Después de aprender Python, ¿cómo aprendo el aprendizaje automático / IA?

La buena noticia es que no es necesario tener una comprensión a nivel de doctorado de los aspectos teóricos del aprendizaje automático para practicar. Entonces, la mejor manera de comenzar a usar Python para el aprendizaje automático es completar un pequeño proyecto.

Le recomiendo que pruebe este Proyecto para principiantes Hola mundo del aprendizaje automático en Python

Este es un buen proyecto porque se entiende muy bien.

• Los atributos son numéricos, por lo que debe descubrir cómo cargar y manejar datos.
• Es un problema de clasificación, que le permite practicar con quizás un tipo más fácil de algoritmo de aprendizaje supervisado.
• Es un problema de clasificación de varias clases (multi-nominal) que puede requerir un manejo especializado.
• Solo tiene 4 atributos y 150 filas, lo que significa que es pequeño y cabe fácilmente en la memoria (y una pantalla o página A4).
• Todos los atributos numéricos están en las mismas unidades y en la misma escala, y no requieren ninguna escala especial o transformaciones para comenzar.

Es realmente genial que hayas elegido Python. En este momento hay muchas personas debatiendo sobre cuál es un mejor idioma para aprender. R es la mejor opción con visualización, tiene algunos paquetes de visualización fuertes como ggplot2, ggvis, googleVis y rCharts. Sin embargo, R se experimenta como lento debido a un código mal escrito. Mientras que para Python, como debe saber, es un lenguaje intuitivo de propósito general. Aumenta relativamente la velocidad a la que puede escribir su programa. El marco de prueba de Python es un marco de prueba integrado de baja barrera de entrada que fomenta una buena cobertura de prueba. Esto garantiza que su código sea reutilizable y confiable.

Dado que usted es experto en python, el aprendizaje automático no le parecerá un gran problema. Seguramente necesita practicar más y más en conjuntos de datos reales y hacer mucho más que limitarse a lo básico de ML. En primer lugar, debe fortalecer su comprensión de las estadísticas, ya que podría ayudarlo a comprender mejor los algoritmos. Debe tener una buena comprensión de la distribución de probabilidad, muestreo, pruebas de hipótesis y modelado bayesiano.

Después de completar esto, tendría un conocimiento sólido de los conceptos básicos necesarios para construir una intuición para el aprendizaje automático. El aprendizaje automático es el desarrollo de programas informáticos que pueden acceder a los datos y aprenderlos por sí mismos. Esto se puede hacer usando algoritmos. Hemos clasificado ampliamente los algoritmos en 3 categorías. Supervisado, sin supervisión y refuerzo. Algunos algoritmos de ML “imprescindibles”.

• Algoritmo de clasificador Naïve Bayes
• K significa algoritmo de agrupamiento
• Soporte Vector Algoritmo de Máquina
• Regresión lineal
• Regresión logística
• Bosques al azar
• Árboles de decisión

Aunque el requisito principal para convertirse en un científico de datos será a través de la práctica y la práctica solamente. Siempre es bueno tener una red social. Debes comenzar a asistir a más y más reuniones sobre Machine Learning. Tienes la oportunidad de aprender mucho.

También puede intentar trabajar junto con el aprendizaje. Puede optar por pasantías en algunas de las empresas de ciencia de datos. Obtendrá la experiencia de la industria con el conocimiento académico que cubrirá al estudiar estos temas. La mayoría de las grandes compañías tecnológicas usan Data Science. Todas estas empresas deberían tener puestos de prácticas de Machine Learning. Te recomendaría ir a Internshala, Linkedin, Glassdoor, Monster y buscar pasantías de Machine Learning.

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

El programa insignia altamente selectivo de GreyAtom tiene como objetivo orientar a los profesionales que trabajan y los más novedosos en el inicio de su carrera de ciencia de datos. Los estudiantes crearon proyectos a partir de conjuntos de datos REALES y declaraciones de problemas proporcionadas por nuestra industria y socios de contratación. El programa se basa en el aula y está fuertemente orientado a la práctica. GreyAtom es un ecosistema donde los estudiantes pueden aprovechar lo mejor de la academia, profesionales de la industria y personas influyentes.

Algunos enlaces rápidos

• Programa – http://www.greyatom.com/data-sci …
• 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 …

¿Cómo aprendes algo?

1. Necesitas una guia
2. Necesitas práctica – autoexplicativo

Sus opciones para la guía son:

• Youtube : busque videos relevantes e invierta tiempo en verlos. gratis pero lento.
• Udmey / Coursera : busque cursos relevantes y únase a uno y comience. Buenos cursos teóricos disponibles. ¡Con una opción paga también obtienes tareas para practicar!
• Únase a una capacitación dirigida por un instructor : esto funciona mejor si desea resultados inmediatos, necesita un enfoque de aprendizaje bien investigado y estructurado

Para mí, he hecho los tres 🙂

Comencé con YouTube y pasé horas viendo videos aburridos de aprendizaje automático en mi sofá. Decidí comprar Chromecast y emitir los videos en el televisor para poder verlo desde mi cama en el televisor de pantalla grande de mi habitación.

El mayor error de mi vida.

Esta configuración se convirtió en una poderosa máquina para dormir. Recuerdo una lista de reproducción que solía ver y cuando el caballero del video solía alcanzar la regresión lineal, solía quedarme dormido constantemente 🙂

Claramente esto no estaba funcionando. Entonces decidí otro enfoque …

Me inscribí en el curso Coursera por el profesor de Harvard. Estaba decidido a aprender y convertirme en un campeón. Hice los primeros 3 videos en serio y seguí el plan. Algo sucedió después de eso, no me conecté con el instructor. Simplemente no pude encontrar tiempo para dedicarme al curso y terminarlo a tiempo. Poco a poco me retrasé tanto en mis listas de tareas y tareas que me di por vencido.

No funcionó.

Me inscribí en un curso de Udmey y fue la misma historia de Coursera nuevamente.

Me estaba inquietando y fue entonces cuando finalmente decidí unirme a un curso de capacitación dirigido por un instructor. Esta fue la mejor decisión de mi vida. Simplemente funcionó y luego me di cuenta por la siguiente razón simple:

Con una persona viva, podría involucrarme y hacer preguntas y obtener respuestas. Era noche y día en comparación con el tráfico unidireccional de videos pregrabados.

He llegado a creer que hay algunas personas que tienen mis rasgos de aprendizaje y solo pueden aprender bajo la guía de un instructor en vivo. Creo tanto en esta idea que decidí enseñar el aprendizaje automático con Python.

No dudes en escribirme a [correo electrónico protegido]

¡Me encantaría saber de usted y responder a sus preguntas!

Comencé un grupo de Facebook: Aprendizaje automático con Python – Grupo de Facebook , ¡te animo a unirte a él para mantenerte en contacto conmigo y aprender sobre el aprendizaje automático!

He impartido un seminario web sobre Aprendizaje automático con Python . ¿Verlo si desea obtener una estructura detallada de qué aprender?

Machine Learning es uno de los campos más interesantes, difíciles y dorados en el campo de la CS. He estado aprendiendo durante los últimos 8 meses y creo que es muy difícil pero interesante al mismo tiempo.

Desde mi experiencia personal antes de comenzar el aprendizaje automático, necesita aprender algunos conceptos básicos de probabilidad, estadística y álgebra. Créeme, serán muy útiles. No estoy diciendo que tenga una buena práctica al respecto, pero solo los temas y términos a nivel escolar deberían ser claros.

Python es rico en ML. Hay muchas bibliotecas y recursos para trabajar en ello. El más utilizado es “SKlearn”.

Aprendo los conceptos básicos de esta serie de videos.

Créeme, este hombre es increíble. Obtendrá una buena base de ML y podrá trabajar en proyectos básicos.

(Esta es mi forma de aprender, prefiero aprender primero lo básico a través de series de videos y luego ir a reservar para obtener un conocimiento más detallado).

Luego descargué algunos libros electrónicos como “La experiencia práctica de Jason Bell”. El buen autor tiene información detallada sobre ML.

Una vez que haya terminado con todo lo anterior, estará listo para hacer su primer proyecto. Hacer un proyecto no importa si lo grande que es te hace aferrarte a los conceptos más fuertes y aprendes a implementarlos de manera práctica.

Pero es solo el comienzo. Tendrá que trabajar más y más y nunca terminará.

Feliz codificación …

En los próximos pasos, le recomendaría que se concentre en desarrollar su comprensión con los siguientes dominios

• Estadísticas (estadísticas descriptivas e inferenciales y estadísticas comerciales). Intente aplicar conceptos estadísticos con problemas comerciales
• Tome algunos cursos de negocios o investigación en línea (Finanzas, Marketing, Operaciones, Contabilidad, Recursos humanos, Bioinformática, IOT) y comprenda cómo se generan y usan los datos en la toma de decisiones en estos diferentes dominios.
• Lea sobre diferentes algoritmos de ML, entienda cómo funcionan, en qué situaciones se aplican
• Descargue este libro electrónico gratuito sobre aprendizaje automático de Matlab, es un excelente recurso para comenzar
• Aprendizaje automático con MATLAB
• Comience a trabajar con proyectos de aprendizaje automático publicados en plataformas como Kaggle. Para tener una idea de cómo comenzar, siempre revise los proyectos completados

Estos tres pasos lo ayudarán a comenzar con el aprendizaje automático. Después de adquirir algo de experiencia en este dominio, podría recomendarle que continúe con las aplicaciones de nivel superior, como la inteligencia artificial.

Puedes seguir esta publicación sobre recursos de aprendizaje de IA

¿Cómo empiezo a aprender inteligencia artificial? ¿Es posible obtener trabajo de investigación en el campo de la IA? ¿Hay proyectos de código abierto donde puedo contribuir?

Sugeriré el mejor curso en línea de Machine Learning y AI.

Mejor curso de aprendizaje automático

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

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.

==> Aprendizaje automático por la Universidad de Stanford, mentor: Andrew Ng, cofundador, Coursera

El aprendizaje automático es la ciencia de hacer que las computadoras actúen sin ser programadas explícitamente.

Este curso proporciona una amplia introducción al aprendizaje automático, la minería de datos y el reconocimiento de patrones estadísticos.

Los temas incluyen:

(i) Aprendizaje supervisado (algoritmos paramétricos / no paramétricos, máquinas de vectores de soporte, núcleos, redes neuronales).

(ii) Aprendizaje no supervisado (agrupamiento, reducción de dimensionalidad, sistemas de recomendación, aprendizaje profundo).

(iii) Mejores prácticas en aprendizaje automático (teoría del sesgo / varianza; proceso de innovación en aprendizaje automático y IA).

El curso también se basará en numerosos estudios de casos y aplicaciones, para que también aprenda a aplicar algoritmos de aprendizaje para construir robots inteligentes (percepción, control), comprensión de texto (búsqueda web, antispam), visión por computadora, informática médica. , audio, minería de bases de datos y otras áreas.

==> Inteligencia Artificial AZ ™: Aprenda a construir una IA

Aprenda los conceptos clave de IA y el entrenamiento de intuición para ponerse al día rápidamente con todas las cosas de IA. Cubierta:

• Cómo comenzar a construir IA sin experiencia previa en codificación usando Python
• Cómo fusionar AI con OpenAI Gym para aprender de la manera más efectiva posible
• Cómo optimizar tu IA para alcanzar su máximo potencial en el mundo real

Esto es lo que obtendrá con este curso:

1. Completa habilidades de inteligencia artificial para principiantes y expertos : aprenda a codificar inteligencia artificial que mejora por sí misma para una variedad de propósitos. De hecho, codificamos junto con usted. Cada tutorial comienza con una página en blanco y escribimos el código desde cero. De esta manera, puede seguir y comprender exactamente cómo se une el código y qué significa cada línea.

2. Plantillas de código: además, obtendrá plantillas de código de Python descargables para cada IA ​​que cree en el curso. Esto hace que construir una IA verdaderamente única sea tan simple como cambiar algunas líneas de código. Si liberas tu imaginación, el potencial es ilimitado.

3. Tutoriales de intuición: donde la mayoría de los cursos simplemente te bombardean con una teoría densa y te ponen en camino, creemos en desarrollar una comprensión profunda no solo de lo que estás haciendo, sino por qué lo estás haciendo. Es por eso que no te lanzamos matemáticas complejas, sino que te enfocas en desarrollar tu intuición en la codificación de la IA para obtener resultados infinitamente mejores en el futuro.

4. Soluciones del mundo real: lograrás tu objetivo no solo en 1 juego, sino también en 3. Cada módulo se compone de diferentes estructuras y dificultades, lo que significa que serás lo suficientemente hábil para construir una IA adaptable a cualquier entorno en la vida real, en lugar de simplemente pasar una memoria glorificada “prueba y olvida” como la mayoría de los otros cursos. La práctica realmente hace la perfección.

5. Soporte en curso: estamos totalmente comprometidos a hacer de este el curso de IA más accesible y orientado a resultados del planeta. Esto requiere que estemos allí cuando necesite nuestra ayuda. Es por eso que hemos reunido un equipo de científicos de datos profesionales para apoyarlo en su viaje, lo que significa que recibirá una respuesta de nosotros dentro de un máximo de 48 horas.

Todo lo mejor…

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

Como alguien que tenía las mismas preguntas hace unos meses, creo que es importante que sepas que ML es y quieres estudiarlo. Por lo general, el principal problema al aprender ML es saber, ¿desde dónde debemos comenzar?

Comencé con el aprendizaje supervisado, aprendí regresión, SVM, árboles de decisión, etc. Construí algunos modelos, los practiqué, entendí las matemáticas detrás de ellos e hice algunos proyectos.

Luego puede ingresar al aprendizaje no supervisado y al aprendizaje profundo, porque eso lo ayudará a comprender mejor las cosas. Comenzar directamente con el aprendizaje profundo o el aprendizaje no supervisado puede ser un poco desafiante.

Afortunadamente para los programadores de Python, tenemos todos los modelos necesarios, conjuntos de datos, preprocesamiento, etc. integrados en Scikit Learn (proyecto de Google). La documentación es impresionante y los ejemplos son muy claros. Podemos usar fácilmente estas API de alto nivel del estante.

Si está buscando recursos, hay muchos cursos populares en línea y canales de YouTube que puede buscar.

El curso de Andrew Ng en Coursera, la Introducción de Udacity a ML son mis 2 favoritos para comenzar. También vale la pena ver los videos de Siraj Raval y los tutoriales de Sentdex.

Espero que esto sea de ayuda.

Por favor, hágame saber sus opiniones.

Learning Python y ML / AI no están relacionados. Python es un lenguaje de programación de alto nivel de propósito general, mientras que ML / AI es una disciplina en ciencias de la computación / matemáticas.

Si desea comenzar a aprender sobre ML / AI, le sugiero que lea algunas referencias amplias y no técnicas que explican de qué se tratan estos dominios. Luego, asegúrese de tener los requisitos matemáticos necesarios (como probabilidad básica, estadísticas, cálculo y, lo más importante, álgebra lineal). Finalmente, puede registrarse para una clase en línea en ML, como la clase Coursera de Andrew Ng.

Entonces, si sabe cómo jugar con python, puede estudiar cómo funcionan los modelos de aprendizaje automático y la ciencia que los respalda.

Aprenda el aprendizaje automático y la ciencia de datos – Data Science 101 – Aplicaciones de Android en Google Play

Puedes leer mi plan de 30 días para sobresalir en el aprendizaje automático

La respuesta de Miten Solanki a ¿Dónde puedo aprender el aprendizaje automático de forma gratuita en 30 días?

¡Buena suerte!

Tal vez, creo que deberías echar un vistazo y estudiar los siguientes sitios:

• aprendizaje automático: scikit-learn: aprendizaje automático en Python
• manejo de datos: Python Data Analysis Library
• visualización de datos: trazado de Python – documentación de Matplotlib 2.0.2
• aprendizaje profundo: TensorFlow

y deberías desafiar a kaggle: tu hogar para la ciencia de datos.

Con AI / Machine Learning, supongo que se refiere principalmente a Deep Learning (DL). Si quieres hacer Dl, python es el camino a seguir. Escribir el código no es difícil, pero debes saber cómo funcionan las redes neuronales.

Un buen comienzo para conocer DL es tomar Andrew Ngs Coursera MOOC y luego tomar el curso Googles DL en Udacity.

Después de eso, es de esperar que comprenda algo y ahora pueda hacer proyectos con Keras, que es una herramienta muy simple pero poderosa para DL a la que se accede a través de Python.

Supongo que desea aplicar DL a cosas prácticas y, en ese caso, las matemáticas que no son aparte de esos cursos no son tan necesarias.

¡Buena suerte!

Si no has aprendido álgebra lineal, hazlo. Es uno de los requisitos previos esenciales para ML. Para MOOC, recomiendo el CS7641 en Udacity. Por último, la parte más divertida es la práctica, este libro es el mejor que he encontrado hasta ahora. Aprendes todo el proceso de aprendizaje automático.