¿Dónde empiezo a aprender Machine Learning?

El aprendizaje automático es una forma de inteligencia artificial (IA) que permite que las aplicaciones de software sean más precisas para predecir los resultados de los sistemas sin ser programadas explícitamente. El aprendizaje automático es una técnica de análisis de datos que automatiza la construcción de modelos analíticos. Es una rama de la inteligencia artificial basada en la idea de que las máquinas deberían poder aprender y modificar a través de la experiencia.

El proceso de aprendizaje comienza con observaciones o datos, como ejemplos, experiencia directa o instrucción, para buscar patrones en los datos y tomar mejores decisiones en el futuro en función de los ejemplos que proporcionamos. El objetivo principal es permitir que las computadoras aprendan automatismos sin interferencia humana y ajustar las acciones en consecuencia.

Métodos de aprendizaje automático: –

Dos métodos populares principales de aprendizaje automático son el aprendizaje supervisado y el aprendizaje no supervisado. Se predice que alrededor del 70 por ciento del aprendizaje automático es aprendizaje supervisado, aunque el aprendizaje no supervisado oscila entre el 10 y el 20 por ciento. Otros métodos que se usan menos son el aprendizaje semi-supervisado y de refuerzo.

1. Algoritmos supervisados ​​de aprendizaje automático: puede aplicar lo aprendido en el pasado a nuevos datos utilizando ejemplos etiquetados para predecir eventos futuros. A partir del análisis de un conjunto de datos de entrenamiento conocido, el algoritmo de aprendizaje produce una función implícita para hacer predicciones sobre los valores de salida. El sistema puede proporcionar objetivos para cualquier entrada nueva después de una capacitación satisfactoria. El algoritmo de aprendizaje también puede comparar su salida con la salida correcta e intencionada y encontrar errores para modificar y personalizar el modelo en consecuencia.
2. Algoritmos de aprendizaje automático no supervisados: – Se utilizan cuando la información utilizada para entrenar no está clasificada ni etiquetada. El aprendizaje no supervisado estudia cómo los sistemas pueden derivar una función para describir una estructura oculta a partir de datos no etiquetados. El sistema no calcula la salida correcta, pero analiza los datos y puede extraer inferencias de conjuntos de datos para describir estructuras ocultas a partir de datos no etiquetados. Estos algoritmos no necesitan ser entrenados con los datos de resultados deseados. En cambio, utilizan un enfoque iterativo llamado Aprendizaje profundo para revisar los datos y llegar a conclusiones. Los algoritmos de aprendizaje no supervisados ​​se utilizan para tareas de procesamiento más complejas que los sistemas de algoritmos de aprendizaje supervisados.
3. Algoritmos de aprendizaje automático semi supervisados: es un poco de aprendizaje supervisado y no supervisado, y utiliza datos etiquetados y no etiquetados para el entrenamiento. En un escenario típico, el algoritmo usaría una pequeña cantidad de datos etiquetados con una gran cantidad de datos sin etiquetar. Este tipo de aprendizaje se puede usar con métodos como clasificación, regresión y predicción. Ejemplos de aprendizaje semi-supervisado serían técnicas de reconocimiento de rostro y voz.
4. Algoritmos de aprendizaje automático de refuerzo: este tipo de aprendizaje se puede utilizar nuevamente con métodos como la clasificación, la regresión y la predicción. Ejemplos de aprendizaje semi-supervisado serían técnicas de reconocimiento de rostro y voz. El aprendizaje de refuerzo ocurre cuando el agente elige acciones que maximizan la recompensa esperada durante un tiempo determinado.

El aprendizaje automático permite el análisis de grandes cantidades de datos. Si bien generalmente ofrece resultados más rápidos y precisos para identificar oportunidades beneficiosas o riesgos peligrosos, también puede requerir tiempo y recursos adicionales para capacitarlo adecuadamente. La combinación del aprendizaje automático con la inteligencia artificial y sus tecnologías intelectuales puede hacer que sea aún más eficaz en el procesamiento de grandes volúmenes de información.

¿Por qué es importante?

El aprendizaje automático también tiene muchas aplicaciones prácticas que crean resultados comerciales reales, como ahorros de tiempo y dinero, que tienen el potencial de impactar dramáticamente el futuro de su organización.

Para comprender mejor los usos del aprendizaje automático, considere algunos de los ejemplos en los que se aplica el aprendizaje automático: el automóvil autónomo de Google, la detección de fraudes cibernéticos, los motores de recomendación en línea, como las sugerencias de amigos en Facebook, son ejemplos de aprendizaje automático aplicado.

1.El aprendizaje automático se puede utilizar para mejorar aplicaciones como la detección de rostros, el reconocimiento de rostros, la clasificación de imágenes y el reconocimiento de voz.

Todos estos ejemplos reflejan el papel vital del aprendizaje automático que ha comenzado a asumir en el mundo actual rico en datos.

Si está buscando la mejor empresa de aprendizaje automático en India entonces Webtunix Solutions es una de las mejores empresas de aprendizaje automático de la India que brinda servicios de aprendizaje automático y ciencia de datos a empresas que utilizan datos disponibles públicamente en la web.

En Webtunix, estamos manipulando los problemas más avanzados en ciencia de datos e inteligencia artificial. Nuestro enfoque principal es el aprendizaje profundo, que es la herramienta más importante para el procesamiento del lenguaje natural, la ciencia de datos, la predicción de bases de datos, el procesamiento de video / imagen y la detección de objetos.

Lea más para saber sobre la solución Webtunix, que es la mejor empresa de aprendizaje automático en la India.

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 principales secciones 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 consultar 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.

Para aprender en 90 días haga clic aquí

El aprendizaje automático necesita conceptos básicos de matemáticas y algoritmos, luego puede ir con ML.

Existen muchos cursos en línea de aprendizaje automático. puedes aprender de ellos, te enseñarán desde el nivel Scratch hasta Advance.

De todos modos, te sugeriré los mejores cursos en línea de Machine Learning

1. Machine Learning AZ ™: Python práctico y R en ciencia de datos [Recomendado]

2. Deep Learning AZ ™: redes neuronales artificiales prácticas

3. Ciencia de datos y aprendizaje automático con Python: ¡manos a la obra!

Estos son los mejores en ML,

Toma curso ,

Prepárate bien.

Todo lo mejor.

Si está interesado en el campo del aprendizaje automático? ¡Entonces este curso perfecto es para ti!

Enlace al curso: Machine Learning AZ ™: Python práctico y R en ciencia de datos: aprenda a crear algoritmos de aprendizaje automático

En este curso aprenderá a crear algoritmos de aprendizaje automático en Python y R a partir de dos expertos en ciencia de datos.

Este curso ha sido diseñado por dos científicos de datos profesionales para que puedan 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 al respecto 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

¿Que aprenderás?

• 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

puede consultar el curso de IA aplicada: es una gran plataforma para los cursos en línea de Machine Learning y es uno de los mejores cursos para el aprendizaje automático. Es un curso en línea que consta de más de 140 horas de contenido que cubre

Pitón,

Probabilidades y estadísticas,

Álgebra lineal,

La visualización de datos, más de 25 técnicas de aprendizaje automático, las técnicas de aprendizaje profundo más importantes y más de 10 estudios de casos del mundo real resolvieron problemas de resolución de extremo a extremo en empresas como Amazon, Facebook, Quora, Uber, Netflix, etc.

Este curso está dirigido a estudiantes y profesionales que trabajan y desean seguir carreras en IA / ML. Ayuda a los participantes del curso a crear un portafolio de más de 5 proyectos para mostrar su trabajo a posibles reclutadores.

Puede encontrar algunos ejemplos de carteras de estudiantes actuales aquí. Este curso es muy útil para los estudiantes que buscan seguir carreras en IA. También brindan un excelente servicio al cliente, orientación profesional y certificación para el curso

Uno de los mejores videos para aprender el aprendizaje automático y la inteligencia artificial en 3–6 meses.

Comience con una base matemática sólida, ya que esto es esencial para comprender los algoritmos y resolver problemas cuando algo sale mal (cálculo / estadística / álgebra lineal). Desarrolle su intuición y familiarícese con diferentes algoritmos y enfoques (pruebe https://www.slideshare.net/Colle …). A partir de ahí, comience a jugar con datos (el repositorio UCI tiene muchos) y los algoritmos en R / Python / otro idioma 🙂

El aprendizaje automático no es más que una herramienta. Hasta que sienta que lo necesita, por algún motivo sería inútil aprenderlo por ahora. Pero dado que se usa en casi todos los campos posibles de vez en cuando, es bueno aprenderlo. Adjunto una fuente donde hay muchas fuentes de aprendizaje automático en un orden sincrónico.

Aprenda Machine Learning – Los mejores tutoriales de Machine Learning | Hackr.io

Aunque Internet es la mejor fuente aquí para usarlo correctamente, puedo decir algo específico.

1) Ve a OCW videos para MIT en youtube, están disponibles de forma gratuita.

El profesor Patrick wilson es el reconocido profesor, que explicó todos los conceptos básicos de ML con IA con ejemplos relevantes.

2) Creo que puedes hacer cursos gratuitos desde Udacity, que es mejor que Udemy.
pero para completar el proyecto tienes que registrarte para cursos pagos

3) Vea el video ML ML Training de Microsoft Azure.

4) Puedes hacer cursos desde Coursera, que es mucho más amplio que los cursos de Udacity.

Nota: cuando se registre para el curso pago, asegúrese de que podrá completar esos cursos / Tareas dentro del tiempo / Fecha límite.

¡Todo lo mejor!

Hola, recientemente hice un curso con una organización llamada Eckovation. Debo decir que tienen un currículum de curso muy bien diseñado y realmente te preparan bien para este campo. Su cohorte, que consiste en el desarrollo de habilidades más prácticas, te hará no solo teóricamente sano, sino que te dará una exposición práctica.

Mis otros dos amigos y yo nos habíamos inscrito para el curso hace 6 meses, y después de completar el curso con Eckovation, los tres pudimos encontrar pasantías decentes (organizadas por Eckovation para nosotros) con algunas compañías notables. Y ahora que hemos completado nuestras pasantías, esperamos obtener trabajos a tiempo completo en este campo, para lo cual ya estamos recibiendo una buena cantidad de invitaciones laborales. Esto no podría haber sido posible sin hacer un curso con estos muchachos.

La belleza de hacer un curso con Eckovation es que, a diferencia de otras aulas de capacitación en línea, este proporciona asistencia para aclarar dudas de manera individual. Esto es realmente útil de su parte. Puedes llamarlos directamente, enviarles un correo electrónico o conocerlos, nunca dicen que no. Además, el foro de discusión le permite reunirse y discutir con otros estudiantes como usted, para que sepa lo que otros están haciendo en la vida y cómo se están desempeñando. Además, dado que los educadores son IITianos, la sensación de ser asistidos por los propios IITianos es suficiente en sí misma para darle esa confianza. Para resumir, realmente tuve una experiencia maravillosa con estos muchachos, y recomiendo encarecidamente a otros estudiantes que prueben su curso, ya que yo mismo voy a hacer algunos cursos más con ellos. ¡Nos vemos en Eckovation!

Echa un vistazo al curso de aprendizaje automático de Eckovation aquí Eckovation.

¡Comenzando con Machine Learning en una hora!

Si eres un principiante absoluto, elige una clase en Coursera y comprométete a terminarla. Obtendrá una idea de las habilidades necesarias a medida que comience a resolver problemas, pero como muchos, muchos otros han dicho, lo más importante es comenzar y mantenerse comprometido.

Debería comenzar con el curso Andrew Ng sobre aprendizaje automático en Coursera. Creo que es la mejor manera de comenzar con ML. Sus explicaciones intuitivas de las cosas son simplemente geniales. Intente completar el curso con los plazos. Tome notas o imprima las notas proporcionadas durante el curso y revise con frecuencia lo que haga durante el curso, ya que las cosas están relacionadas entre sí. Luego intenta buscar otras fuentes.

Ya he escrito la respuesta a una pregunta similar. Aqui tienes:

La respuesta de Manish Shivanandhan a Soy editor de adquisiciones y para adquirir conocimiento y autoaprendizaje de análisis de datos y habilidades de aprendizaje automático. ¿Alguien podría ayudarme a trazar un plan?

Únase a nuestra comunidad de aprendizaje automático y aprendizaje profundo. Organizamos seminarios web todas las semanas.

¡Salud!

1. visite Learn Machine Learning – Los mejores tutoriales de Machine Learning | Hackr.io
2. Ir a través de estos 3 cursos

Espero que esto ayude.

Esta Q se ha preguntado muchas veces en diferentes sabores, consulte este enlace, por ejemplo:

¿Cómo comienzo en la teoría y programación del aprendizaje automático?

mira este video si recién estás comenzando: –