Acabo de completar el curso de ML por el profesor Ng después de 7 meses de seguirlo. Inmediatamente después de completar, sentí que el curso es realmente un buen paso para la práctica de ML. Por eso, ya expuse mis planes para extender el curso:
- Tome Learning From Data (Aprendizaje automático introductorio) por Caltech. Es una clase similar a la clase ML de Andrew Ng: se enseñan algoritmos ML similares y los algoritmos también se implementan en Matlab. Según el instructor, el curso imita el curso real en Caltech, con tareas que solo tienen 1 intento. Al tomar este curso y haber tomado el curso de Andrew Ng, me gustaría ver qué tan sólido es mi comprensión de los algoritmos ML y su implementación. Dos es siempre mejor que uno. 😉 ¡La semana 1 comienza el 24 de septiembre! Así que inscríbete rápido.
- Aprendizaje estadístico completo en Stanford Lagunita. Este curso enseña las perspectivas estadísticas para la mayoría de los algoritmos de aprendizaje que se enseñan en el curso ML del profesor Ng (excepto las redes neuronales). No es difícil, pero ciertamente es bueno.
- Mirando hacia adelante a las redes neuronales para el aprendizaje automático – Universidad de Toronto | Coursera por el Prof. Hinton. Este curso ampliará el conocimiento y la comprensión de NNets, algunos de los cuales el curso de Prof Ng’s ML ha proporcionado.
- Uno desafiante: implementar todas las tareas de programación para el curso de Stanford ML utilizando R y Python, preferiblemente con un uso mínimo de paquetes como scikitlearn. Bueno, no estoy seguro de cuánto tiempo tomará esto, pero sin duda es un paso para fortalecer tanto la codificación como la comprensión de mi ML.
- Una aún más desafiante: haga el curso de ML (también por Andrew Ng) en el sitio web de Stanford SEE. Este es el software abierto del curso de Stanford ML en el campus, por lo que es mucho más desafiante que el de Coursera. Esta será probablemente la tarea más desafiante que me gustaría completar.