Comprender los conceptos básicos, aprender Python y ser capaz de diferenciar el aprendizaje automático, la minería de datos y el aprendizaje profundo
- Presentaciones
- Una guía suave para el aprendizaje automático
- [¿Cuál es la diferencia entre Data Analytics, Data Analysis, Data Mining, Data Science, Machine Learning y Big Data?](Https://www.quora.com/What-is-the-difference-between-Data- Análisis-Datos-Análisis-Datos-Minería-Datos-Ciencia-Machine-Learning-and-Big-Data-1)
- Minería de datos frente a inteligencia artificial frente a aprendizaje automático
- Una introducción visual al aprendizaje automático
- Comenzar con [Python] (https://www.python.org/) - Sintaxis, tipos de datos, cadenas, flujo de control, funciones, clases, excepciones, redes, tareas asíncronas, decodificador de funciones, anotaciones, gestor de contexto, multiprocesamiento, etc.
- Recursos de aprendizaje automático para comenzar
- Curso de video en línea - Desarrollar aplicaciones inteligentes(Python) - Stanford Machine Learning(Octava)
- Artículos generales - La disciplina del aprendizaje automático - Algunas cosas útiles que debe saber sobre el aprendizaje automático - Libros de aprendizaje automático para principiantes - Programación de la inteligencia colectiva - Machine Learning for Hackers - Machine Learning, 2nd Edition - Minería de datos: herramientas y técnicas prácticas de aprendizaje automático, tercera edición - Practical Machine Learning
- ** Completa al menos el curso de video en línea ** - ** Comience un pequeño proyecto para crear una aplicación Python Web Crawler y un servicio RestFul para explorar los datos almacenados **
Familiarícese con las bibliotecas de Python Machine Learning
- Instalar y practicar las bibliotecas de Python - pip - asyncio - jupyter - scikit-learn - Quick Start Tutorial - Guía del usuario - Referencia de API - Galería de ejemplos - Papeles - Scikit-learn: Aprendizaje automático en Python - Diseño de API para software de aprendizaje automático: experiencias del proyecto scikit-learn - Libros - Learning scikit-learn: Aprendizaje automático en Python - Creación de sistemas de aprendizaje automático con Python - Segunda edición - Machine Learning with scikit learn tutorial - scikit-learn se basa en scipy(Scientific Python) incluye: - numpy, paquete de matriz n-dimensional base - Tutorial de Python Numpy - scipy, biblioteca fundamental para la informática científica - pandas, estructuras de datos y análisis - Cheat Sheet de Python For Data Science - sympy, matemática simbólica - matplotlib, trazado completo 2D / 3D - ipython, consola interactiva mejorada - ** Estudie scikit-learn, lea la documentación y resuma las capacidades de scikit-learn ** - Ejemplo de regresión lineal en Python - Regresión lineal utilizando scikit-learn - Regresión logística usando scikit-learn - Análisis de regresión usando el paquete Python StatsModels - Uso de la regresión logística en Python para Data Science - Regresión logística y descenso de gradiente (Cuaderno) - Análisis de regresión usando el paquete Python StatsModels - k Vecinos más cercanos en Python - Una introducción al aprendizaje supervisado a través de Scikit Learn - Una introducción al aprendizaje no supervisado a través de Scikit Learn - ** Comience un proyecto para implementar un algoritmo más simple como un perceptron, un vecino más cercano o una regresión lineal. Escriba pequeños programas para desmitificar los métodos y aprenda todas las microdecisiones necesarias para que funcione **
Aprende Redes Neuronales y entiende Deep Learning
- Cursos de video en línea - Redes neuronales para el aprendizaje automático - Libros - Deep Learning - Deep Learning Tutorial - Redes neuronales y aprendizaje profundo - Papeles - Clasificación de ImageNet con redes neuronales convolucionales profundas - Aprendizaje profundo en una cáscara de nuez: Conceptos básicos - Estudie uno del Conjunto de datos de aprendizaje automático de data.gov - Describa claramente el problema que representa el conjunto de datos - Resumir los datos usando estadísticas descriptivas - Describa las estructuras que observa en los datos y formule hipótesis sobre las relaciones en los datos. - Prueba puntual un puñado de algoritmos populares de aprendizaje automático en el conjunto de datos - Sintonice los algoritmos que funcionan bien y descubra la configuración de algoritmo y algoritmo que funciona bien en el problema
- Diseñe pequeños experimentos utilizando los conjuntos de datos para estudiar la regresión lineal o la regresión logística, luego responda una pregunta específica e informe los resultados - ** Intenta portar un código de algoritmo de código abierto de un idioma a otro **
##Avanzado
Conozca Python Frameworks for Deep Learning y concéntrese en TensorFlow
- Estudiar redes neuronales en Python - Implementación de una red neuronal desde cero en Python - Una red neuronal en 11 líneas de Python - Familiarícese con las bibliotecas de Neural Networks - Caffe, un marco de aprendizaje profundo hecho con expresión, velocidad y modularidad en mente - Theano, compilador de expresiones simbólicas CPU / GPU en python - [TensorFlow] (http://tensorflow.org/), una biblioteca de software de código abierto para el cálculo numérico utilizando gráficos de flujo de datos - Lasaña, una biblioteca liviana para construir y entrenar redes neuronales en Theano - Keras ... revisa los enlaces a continuación: - Enlaces de Deep Learning Software - Comprobar el resto de las bibliotecas de Deep Learning por idioma - Aprendizaje profundo con Python - Estudio TensorFlow - Study Keras, una biblioteca de redes neuronales de alto nivel, que permite la creación de prototipos fácil y rápida (a través de la modularidad total, el minimalismo y la extensibilidad) - Libros - Aprendizaje automático con Scikit-Learn y TensorFlow - Primer contacto con TensorFlow - Comenzando con TensorFlow - Videos - Videos de TensorFlow Silicon Valley Meetup, 19 de enero de 2016 - Videos de TensorFlow Seattle Meetup, 21 de enero de 2016 - Ejemplos de código - Aprendiendo TensorFlow - TensorFlow puntos de conocimiento - Gráfico, Sesión, Variable, Fetch, Feed, TensorBoard, Playground, Práctica de MNIST, API - Regresión lineal, modelado de regresión logística y capacitación - Gradientes y el algoritmo de propagación de retorno, Funciones de activación - CNN, RNN y LSTM, DNN - Aprendizaje no supervisado, máquina restringida de Boltzmann y filtrado colaborativo con RBM - Auto-encoders, Deep Belief Network, programación de GPU y servicio