¿Sigue siendo el curso de aprendizaje automático de Andrew Ng el mejor curso de aprendizaje automático disponible?

He comenzado mi viaje en el aprendizaje automático tomando ese curso. Estoy estudiando ingeniería eléctrica y todo lo relacionado con el alto voltaje. Pero después de tomar ese curso, mi interés en el campo de la IA crece exponencialmente y ahora estoy haciendo prácticas en el mismo campo. Entonces, para mí, ese curso ha cambiado toda la carrera profesional mía.

Ahora veamos desde el punto de vista técnico. El curso está bien enseñado en la parte teórica. Verá cada ecuación escrita a mano en la pantalla. Verá la mejor explicación posible para que alguien entienda cómo funcionan los algoritmos. Verá el uso o estudio de caso de todos y cada uno de los algoritmos antes de sumergirse en las matemáticas en sí. Entonces, desde el punto de vista teórico, aprenderás de la mejor manera posible según yo.

Ahora desde la perspectiva de la codificación, las tareas están en octava, que no es el lenguaje de programación más popular para ML e IA en estos días. Por lo tanto, tendrá que hacer un esfuerzo adicional para aprender Python o R para hacer cosas de coll en el mundo real.

En el curso, Andrew no enseña algunos algoritmos como el árbol de decisión, el bosque aleatorio, Naive Bayes y otros algoritmos de aprendizaje generativo.

Entonces, si está buscando algo con inicio, entonces es para usted. Si conoce algo de aprendizaje automático pero todavía piensa que debería aprender más, entonces es para usted. Pero si realmente estás en el campo por algún tiempo y ahora quieres sumergirte más profundo, entonces no es para ti.

Hay varios otros cursos como cs229 en los que encontrará más matemáticas que cualquier otra cosa.

El nanogrado de aprendizaje automático de Udacity también es un buen curso si tienes algo de dinero para gastar. Se enseña en Python con todos los algoritmos que faltan en el curso de Andrew. Harás algunos proyectos también en nanodegree.

Espero eso ayude.

El aprendizaje automático siempre ha sido un campo importante en informática, pero los recientes avances en potencia de cálculo y eficiencia de algoritmos han hecho que este campo sea más prominente que nunca.

Además de coursera, existen numerosos proveedores de cursos para el aprendizaje automático, algunos de ellos son caros y otros son nominales.

He escuchado sobre el autor de diferentes fuentes.

Jamie Campbell

Tiene casi 25 años como consultor de TI, experto en comunicaciones de marketing y escritor profesional, Jamie Campbell es un entusiasta de la tecnología con una pasión por los dispositivos y un talento para la resolución de problemas.

Ha trabajado en las industrias de TI, editorial y automotriz, y también es un diseñador gráfico consumado. Además, ha sido instructor de tecnología en prestigiosas universidades de diseño y tecnología. Escribe para un blog de tecnología y ha escrito y publicado cuatro novelas.

Curso de aprendizaje automático – Jamie Campbell – Skillsoft

Este curso es ofrecido por Skillsoft (Skillsoft es una compañía estadounidense de tecnología educativa que produce software y contenido de sistemas de gestión de aprendizaje).

Skillsoft se centra principalmente en la sección B2B, por lo que debe verificar los diferentes proveedores que ofrecen el mismo curso.

Le daré a 9.5 estrellas de cada 10, medio punto deducido ya que los videos no están disponibles para descargar.

Descargar el folleto del curso

Andrew Ng’s Machine Learning es un curso de aprendizaje automático realmente bueno . Dependiendo de quién sea, podría ser el mejor curso disponible este día (finales de marzo de 2018) incluso muchos años después de su lanzamiento.

Ver detalles del curso y comentarios.

Lo anterior es especialmente así si eres alguien que:

• Es completamente nuevo en ML
• Conoce los conceptos básicos de la programación (y no necesariamente quiere invertir más tiempo en la programación de aprendizaje)
• No tiene demasiados desafíos matemáticos (es decir, recuerda los conceptos básicos del cálculo / álgebra lineal que se enseñan en la escuela secundaria)
• Quiere una comprensión sólida de lo que es ML y cómo funciona
• No tiene la intención de trabajar en aplicaciones de vanguardia utilizando ML

Para un tema relativamente complejo, este curso es una introducción suave (* ¡aunque aún es difícil!). Andrew Ng lo creó junto con Coursera durante los años formativos de los MOOC (cursos en línea masivamente abiertos) y realmente quería que cualquiera que quisiera postularse para poder entender el aprendizaje automático.

En lo que respecta a la programación, necesita muy poco más allá de si las declaraciones y los bucles. Lo mismo ocurre con las matemáticas, donde los conceptos difíciles se visualizan para usted o se abstraen por completo, apartados en un apéndice para aquellos más calificados.

Si te quedas con él, obtienes una base sólida para comprender la mecánica que hace que ML funcione y las aplicaciones para ML en el mundo real.

¿Hay partes del curso que podrían ser mejores? Ciertamente. Algunas conferencias y notas pueden usar más refinamiento y no estaría de más volver a grabar el audio estático. Pero no hay nada al respecto que menoscabe el aprendizaje de alguien sobre ML.

En pocas palabras: Machine Learning sigue siendo un excelente curso para principiantes.

Nota al margen : si está buscando algo más riguroso, más profundo y más vanguardista, Andrew Ng lanzó recientemente (en otoño de 2017) un curso renovado dedicado al Aprendizaje profundo, sobre el que escribí en una respuesta a un artículo similar pregunta.

Si encuentra útil esta respuesta, siga y consulte OpenCourser , un sitio que ayuda a los estudiantes a encontrar cursos en línea.

¿Nadie mencionó el curso de ML de Pedro Domingos en Coursera? (Pedro es profesor en la Universidad de Washington y uno de los investigadores más citados en ML).

Creo que es mucho mejor que Andrew Ng’s como primer curso en ML. Yo mismo me beneficié mucho del curso de Pedro al preparar mis propias conferencias. Las principales diferencias entre estos dos cursos son

a) Pedro fue grabado en un aula y Andrew fue grabado para MOOC (tenga en cuenta que sus videos en el aula están disponibles en YouTube, pero ese es un curso muy diferente). Yo mismo enseño los cursos de ML en el campus y en el campus electrónico para mi universidad, pero sabes qué, muchos estudiantes de campus universitario prefieren ver los videos grabados de mi curso de ML en el campus. A pesar de que la calidad de video de las conferencias en el aula siempre es mucho peor que las grabaciones MOOC, los estudiantes aún prefieren la pasión, la energía y las interacciones que solo se encuentran en el aula. La falta de interacciones es la desventaja clave de MOOC.

b) Pedro es mucho más apasionado en sus conferencias y los tonos de Andrew son a menudo algo planos.

c) Pedro cubre más temas y el enfoque de Andrew es más estrecho.

d) Finalmente, el uso de Matlab / Octave en el curso de Andrew es una mala elección. Es cierto que muchos cursos tradicionales de ML utilizaron Matlab, pero Matlab no es útil en la práctica (para grandes conjuntos de datos) ni hermoso en teoría. Hoy en día, la mayoría de los cursos de ML se imparten en Python.

Solo mis dos centavos.

Bueno, sin duda es un buen curso, pero personalmente no diré que es el mejor. Y seguramente no es suficiente si quieres convertirte en un científico de datos serio. Me he referido a algunos de mis favoritos aquí. Respuesta de Sujoy Roychowdhury a Como estudiante de primer año de una sucursal que no es CS en un IIT, ¿cómo domino las estructuras de datos, los algoritmos y el aprendizaje automático por mi cuenta?

Por cierto, necesito agregar un poco más, al menos: Minería de conjuntos de datos masivos – Universidad de Stanford – YouTube.

También hay cursos más avanzados sobre aprendizaje profundo, por ejemplo

y videos correspondientes en CS231n: Redes neuronales convolucionales para reconocimiento visual disponibles aquí

Nunca ha habido un mejor momento en la historia de la civilización para aprender si quieres.

¡Si! Este sigue siendo el mejor curso de ML disponible, inicialmente puede ver algunos inconvenientes como que no está en Python y pocas cosas son de caja negra, pero a pesar de todo, sigue siendo el mejor curso, ya que tiene una buena intuición y los módulos están realmente sincronizados. Tiene muy buenos ejercicios de programación en el mundo real y este curso requiere requisitos previos de muy alta calidad en temas como cálculo y gradiente de múltiples variables y simplemente no se apega al video de Andrew, a veces necesita explorar su tubo también para algunos temas como la propagación inversa etc.

Aquí hay algunos canales que lo ayudarán a completar este curso.

1. Derek Owens para cálculos

2. Academia Khan para cálculo multivariable

3. 3bluebrown para redes neuronales propagación hacia atrás y animación de gradiente.

Las notas en la sección de recursos son una parte muy importante ya que incluye partes que no están en el video de Andrew.

¿Todavía? ¿Cuándo fue el mejor curso de Andrew Ng?

La respuesta está en el estudiante, en tipos como tú y yo. Cada uno de nosotros tiene un intelecto, velocidad de aprendizaje y requisitos diferentes. Algunos pueden querer una comprensión más profunda, mientras que otros solo una introducción básica. Un solo curso no puede cubrir tantos temas y con tanta profundidad, de ahí la idea de temas segregados y requisitos previos.

El curso de Ng puede estar entre los mejores para el conocimiento introductorio de ML, pero seguramente le falta cuando desea una comprensión más profunda. Muchos puntos no se discuten en detalles. Además, un curso de ML debe tener ejercicios bien planificados, lo que da confianza para la resolución de problemas y actúa como banco de pruebas para algoritmos recién aprendidos. También debería haber usado un lenguaje de programación más popular (incluso una variedad diferente de lenguajes) para tener un atractivo masivo. Y la lista continúa.

Para concluir, la respuesta a la mejor es relativa a la persona, por lo que sería mejor probar algunos videos de diferentes cursos por profesores de renombre y luego decidir cuál es el mejor para usted que buscar una respuesta genérica.

Salud.

El curso de Andrew Ng debería ser el primer paso al ingresar a ML. ¿Es el mejor curso? No estoy seguro, pero es el mejor primer plato.

Su curso se desarrolla de manera que cualquier persona de cualquier origen puede comprender, desarrollar y aplicar algoritmos de ML. Se explican de forma fácil e intuitiva.

El curso de Geoffrey Hinton es otro excelente, pero es adecuado para ingenieros, matemáticos y estadísticos.

Ambos son excelentes cursos, el de Andrew Ng se explica en términos simples mientras que Geoffrey Hinton es más formal y profesional. Primero tomé el curso de Andrew y la próxima vez que tomé el de Geoffrey todavía me sorprendió, ya que agregó mucha información adicional, pero también fue un poco complejo con su referencia a todos los principales artículos publicados en ML y la prueba matemática / estadística detrás de ellos.

Otra cosa importante, el curso de Andrew es edificante y constantemente te anima. Para alguien que está tratando de aventurarse en el vasto mundo de ML, eso es motivador y lo ayuda a enfocarse para completarlo.

• ¿Deberías aprender arquitectura de computadora o aprender a usar un compilador primero?
• ¿Debería aprender gráficos de bajo nivel o aprender a usar una biblioteca de gráficos primero?
• ¿Debería aprender a escribir un programa de nivel de usuario que use archivos / subprocesos primero o aprender primero sobre aspectos internos del sistema operativo?

Definitivamente estoy en el campamento que en los tres casos anteriores, iría a elegir la primera opción cada vez . Personalmente, creo que ir a un nivel alto y centrado en la aplicación es una mejor manera de sumergir los pies en el agua y luego seguir la teoría, en lugar de al revés. Es gratificante, transmite intuición y optimiza la curiosidad y la motivación para seguir aprendiendo.

Sentí que el curso de Andrew Ng surgió como una clase de álgebra lineal o estadística más que una clase de informática.

• Se sentía bastante pesado y era de abajo hacia arriba.
• Las aplicaciones estaban un poco divorciadas de la teoría.
• Claro, hablará sobre helicópteros que usan ML, pero vuelve a las matemáticas muy rápido.
• Fue hecho en octava. Entiendo que quiere que aprendas de los conceptos básicos en lugar de usar un marco de alto nivel, pero ¿por qué no usar numpy?

  Como practicante, no gano nada aprendiendo Octave.

• De alguna manera, la conexión entre las aplicaciones y las matemáticas no parecía lo suficientemente apretada, por lo que no despertó mi curiosidad lo suficiente como para estar súper emocionado al respecto.

Aprendo mucho mejor de arriba a abajo, así que para mí, el CS231N de Andrej Karpathy fue realmente el curso que me entusiasmó sobre ML. De alguna manera, faltan algunos conceptos básicos de ML que se suponen que son requisitos previos, pero personalmente, ser arrojado al fondo y estar cerca de la aplicación para mí fue un enfoque más interesante que comenzar con conceptos básicos de teoría, y uno podría retroceder y recoger los requisitos previos relevantes. Tenía la combinación correcta de la sensación de que ML es mágico, mientras que al mismo tiempo describe técnicamente el material en términos lo suficientemente detallados como para que no haya magia bajo el capó.

En segundo lugar, tomé el curso Crash Machine Learning de Google en el trabajo, y pensé que era un curso realmente bueno en términos de centrarse en el contenido desde la perspectiva de los profesionales. No es un curso de ML académico completo, y aún así deberías regresar y tomar una clase más formal similar a Ng para complementarlo para profundizar, aunque sentí que era un curso introductorio mucho más acogedor e interesante.

Sigue siendo el mejor curso básico en mi humilde opinión. Me pareció útil seguir estas conferencias antes de tomar el curso oficial de ML en la universidad.

Después de terminar el curso de ML de Andrew Ng, recomendaría este: Redes neuronales para el aprendizaje automático | Coursera (es posible que desee omitir sus primeras semanas si tiene un fondo decente de ML). Me ayudó mucho cuando no tenía idea de lo que hablaba mi profesor en sus conferencias sobre máquinas Boltzmann.

El curso original de aprendizaje automático de Andrew Ng sigue siendo el mejor curso introductorio que existe en mi opinión, incluso si puede ser un poco anticuado. Si continúa con su serie reciente sobre aprendizaje profundo, tiene un poderoso golpe doble que iniciará su viaje de aprendizaje automático.

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 los 10 mejores videos, profesores y cursos sobre aprendizaje automático para principiantes y avanzados

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

Veo muchas respuestas largas aquí. En cuanto a la pregunta, teóricamente es el mejor curso aún disponible. Proporciona suficiente profundidad para que un principiante entienda el funcionamiento de los algoritmos. En caso de que esté buscando algoritmos de Aprendizaje profundo, entonces este curso de ML puede no ser el curso correcto. Si no conoce el matlab en profundidad que se requiere para las tareas del curso ML, no se preocupe. Todavía puede completar las tareas ya que el Dr. Ng ha incluido conferencias sobre la programación de Matlab / Octave. No es gran cosa. Lo importante es revisar los materiales teóricos y las conferencias y comprender cómo funciona.

Habiendo tomado tanto el aprendizaje de datos como el aprendizaje automático, recomiendo el primero para principiantes. Es divertido e interactivo, especialmente al final de cada conferencia, hay una sesión de preguntas y respuestas que brinda más detalles que solo conferencias. Me gustó mucho el enfoque de los profesores en la construcción de la base. Particularmente no me inclino por los cursos pagados y no quería ver ‘Quiz bloqueado’ durante todas las semanas después de haber aprendido una buena enseñanza de Andrew Ng.

Han pasado más de 5 años cuando el profesor Ng abrió su conferencia de aprendizaje automático en Coursera. Ahora, la gente usa Python, y cuando el profesor Ng enseñó en ese momento, Matlab y Octave dominaron los departamentos de CS. Creo que su conferencia sigue siendo buena y puede explicar conceptos difíciles de manera fácil y profunda, pero hay toneladas de conferencias disponibles en línea, así que solo elija una que le guste.

Personalmente, creo que sus notas de conferencia cs229 son geniales, y son mejores que Coursera: más profundidad y aún actualizadas. Además, para mí, si tienes algo de experiencia en informática o matemáticas, creo que cs231n puede ser el mejor material de aprendizaje automático para comenzar. Los apuntes y las tareas de Andrej Karthapy son increíbles, y aprenderás mucho al revisar todos los materiales del curso.

¿Es el mejor curso?

No.

¿Es el mejor curso básico?

Si.

Hay muchos cursos que son mejores, pero es posible que deba tener un requisito previo para comprender los métodos de aprendizaje automático, mientras que el curso Andrew NG no tiene ningún requisito previo. Está diseñado teniendo en cuenta a los principiantes.

Este curso tiene una combinación única de rigor académico y prácticas reglas básicas. Y la forma en que se enseña es como si tuvieras un tutor privado para ti directamente desde Stanford. El profesor Ng es un muy buen maestro. Lo único es que las tareas se deben hacer en matlab u octava (usé matlab), hubiera sido mejor si este medio fuera R o python. Pero dicho eso, es lo de menos.

Puedo decir que sí para aquellos que son principiantes en Machine Learning. Es un curso muy básico que puede comprender fácilmente cualquiera que tenga un conocimiento básico previo de álgebra lineal y probabilidad. También hay algunos otros cursos de aprendizaje automático ofrecidos en Coursera que son más detallados en términos de matemáticas detrás de los algoritmos de aprendizaje automático.