¿Cuáles son los requisitos previos para el curso de Machine Learning?

El aprendizaje automático es la ciencia de crear algoritmos y programas que aprenden por sí mismos. Una vez diseñados, no necesitan un humano para mejorar. Algunas de las aplicaciones comunes del aprendizaje automático incluyen: búsqueda en la web, filtros de correo no deseado, sistemas de recomendación, colocación de anuncios, calificación crediticia, detección de fraude, comercio de acciones, visión por computadora y diseño de medicamentos.

Una manera fácil de entender Machine Learning es que es humanamente imposible crear modelos para cada búsqueda o spam posible, por lo que hace que la máquina sea lo suficientemente inteligente como para aprender por sí misma. Cuando automatiza la parte posterior de la minería de datos, se conoce como aprendizaje automático.

¿Qué hace un científico de aprendizaje automático?

Realización de experimentos de aprendizaje automático utilizando un lenguaje de programación y bibliotecas de aprendizaje automático.
Implementación de soluciones de aprendizaje automático en producción.
Mejora de soluciones para escalabilidad y rendimiento.
Asegurarse de que haya un gran flujo de datos entre los sistemas de fondo y la base de datos
Implementación de código ML personalizado.
Análisis de datos y producción de casos de uso.

El aprendizaje automático básicamente se basa en las matemáticas y la programación. Puedes ver Machine Learning como la combinación perfecta de conceptos de Matemáticas y Estadística con la aplicación de Programación.

Prerrequisitos

Matemáticas y Estadística

Cálculo
Ecuaciones diferenciales
Estadística matemática
Mejoramiento
Regresión y series de tiempo
Distribuciones de probabilidad
Prueba de hipótesis
Modelado Bayesiano
Montaje de una distribución.

Programación

Programación Orientada a Objetos
Clases
Objetos
Constructores
Herencia
Abstracción
Tipos de datos
Operadores condicionales
Declaraciones de control

En mi opinión, estos son algunos de los temas importantes que deben abordarse. Aparte de estos, siempre puede profundizar en el tema para fortalecer su base.

Descargo de responsabilidad: soy cofundador de @GreyAtom y ayudo a talentos de ingeniería a encontrar carreras sostenibles en tecnologías emergentes.

Algunos enlaces rápidos

Programa – http://www.greyatom.com/full-sta…
Chatee con un consejero académico: le invitamos a compartir todas sus dudas e inseguridades, a las que haremos todo lo posible para guiarlo hacia su camino profesional hacia el éxito. https://calendly.com/greyatom/co…

Aprendizaje automáticoinformáticaInteligencia Artificialrequisitos previos

Computación paralela síncrona a granel: ¿El modelo BSP trata con la localidad de submaquinas a escala masiva?

¿Usar solo la tarjeta gráfica incorporada en la computadora portátil usará la misma potencia que la computadora portátil sin una tarjeta dedicada?

¿Cómo puedo entender los conceptos después de leerlos una o dos veces como máximo?

¿Cuánto conocimiento de codificación se necesita para llevar a cabo y mejorar los cálculos de DFT (teoría funcional de densidad)?

¿Cómo se almacenan y recuperan los datos en un disco?

¿Cuál es la mejor computadora portátil bajo Rs 60000?

No estoy seguro de a qué curso se refiere en particular. Los conceptos básicos generales necesarios para el aprendizaje automático son:

Probabilidad y estadística : se usa mucho, especialmente en clasificación. Una buena comprensión de la probabilidad condicional y el teorema de Bayes es una necesidad absoluta.
Álgebra lineal : se requiere más desde el punto de vista de la implementación. La mayoría de los procedimientos se implementan mejor como operaciones de matriz y vector en lugar de bucles. Puede usar muchos bucles for anidados para lograr los mismos resultados que las operaciones de matriz, pero eso no es computacionalmente óptimo.
Optimización : casi todos los algoritmos de ML se reducen esencialmente a un problema de optimización convexa, ya sea regresión lineal / logística o redes neuronales o SVM o métodos basados en árboles. Realmente ayuda tener una comprensión básica de la teoría de optimización.
Nota: La optimización necesariamente requiere una fuerte comprensión del cálculo diferencial.
Habilidades de programación : no necesita ser un desarrollador experto, pero las habilidades básicas de codificación son imprescindibles. Elija un lenguaje de uso común como Python para comenzar. Python es fácil de aprender y tiene muchos paquetes de código abierto para el aprendizaje automático. También se integra bien con herramientas de Big Data como Hadoop y Spark (PySpark). Es posible que estas herramientas no sean necesarias para principiantes, pero serán útiles más adelante cuando maneje conjuntos de datos masivos.
Andrew Ng usa MATLAB en su curso Coursera. Es extremadamente potente pero muy costoso al mismo tiempo. Solía usarlo cuando estaba en la universidad y tenían una licencia para ello. El OCTAVE equivalente de código abierto y gratuito simplemente no es tan bueno y algo doloroso de usar. Puede ser útil saber que la mayoría de la comunidad de aprendizaje automático usa Python. Así que recomendaría aprender eso. El desarrollo posterior de prototipos en productos generalmente ocurre en lenguajes más tradicionales como C ++ o Java.
Una computadora buena y bien mantenida : no subestimes la importancia de esto. Puede que al principio no importe, pero la falta de potencia de cómputo sin procesar y RAM puede ser frustrante al trabajar con conjuntos de datos más grandes y técnicas computacionalmente intensivas como las redes neuronales. Mantenga bien su computadora. Asegúrese siempre de que no haya polvo acumulado dentro del sistema y su unidad de enfriamiento. El polvo puede afectar significativamente el rendimiento del sistema y resultar en tiempos de entrenamiento de algoritmos más largos, así como sobrecalentamiento de la computadora.

Aamir Suhail

He publicado los requisitos previos mencionados en el curso en línea de la Universidad de Stanford de Andrew Ng disponibles en Coursera.

REQUISITOS PREVIOS

Cálculo: resuelve problemas con derivadas parciales y regla de cadena
Álgebra lineal: resume conceptos básicos de álgebra lineal, incluida la notación vectorial y las operaciones matriciales
Octave / Matlab: trabaje cómodamente con software de computación numérica, como octava o matlab

Aamir Suhail

El aprendizaje automático tiene que ver con las matemáticas. Todo el avance que se ha hecho en Machine Learning es pura matemática, y las computadoras pueden volverse inteligentes gracias a las matemáticas.

Los requisitos previos para el aprendizaje automático es tener una buena comprensión de las matemáticas de nivel secundario, poco álgebra lineal y probabilidad (con un proceso aleatorio). Estas son las matemáticas que necesitará para ser bueno en el aprendizaje automático.

Puede comenzar el aprendizaje automático estudiando Introducción al aprendizaje automático en curso por Andrew Ng y las cosas continuarán desde allí.

Espero que esto ayude.

Aamir Suhail

Princeton: álgebra lineal.
Harvard stat 110: probabilidad y estadística
Cálculo, cálculo vectorial (principalmente)
Python, los videos de Corey Schaeffer me parecen agradables.
Arriba están los requisitos previos según lo que pienso. Y les he recomendado algunos buenos cursos. Buena suerte.
Una vez que hayas comenzado:
Numpy, pandas, scikit y tensorflow.
Teoría del aprendizaje automático: Abu Mustafa de Caltech.
Redes neuronales, aprendizaje profundo: curso de Hinton, Stanford cs 231n, cs 224, aprendizaje profundo de Andrew Ng.
Ml avanzado: cursos de CMU sobre aprendizaje automático

Aamir Suhail

Los requisitos previos para un curso de aprendizaje automático son:

1- buen conocimiento de las matemáticas y en particular

2- estadísticas, estadísticas descriptivas y más en particular

3 estadísticas bayesianas. Estadísticas bayesianas – Wikipedia. Prereq fundamental es también

4 conocimientos de programación en Java, Python o mejor en R. Una buena comprensión de

5- estructuras de datos y algoritmos relacionados serán una gran ventaja durante su camino de ML.

Feliz (máquina) Aprendizaje 😉

Aamir Suhail

El pensamiento crítico es el más importante de todos. El resto son fáciles.

Aquí está mi curso sobre aprendizaje automático para todos Análisis práctico de datos y visualización con Python

Aamir Suhail