¿Cómo dominar mejor el aprendizaje de los robots? Cómo dominar mejor el aprendizaje automático\x0d\Colorado es estudiante de doctorado en la Universidad de Berkeley y fundador de Metacademy. Metacademy es una excelente plataforma de código abierto y muchos profesionales escriben artículos wiki en esta plataforma. Actualmente, estos artículos se centran en el aprendizaje automático y la inteligencia artificial. \x0d\Según el consejo de Colorado, una mejor manera de aprender el aprendizaje automático es a través de libros. Él cree que el propósito de la lectura es tener las cosas en mente. \x0d\No es sorprendente que un estudiante de doctorado dé ese consejo. Es posible que este sitio haya recomendado consejos similares antes. Este consejo está bien, pero no creo que se aplique a todos. Si es desarrollador, desea implementar algoritmos de aprendizaje automático. Los libros que se enumeran a continuación son una buena referencia de la que puede aprender paso a paso. \x0d\Machine Learning Roadmap\x0d\Su hoja de ruta para el aprendizaje automático se divide en cinco niveles, y cada nivel corresponde a un libro que debe dominarse. Los cinco niveles son los siguientes:\x0d\Nivel 0 (principiante): Lectura de inteligencia de datos: uso de la ciencia de datos para transformar información en conocimientos. Requiere conocimiento de hojas de cálculo y flujo de datos avanzado con algunos algoritmos. \x0d\Nivel 1 (Aprendiz): use R para leer el aprendizaje automático y aprenda a aplicar diferentes algoritmos de aprendizaje automático en lenguaje R en diferentes situaciones. Necesita algunos conocimientos básicos de programación, álgebra lineal, cálculo y teoría de probabilidades. \x0d\Nivel 2 (Trabajador calificado): Leer reconocimiento de patrones y aprendizaje automático. Comprender matemáticamente cómo funcionan los algoritmos de aprendizaje automático. Comprenda y depure el resultado de los métodos de aprendizaje automático y obtenga una comprensión más profunda de los conceptos de aprendizaje automático. Necesita algoritmos, buena álgebra lineal, algo de integración de vectores y algo de experiencia en la implementación de algoritmos. \x0d\Nivel 3 (Maestría): Lectura de Modelos Gráficos Probabilísticos: Principios y Técnicas. Tener un conocimiento profundo de algunos temas avanzados, como optimización convexa, optimización combinatoria, teoría de probabilidad, geometría diferencial y otros conocimientos matemáticos. Comprender profundamente los modelos gráficos probabilísticos, saber cuándo usarlos y cómo interpretar su resultado. \x0d\Leval 4 (Maestro): Siéntete libre de aprender y recuerda dar comentarios a la comunidad. \x0d\Colorado ofrece sugerencias de lectura para los capítulos del libro enumerados en cada nivel y proporciona proyectos relacionados de alto nivel que se recomiendan para su comprensión. \x0d\Colorado volvió a publicar una publicación de blog con ligeros cambios en la hoja de ruta. Eliminó el último nivel y definió los nuevos niveles como: Curioso, Novato, Aprendiz, Oficial, Maestro. Dijo que aquellos que sientan curiosidad por el aprendizaje automático de nivel 0 no deberían leer libros relevantes, sino explorar y ver los mejores videos relacionados con el aprendizaje automático. \x0d\Temas olvidados en el aprendizaje automático\x0d\Scott Locklin también leyó el blog de Colorado y se inspiró. Escribió un artículo correspondiente llamado "Ideas pasadas por alto en el aprendizaje automático" (completo con hermosas imágenes de Boris Atzbashev). \x0d\Scott cree que las recomendaciones dadas por Colorado no introducen completamente el campo del aprendizaje automático. Cree que pocos libros hacen eso, pero todavía le gusta el libro "Aprendizaje automático: el arte y la ciencia de los algoritmos que hacen que los datos sean significativos" de Peter Flach, porque este libro también aborda algunas tecnologías oscuras. \x0d\Scott enumeró demasiadas cosas que se han ignorado en el libro. De la siguiente manera:\x0d\Aprendizaje en tiempo real: muy importante para la transmisión de datos y big data. Ver Vowpal Wabbit. \x0d\Aprendizaje reforzado: discutido en robótica, rara vez en aprendizaje automático. \x0d\ "Compresión\ "Tecnología de predicción de secuencias: datos comprimidos para descubrir patrones de aprendizaje. Consulte CompLearn. \x0d\Tecnología orientada al tiempo. \x0d\Predicción de coherencia: modelos de estimación precisos para el aprendizaje en tiempo real. \x0d\Aprendizaje automático en el contexto del ruido: como PNL y CV. \x0d\Ingeniería de funciones: la clave para un aprendizaje automático exitoso. \x0d\Aprendizaje no supervisado y semisupervisado.
\x0d\Esta lista señala áreas del aprendizaje automático que han pasado desapercibidas. \x0d\Finalmente, tengo una hoja de ruta para el aprendizaje automático. Al igual que Colorado, mi hoja de ruta se limita al aprendizaje automático supervisado de tipo clasificación/regresión, pero aún es un trabajo en progreso y todos los temas de interés necesitan más investigación y adiciones. A diferencia del anterior "simplemente lea estos libros", esta hoja de ruta brindará pasos detallados.