Hola,
Machine Learning es uno de los primeros MOOC de programación Coursera que el fundador y profesor de Stanford Andrew Ng puso en línea. Aquí hay un enlace “Aprendizaje automático – Universidad de Stanford | Coursera “para ir al sitio de Coursera. Aunque el aprendizaje automático se ha ejecutado varias veces desde su primera oferta y no parece haber cambiado ni actualizado mucho desde entonces, se mantiene bastante bien. Este curso asume que tienes habilidades básicas de programación. Las asignaciones también requieren muchas operaciones de vectores y matrices y las diapositivas incluyen algunas fórmulas largas expresadas en notación de suma, por lo que se recomienda tener cierta familiaridad con el álgebra lineal. No necesita saber cálculo o estadísticas para tomar este curso, pero puede obtener una visión más profunda de parte del material si lo hace. El curso utiliza el lenguaje de programación Octave, un clon gratuito de MATLAB.
El curso tiene una duración de 10 semanas y cubre una variedad de temas y algoritmos en el aprendizaje automático, incluyendo descenso de gradiente, regresión lineal y logística, redes neuronales, máquinas de vectores de soporte, agrupación, detección de anomalías, sistemas de recomendación y consejos generales para aplicar técnicas de aprendizaje automático. Las clases se dividen en segmentos de 3 a 15 minutos con cuestionarios periódicos y cada sección de tema tiene un cuestionario correspondiente. Las pruebas de sección valen 1/3 de la calificación total, pero obtienes intentos ilimitados (con un temporizador de reintento de 10 minutos). Andrew Ng hace un buen trabajo explicando el material denso y las diapositivas, aunque los niveles de audio a menudo son demasiado bajos. Si no tiene buenos altavoces, es posible que necesite auriculares para escucharlo hablar. Los otros 2/3 de la calificación del curso se basan en 8 tareas de programación de varias partes que generalmente implican completar el código para las funciones clave para implementar algoritmos de aprendizaje automático cubiertos en la clase. El curso le brinda mucha estructura y dirección para cada tarea, por lo que generalmente está bastante claro lo que se supone que debe hacer y cómo debe hacerlo, incluso si no comprende el 100% del material cubierto en la clase. Debe obtener una puntuación total del 80% para obtener un certificado, por lo que si bien puede volver a intentar los cuestionarios y volver a enviar las tareas de programación, tendrá que hacer que la mayoría de las cosas funcionen al final para obtener uno.
- ¿Cuáles son algunos libros excelentes para un principiante sobre IA con Python?
- ¿Hay repositorios de investigación en línea para la investigación de inteligencia artificial?
- Un robot no puede escribir un programa. ¿Es lo contrario de esto también cierto?
- ¿Qué es un modelo de red neuronal?
- ¿Qué porcentaje de trabajos serán reemplazados por IA y robots?
El aprendizaje automático es un gran curso si puedes pasar el audio silencioso. Si nunca ha usado Octave o MATLAB antes, no deje que eso le impida tomar este curso: aprender los conceptos básicos necesarios para hacer las tareas solo toma un par de horas y lo ayudará a pensar en las cosas en términos de operaciones vectorizadas. .
Silaba
Introducción
¡Bienvenido a Machine Learning! En este módulo, presentamos la idea central de enseñar a una computadora a aprender conceptos utilizando datos, sin ser programados explícitamente. El Wiki del curso está en construcción. Visite la pestaña de recursos para obtener la información más completa y actualizada.
Regresión lineal con una variable
La regresión lineal predice una salida de valor real basada en un valor de entrada. Discutimos la aplicación de la regresión lineal a la predicción del precio de la vivienda, presentamos la noción de una función de costo e introducimos el método de descenso de gradiente para el aprendizaje.
Revisión de álgebra lineal
Este módulo opcional proporciona una actualización de los conceptos de álgebra lineal. La comprensión básica del álgebra lineal es necesaria para el resto del curso, especialmente cuando comenzamos a cubrir modelos con múltiples variables.
Regresión lineal con múltiples variables
¿Qué pasa si su entrada tiene más de un valor? En este módulo, mostramos cómo se puede extender la regresión lineal para acomodar múltiples características de entrada. También discutimos las mejores prácticas para implementar la regresión lineal.
Octave / Matlab Tutorial
Este curso incluye tareas de programación diseñadas para ayudarlo a comprender cómo implementar los algoritmos de aprendizaje en la práctica. Para completar las tareas de programación, deberá usar Octave o MATLAB. Este módulo presenta Octave / Matlab y le muestra cómo enviar una tarea.
Regresión logística
La regresión logística es un método para clasificar datos en resultados discretos. Por ejemplo, podríamos usar la regresión logística para clasificar un correo electrónico como spam o no spam. En este módulo, presentamos la noción de clasificación, la función de costo para la regresión logística y la aplicación de la regresión logística a la clasificación de clases múltiples.
Regularización
Los modelos de aprendizaje automático deben generalizarse bien a nuevos ejemplos que el modelo no ha visto en la práctica. En este módulo, presentamos la regularización, que ayuda a evitar que los modelos sobreajusten los datos de capacitación.
Redes neuronales: representación
Las redes neuronales son un modelo inspirado en cómo funciona el cerebro. Hoy en día se usa ampliamente en muchas aplicaciones: cuando su teléfono interpreta y comprende sus comandos de voz, es probable que una red neuronal lo ayude a comprender su voz; Cuando cambia un cheque, las máquinas que leen automáticamente los dígitos también usan redes neuronales.
Redes neuronales: aprendizaje
En este módulo, presentamos el algoritmo de retropropagación que se utiliza para ayudar a aprender los parámetros para una red neuronal. Al final de este módulo, implementará su propia red neuronal para el reconocimiento de dígitos.
Consejos para aplicar Machine Learning
Aplicar el aprendizaje automático en la práctica no siempre es sencillo. En este módulo, compartimos las mejores prácticas para aplicar el aprendizaje automático en la práctica y discutimos las mejores formas de evaluar el rendimiento de los modelos aprendidos.
Diseño del sistema de aprendizaje automático
Para optimizar un algoritmo de aprendizaje automático, primero deberá comprender dónde se pueden realizar las mayores mejoras. En este módulo, discutimos cómo comprender el rendimiento de un sistema de aprendizaje automático con múltiples partes, y también cómo tratar con datos asimétricos.
Máquinas de vectores de soporte
Las máquinas de vectores de soporte, o SVM, son un algoritmo de aprendizaje automático para la clasificación. Presentamos la idea y las intuiciones detrás de SVM y discutimos cómo usarlo en la práctica.
Aprendizaje sin supervisión
Utilizamos el aprendizaje no supervisado para crear modelos que nos ayudan a comprender mejor nuestros datos. Analizamos el algoritmo k-Means para la agrupación que nos permite aprender agrupaciones de puntos de datos sin etiquetar.
Reducción de dimensionalidad
En este módulo, presentamos el Análisis de componentes principales y mostramos cómo se puede usar para la compresión de datos para acelerar los algoritmos de aprendizaje, así como para la visualización de conjuntos de datos complejos.
Detección de anomalías
Dado un gran número de puntos de datos, a veces es posible que deseemos averiguar cuáles varían significativamente del promedio. Por ejemplo, en la fabricación, podemos querer detectar defectos o anomalías. Mostramos cómo se puede modelar un conjunto de datos utilizando una distribución gaussiana y cómo se puede usar el modelo para la detección de anomalías.
Sistemas de recomendación
Cuando compra un producto en línea, la mayoría de los sitios web recomiendan automáticamente otros productos que pueden gustarle. Los sistemas de recomendación observan patrones de actividades entre diferentes usuarios y diferentes productos para producir estas recomendaciones. En este módulo, presentamos algoritmos de recomendación, como el algoritmo de filtrado colaborativo y la factorización de matriz de bajo rango.
Aprendizaje automático a gran escala
El aprendizaje automático funciona mejor cuando hay una gran cantidad de datos que aprovechar para la capacitación. En este módulo, discutimos cómo aplicar los algoritmos de aprendizaje automático con grandes conjuntos de datos.
Ejemplo de aplicación: Photo OCR
Identificar y reconocer objetos, palabras y dígitos en una imagen es una tarea difícil. Discutimos cómo se puede construir una tubería para abordar este problema y cómo analizar y mejorar el rendimiento de dicho sistema.
Espero que pueda ser de ayuda .. 🙂
Gracias.
