de capacitación y video gratuitos para cursos de TI

El aprendizaje automático es una subárea central de la inteligencia artificial, ya que permite a las computadoras entrar en un modo de autoaprendizaje sin ser programado explícitamente. Cuando se exponen a nuevos datos, los programas de computadora están habilitados para aprender, crecer, cambiar y desarrollarse por sí mismos.

Si eres principiante en el aprendizaje automático, entonces debes comenzar desde lo básico de las matemáticas. El aprendizaje de las matemáticas depende del nivel y el interés del individuo. La investigación en fórmulas matemáticas y el avance teórico del aprendizaje automático están en curso y algunos investigadores están trabajando en técnicas más avanzadas.

Los temas matemáticos importantes necesarios para el aprendizaje automático son:

1. álgebra

2. probabilidad

3. estadísticas

4. cálculo

puedes aprender machine learning a través de algunos cursos en línea:

Los mejores cursos en línea de aprendizaje automático son:

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

de este curso puedes aprender sobre:

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 de la vida real. Entonces, no solo aprenderá la teoría, sino que también obtendrá práctica práctica para construir sus propios modelos.

y también…

• 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

cursos en línea adicionales de aprendizaje automático:

• Bootcamp de ciencia de datos y aprendizaje automático con R
• Aprendizaje automático para ciencia de datos
• principiante a avanzado: aprendizaje automático y redes neuronales

Libros de texto sugeridos para el aprendizaje automático: (solo con fines de referencia)

• 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
• Fundamentos del aprendizaje automático para el análisis predictivo de datos: algoritmos, ejemplos trabajados y estudios de casos (MIT Press) por John D. Kelleher y Brian Mac Namee y Aoife D’Arcy

TODO LO MEJOR….

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 de variaciones.
• Teoría de grafos
• Métodos de optimización (multiplicadores de Lagrange)
• 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

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. 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:

Colección de conferencias | Aprendizaje automático: YouTube

b.) Certificado de aplicaciones y minería de datos de Stanford:

Certificado de Posgrado en Minería de Datos y Aplicaciones

c.) Escuela de verano de aprendizaje automático:

https://www.youtube.com/playlist …

d.) Un enlace a la lista de reproducción completa está aquí (Lecture Collection | Machine Learning)
https://www.youtube.com/view_pla …

e.) Introducción a la Inteligencia Artificial por el Prof. Deepak Khemani IIT Madras

http://nptel.ac.in/courses/10610 …

e.) “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
• Los elementos del aprendizaje estadístico de Hastie, Tibshirani y Friedman
• Reconocimiento de patrones y aprendizaje automático de Bishop
• 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.

Datos del gobierno de EE. UU. http://www.data.gov/

Ferrocarril Catering y Turismo Corporación http://www.irctc.co.in

PASO 6.) Participa con un equipo de personalización o aprendizaje automático centrado en el producto.

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.

Suponiendo que tiene los conocimientos de programación y matemática para estudiar el aprendizaje automático y desea ser un profesional aplicado, esta es la métrica por la cual las personas determinarán si usted es competente: proyectos.

Cada entrevista que he tenido hace alguna variación de esta pregunta, “¿puedes describir algunos proyectos que creas que podrían ser relevantes para el problema que estamos tratando de resolver?” Describe el conjunto de datos. ¿Qué características incluiste? ¿Qué pasos de preprocesamiento tomaste? ¿Qué algoritmo usaste y por qué lo usaste? ¿Qué métrica de rendimiento usaste y por qué esa métrica?

Solo puede responder estas preguntas si ha trabajado en proyectos. Debo decir ‘sufrir’, en lugar de ‘trabajar’, a través de un proyecto. ¿Por qué sufrir? porque el valor de un proyecto se mide por la intensidad de lo más difícil que tuvo que hacer en ese proyecto.

Si copia y pega las líneas de código de un núcleo que encontró en Kaggle y logra que funcione, entonces probablemente no experimentó demasiado sufrimiento. En este caso, le resultará difícil recordar sus detalles cuando se le pregunte al respecto.

Un mejor enfoque para maximizar el sufrimiento es tomar un nuevo conjunto de datos (tal vez de Kaggle) y aplicar un enfoque que aprendió que utilizó un conjunto de datos similar. Quizás aprendió a entrenar una red neuronal en un corpus de críticas de películas para evaluar si son positivas copiando los pasos en un libro de texto que está leyendo. Ahora ha encontrado un conjunto de datos de comentarios publicados en algún foro etiquetados por el tipo de toxicidad en los comentarios. Resulta que cada comentario puede tomar tres clasificaciones diferentes: exhibe odio racial, amenazas u obscenidad. Además, puede ser positivo en las tres categorías.

Ahora está lidiando con un problema similar de procesamiento del lenguaje natural que aprendió del conjunto de datos de revisión de películas, pero el problema se ha ampliado en complejidad. Ahora se enfrenta a un problema de clasificación multiclase y multicapa en lugar de un simple problema de clasificación binaria. Su sufrimiento ha aumentado, pero también la cantidad que aprenderá.

En resumen, obtenga lo básico con un curso o dos, luego comience a trabajar en proyectos.

¿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

Hay tantos algoritmos disponibles que puede parecer abrumador cuando se lanzan los nombres de los algoritmos y se espera que usted sepa qué son y dónde encajan.

Quiero darle dos formas de pensar y categorizar los algoritmos que puede encontrar en el campo.

El primero es una agrupación de algoritmos por el estilo de aprendizaje.

El segundo es una agrupación de algoritmos por similitud en forma o función (como agrupar animales similares).

Ambos enfoques son útiles, pero nos centraremos en la agrupación de algoritmos por similitud y realizaremos un recorrido por una variedad de diferentes tipos de algoritmos.

Después de leer esta publicación, comprenderá mucho mejor los algoritmos de aprendizaje automático más populares para el aprendizaje supervisado y cómo están relacionados.

Un recorrido por los algoritmos de aprendizaje automático

Solo puedo responder esta pregunta de manera personal. En 1981, estaba estudiando en un programa de posgrado en India (Instituto Indio de Tecnología, Kanpur), entrenando para ser ingeniero eléctrico. Me encantó EE, debido a sus aplicaciones generalizadas, y debido a su rigor en matemáticas y física. La pequeña CS a la que había estado expuesto, como la programación de FORTRAN usando tarjetas perforadas en máquinas ruidosas, me dejó con un disgusto por las computadoras y todo su rigmarole.

Lo que cambió mi punto de vista por completo fue cambiar un libro maravilloso llamado Godel, Escher, Bach: An Eternal Golden Braid, por Douglas Hofstadter en una feria del libro en Nueva Delhi. Este libro de 800 páginas, un recorrido libre de espíritu libre por la música, el arte, las matemáticas, la inteligencia artificial, el aprendizaje automático, la lógica, el libre albedrío y mucho más, impresionó profundamente la mente joven en mí, y me di cuenta del potencial de la inteligencia artificial y la máquina. aprendizaje. Rápidamente convencí a mis maravillosos mentores de la facultad en IITK de que se me permite explorar libremente AI y ML, y no estar obligado a seguir el programa tradicional de EE. Para su crédito eterno, me dejaron tener rienda suelta, así que diseñé mi propio programa educativo, tomando una variedad de clases de matemáticas, psicología, ingeniería y neurociencia. Leí todos los libros sobre IA que pude encontrar en la biblioteca IIT (¡no hay web, recuerda, en 1981!).

Hofstadter hizo mucha mención en su libro del llamado “Problema de Bongard”, una serie de pequeños acertijos visuales del investigador de reconocimiento de patrones ruso, Bongard. Decidí escribir un programa para resolver los problemas de Bongard, después de encontrar una copia del libro de Bongard en la biblioteca IIT Madras, y copiar laboriosamente cada página en una máquina xerox.

¡Ya que el campus IIT Kanpur de 1000 acres tenía solo una computadora, que ocupaba un piso entero del edificio CS! – Tuve que trabajar de noche para encontrar largos períodos de tiempo cuando había una terminal disponible. Aprendí la programación de IA del libro LISP de Charniak, Riesbeck y McDermoot, resolviendo cada ejercicio en ese libro. Comencé a las 10 de la noche y trabajé hasta las 4 de la mañana, y dormí durante el día, durante unos 6 meses. ¡Así comencé mi estudio del aprendizaje automático! Ingenuamente, sí, en comparación con la enorme cantidad de literatura actual en el campo, pero con un celo y una pasión que aseguraron que lograría mis objetivos.

El resto de mi carrera estuvo marcada por una serie de golpes de suerte, comenzando con la oportunidad de trabajar con el profesor Thomas “Tom” Mitchell (profesor de IA de Fredkin y aprendizaje automático en CMU, y hasta hace poco, jefe del departamento de aprendizaje automático). Tom estaba entonces en Rutgers, haciendo un trabajo innovador en aprendizaje automático. Al igual que yo, los antecedentes de Tom eran EE, su doctorado de Stanford estaba en un marco clásico llamado “Version Spaces” (todavía utilizado en ML hoy, 4 décadas después de su tesis). Tom se mudó en breve a CMU, y eso me permitió no solo conocer a algunas de las leyendas de la IA, entre ellas Newell y Simon, sino también trabajar con un deslumbrante grupo de estudiantes de doctorado, muchos de los cuales son líderes en IA hoy (Sebastian Thrun, Oren Etzioni, Manuela Veloso, Milind Tambe, Craig Knoblock y muchos más).

Y luego, al graduarse, otro golpe de suerte. Obtuve mi primer trabajo en IBM Research, no para hacer aprendizaje automático, ya que nadie tenía idea de lo que ML podía hacer en el mundo de la investigación de inteligencia artificial corporativa, ¡ja, ja! – pero para unirse a un grupo de robótica recién formado. Como nunca había trabajado en robótica, no estaba seguro de si era una buena idea, pero seguí jugando. Esto me dio la oportunidad de abrir un nuevo camino y crear algunos de los primeros robots de aprendizaje, utilizando el campo naciente del aprendizaje por refuerzo. Una vez más, la suerte tuvo mucho que ver con mi éxito, pero tuve la suerte de haber aprovechado todas las oportunidades que me dieron, y lo suficientemente valiente como para no disuadirme de trabajar en un área en la que no tenía experiencia.

Mirando hacia atrás hace 30 años, me pregunto qué haría en el mundo de ML “neón-brillante” de hoy, con fondos interminables de los titanes corporativos, y más de 8000 personas que asisten a reuniones científicas como NIPS. ¿Me encontraría, atraído como una polilla por la llama brillante que hoy es ML, o sería atraído a otro campo, menos desarrollado, donde tendría una mayor oportunidad de sobresalir como pionero?

Preguntas como esta son las que impulsan mi investigación hoy en día, el estudio de la “imaginación”, el estudio de las preguntas o contrafactuales de “qué pasaría si”, en las que los humanos eligen participar casi todos los días de sus vidas. Cada uno de ustedes debe tomar esta decisión por sí mismo, en última instancia, lo que elija estudiar debe ser su decisión y la de nadie más. Pero hagas lo que hagas, si quieres tener éxito, debes esforzarte al 100%. No tiene sentido hacer un intento poco entusiasta de hacer una investigación: saltar con los dos pies y comprometerse, cuerpo y alma, a cualquier problema que los excite. ¡El resto vendrá más fácilmente de lo que puedas imaginar!

Puede comenzar directamente con Titanic: Machine Learning from Disaster. Esta es una forma fantástica de explorar todas las fases del análisis de datos e implementar los resultados para predecir la supervivencia de los pasajeros en el conjunto de datos de prueba. Encontrarás una comunidad increíble, así como muchos tutoriales para comenzar. Además, aprender a implementar le dará la oportunidad de probarlo, en lugar de estudiar durante horas antes de comenzar.

Como recurso gratuito, puede utilizar los cursos de ciencia de datos: Tutoriales de análisis de R & Python | DataCamp, pero después de algún tiempo tendrás que pagar los cursos. Si no lo desea, busque en YouTube materiales técnicos relacionados.

Ahora, si está listo para pagar y aprender cosas listas para la industria, vaya con el Ingeniero de Aprendizaje Automático Nanodegree. Son los mejores hasta ahora.

Si quieres obtener los antecedentes teóricos, Coursera es genial. Encontrarás variación de cursos. Aunque Andrew Ng es el gurú, usará a Matlab. Eso depende de ti. También puede considerar este módulo NPTEL.

Suponiendo que es un novato en el aprendizaje automático, le sugeriré que siga el proceso paso a paso.

1. Fase de inspiración: suscríbase a algunos blogs de aprendizaje automático. Esto le dará una idea de cómo se aplica el aprendizaje automático en diferentes dimensiones de la vida. Incluso puede usar el servicio de noticias de Google y elegir el aprendizaje automático como interés.
2. Aprenda Python: la mejor parte de Python es su rica biblioteca. Los necesitarás, así que familiarízate con Python
3. Sumérgete en el aprendizaje automático: elige un tutorial de Dios. Puedes usar el curso introductorio de Udacity.
4. Haga un proyecto: dado que ahora ha terminado con lo básico, elija un conjunto de datos que lo fascine.

La mejor de las suertes.

Ashish jha

Es mejor aprender en línea, hay varios cursos de aprendizaje automático disponibles en línea, le sugeriré el mejor curso en línea de aprendizaje automático

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

Este es un curso excelente

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.

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

Cursos relevantes

1. Python for Data Science y Machine Learning Bootcamp

2. principiante a avanzado – aprendizaje automático y redes neuronales

Todo lo mejor

Muchos tutoriales de aprendizaje automático. Se esperan conocimientos básicos de los pandas. Si eres nuevo en Pandas, sigue el sitio web aquí.

Proceso de aprendizaje automático aplicado

He escrito mucho sobre el proceso de aprendizaje automático aplicado. Abogo por un proceso de 6 pasos para los problemas de clasificación y regresión, los tipos de problemas comunes en el corazón de la mayoría de los problemas de aprendizaje automático. El proceso es el siguiente:

1. Definición del problema: Comprenda y describa claramente el problema que se está resolviendo.
2. Analizar datos: comprender la información disponible que se utilizará para desarrollar un modelo.
3. Preparar datos: descubre y expone la estructura en el conjunto de datos.
4. Evalúe algoritmos: desarrolle un arnés de prueba robusto y una precisión de referencia a partir de la cual mejorar y verificar los algoritmos.
5. Mejore los resultados: aproveche los resultados para desarrollar modelos más precisos.
6. Resultados actuales: describa el problema y la solución para que pueda ser entendido por terceros.

Tomar el curso y completarlo es una de las formas de aprender Machine Learning. A continuación, se detallan a continuación algunas instituciones que ofrecen Machine Learning.

• Udacity
• simplilearn
• Bepec
• Analyticalvidhya
• Upgrad

Si está tratando de aprender por sí mismo, entonces leer libros es una de las formas de aprender mucho más sobre el aprendizaje automático. Aquí encontrará algunos de los mejores libros que leí.

Think Stats: probabilidad y estadística para programadores
Por Allen B. Downey

Programación Probabilística y Métodos Bayesianos para Hackers
Por Cam Davidson-Pilon

Comprensión del aprendizaje automático: de la teoría a los algoritmos
Por Shai Shalev-Shwartz y Shai Ben-David

Una introducción al aprendizaje estadístico con aplicaciones en R
Por Gareth James, Daniela Witten, Trevor Hastie y Robert Tibshirani

La plataforma de software para que los principiantes aprendan al comenzar es Weka Machine Learning Workbench, que proporciona una interfaz gráfica de usuario simple que encapsula el proceso de aprendizaje automático aplicado descrito anteriormente. Una vez que esté funcionando con Weka, Practicar en conjuntos de datos le ofrece más información sobre Machine Learning. Los conjuntos de datos son pequeños y se adaptan fácilmente a la memoria. El pequeño tamaño de los conjuntos de datos también significa que los algoritmos y los experimentos se ejecutan rápidamente.

Para obtener más información: BEPEC | ¿Por qué ciencia de datos? Bangalore

Para un principiante, es importante para él / ella pasar por lo básico por completo y la forma de aprender debe ser interesante para que el alumno no pierda interés. Comience con cualquier curso básico de aprendizaje automático y lo más importante es no solo recordar los nombres de los algoritmos, tratar de comprender las matemáticas detrás de ellos. Y para eso necesitas tener tus fundamentos matemáticos limpios como cálculo básico, álgebra lineal, etc. Y siempre sugiero leer muchos blogs, son concisos, precisos y crujientes.

Feliz aprendizaje !!

Pregunta similar ha sido formulada por muchos en diferentes formas. En mi opinión, es posible que tengas que actualizar tus conceptos matemáticos y estadísticos antes de ingresar al ML. En ML necesitas cubrir específicamente álgebra lineal, teoría de probabilidad, cálculo, optimización convexa, etc. Debes ser minucioso con los cálculos de Matrix y estar familiarizado con herramientas como matlab u Octave.

Una vez que se sienta razonablemente cómodo con el concepto matemático, es posible que tenga que aprender uno de los lenguajes de programación: puede optar por Python, Java, R o cualquier otro lenguaje popular.

Luego, puede tomar un curso básico de conceptos de aprendizaje automático en línea a través de uno de los sitios MOOC: Coursera, Udemy, Udacity, etc.

entonces puede comenzar a probar algunos proyectos simples de aprendizaje automático donde se dan el problema y las soluciones. puedes encontrar muchos de estos proyectos en la web.

Cuando comience a sentirse razonablemente cómodo, puede comenzar a participar en competiciones de Kaggle y buscar la solución de las competencias de kaggle en curso / anteriores. Esto llevaría tus conceptos de ML a un nivel totalmente nuevo

He experimentado tanto cómo comenzar el aprendizaje automático como cómo no hacer lo mismo.

El año pasado, como parte del festival de tecnología de mi universidad, hubo un taller sobre el tema “Redes neuronales”, que en cierto modo es un subconjunto del tema “Aprendizaje automático”. Me inscribí pensando en lo genial que parecía el nombre y también para comenzar en ese campo.

¡Y vaya, esa experiencia me sacó de la pista durante meses!

El principal problema con el taller fue que todo parecía tan abstracto y vago. Descargamos la biblioteca numpy para Python, hicimos lo que dijo el maestro, obtuvimos algo como salida. Pero de alguna manera no sentí que gané nada que pudiera retener a largo plazo. Incluso el aspecto teórico se sintió muy difícil de tragar.

De todos modos, meses después, el MIT me recomendó hacer un curso edX llamado The Analytics Edge junto con el curso que todos recomendaron, la introducción de Andrew NG Machine Learning en Coursera. Una persona que ahora se encuentra en el sector de análisis me dijo que hiciera el Análisis Edge primero antes de pasar al curso estándar.

Si bien no he llegado a ninguna parte en el campo del Aprendizaje automático, felizmente puedo decirle que así es como debe comenzar el Aprendizaje automático y realmente interesarse en el campo. La ‘ventaja’ de este programa está en el uso de datos reales para resolver problemas de la vida real. Podemos ver el uso de análisis (usando el lenguaje R) para determinar las soluciones a varios problemas usando regresión lineal, regresión lógica, CART, etc.

Las secciones realmente divertidas incluyen el análisis de sentimientos o reacciones a un tuit de una compañía importante, o el uso de estadísticas para determinar cómo un equipo de béisbol puede llegar a los playoffs (Moneyball), o el uso de datos del hospital para determinar la gravedad de un caso.
Hay una sensación de tangibilidad de cómo aplicar el aprendizaje automático en la vida real, y eso me motiva a continuar en este campo.

Entonces, ahí lo tiene, complemente el curso Andrew NG en Coursera con Analytics Edge en edX.

comienzas aprendiendo el prólogo de este libro: Google Books (por Ivan Bratko), después del cual aprendes Red neuronal artificial de cualquier buen libro
(preferiblemente publicación de Pearson). A continuación, intenta crear tus propios programas o puedes seguir los cursos en Coursera | Cursos en línea de las mejores universidades. Únase gratis No me crea, entonces vea esto ¿Cuál es su opinión sobre Coursera Machine Learning? Esto fue respondido en Quora. Espero eso ayude

¡¡Saludos!!

Existen varias fuentes desde donde puede comenzar su viaje de aprendizaje, como libros, tutoriales, coaching, etc.

Pero personalmente le recomendaría que vaya con tutoriales en línea, ya que tienen una forma mucho más conveniente y fácil de aprender.

¿De dónde o qué sitio? Esta es una de las preguntas más importantes que surgen cada vez que alguien comienza a buscar tutoriales en línea, por lo que, para ayudarlo un poco, le doy un enlace de un sitio web que proporciona un tutorial muy bueno para principiantes y de nivel avanzado.

Hackr.io – Encuentra y comparte los mejores cursos y tutoriales de programación en línea

¡¡Todo lo mejor!!