Al ser nuevo en el aprendizaje automático en general, me gustaría comenzar a jugar y ver cuáles son las posibilidades.
Tengo curiosidad por saber qué aplicaciones puede recomendar que ofrezcan el tiempo más rápido desde la instalación hasta la producción de un resultado significativo.
Además, cualquier recomendación para obtener buenos materiales de iniciación sobre el tema del aprendizaje automático en general sería apreciada.
machine-learning
Steve Kallestad
fuente
fuente
Respuestas:
Recomendaría comenzar con algunos MOOC sobre aprendizaje automático. Por ejemplo, el curso de Andrew Ng en Coursera.
También deberías echar un vistazo a la aplicación Orange . Tiene una interfaz gráfica y probablemente sea más fácil entender algunas técnicas de ML que lo utilizan.
fuente
Para ser honesto, creo que hacer algunos proyectos te enseñará mucho más que hacer un curso completo. Una razón es que hacer un proyecto es más motivador y abierto que hacer tareas.
Un curso, si tiene el tiempo Y la motivación (motivación real), es mejor que hacer un proyecto. Los otros comentaristas han hecho buenas recomendaciones de plataforma sobre tecnología.
Creo que, desde un punto de vista divertido del proyecto, deberías hacer una pregunta y conseguir que una computadora aprenda a responderla.
Algunas buenas preguntas clásicas que tienen buenos ejemplos son:
Estos proyectos tienen las matemáticas hechas, el código hecho, y se pueden encontrar fácilmente en Google.
¡Usted puede hacer otros temas geniales!
Por último, investigo robótica, por lo que para mí las aplicaciones más divertidas son las de comportamiento. Los ejemplos pueden incluir (si puedes jugar con un arduino)
Cree una aplicación, que tal vez use la regresión logística, que aprenda cuándo apagar y encender el ventilador dada la temperatura interna y el estado de la luz en la habitación.
Cree una aplicación que le enseñe a un robot a mover un actuador, tal vez una rueda, basándose en la entrada del sensor (tal vez presionando un botón), utilizando modelos de mezcla gaussiana (aprendiendo de la demostración).
De todos modos, esos son bastante avanzados. Lo que quiero decir es que si eliges un proyecto que te gusta (realmente) y pasas unas semanas en él, aprenderás una cantidad enorme y comprenderás mucho más de lo que obtendrás haciendo algunas tareas.
fuente
Creo que Weka es un buen punto de partida. Puede hacer un montón de cosas como aprendizaje supervisado o agrupamiento y comparar fácilmente un gran conjunto de algoritmos y metodologías.
El manual de Weka es en realidad un libro sobre aprendizaje automático y minería de datos que se puede utilizar como material introductorio.
fuente
Suponiendo que esté familiarizado con la programación, recomendaría mirar scikit-learn . Tiene páginas de ayuda especialmente buenas que pueden servir como mini-tutoriales / un recorrido rápido por el aprendizaje automático. Elija un área que le parezca interesante y analice los ejemplos.
fuente
Encontré que el curso de introducción al aprendizaje automático de pluralsight codifica un gran recurso, así que comienza con Utiliza la biblioteca Encog para explorar rápidamente diferentes técnicas de ml.
fuente
Si ya conoce R Studio, entonces el paquete caret es un buen lugar para comenzar. Aquí hay algunos tutoriales:
Con R y caret, puede cargar y empalmar fácilmente conjuntos de datos, reducción de características, análisis de componentes principales, y entrenar y predecir usando varios algoritmos.
fuente
Si puede reproducir la cuadrícula de gráficos 6x3 desde el banner de la página http://scikit-learn.org/ , entonces habrá aprendido algo de ML y algo de Python. No mencionaste un idioma. Python es bastante fácil de aprender muy rápido, y scikit-learn tiene una amplia gama de algoritmos implementados.
¡Entonces prueba tus propios datos!
fuente
Además de los cursos y tutoriales publicados, sugeriría algo un poco más práctico: Kaggle tiene algunas competiciones introductorias que pueden despertar su interés (la mayoría de las personas comienzan con la competencia Titanic). Y hay una gran variedad de temas para explorar y competir cuando quieras obtener más experiencia.
fuente
Como se mencionó en las respuestas anteriores, comprenda los conceptos básicos de ML siguiendo los MOOC del profesor Andrew Ng y 'Learning From Data' del profesor Yaser Abu-Mostafa.
R es el claro ganador como la herramienta más utilizada en las competiciones de Kaggle. (No olvides consultar los recursos en la wiki y foros de Kaggle)
Aprende R y Python básicos. Pista Coursera 'Data Science' tiene un curso introductorio R . Casi todos los algoritmos se pueden encontrar en las bibliotecas Python y R. Siéntase libre de usar los algoritmos que aprendió en algunas competiciones de kaggle. Como punto de partida, compare el rendimiento de varios algoritmos en el conjunto de datos Titanic y el conjunto de datos de reconocimiento de dígitos en kaggle .
¡Y continúe practicando en varios conjuntos de datos!
fuente