Con fuertes raíces en las estadísticas, el aprendizaje automático (Machine learniong) se está convirtiendo en uno de los campos informáticos más interesantes y con mayor aceleración a escala laboral de cara al futuro.
Existe un suministro infinito de industrias y aplicaciones a las que se puede aplicar el aprendizaje automático para hacerlas más eficientes e inteligentes. Algunos ejemplos se tienen en el filtrado de spam, la publicación de anuncios, los motores de búsqueda y la detección de fraudes son algunos de los ejemplos de cómo los modelos de aprendizaje automático sustentan la vida cotidiana.
El aprendizaje automático es lo que nos permite encontrar patrones y crear modelos matemáticos para cosas que a veces serían imposibles de hacer para los humanos.
A diferencia de los cursos de ciencia de datos, que contienen temas como análisis exploratorio de datos, estadísticas, comunicación y técnicas de visualización, los cursos de aprendizaje automático se centran en la enseñanza unicamente de los algoritmos de aprendizaje automático, su funcionamiento matemático y cómo utilizarlos en un lenguaje de programación adecuado. Así pues, el presente reportaje ha recolectado los cinco mejores cursos de aprendizaje automático este año 2019.
No obstante y como bien es sabido, en la web existe un sinnúmero de cursos, tutoriales, libros y publicaciones que aseguran poseer todo lo necesario para aprender machine learning, por lo tanto, antes de presentar esta lista es importante destacar cuales han sido los criterios de inclusión utilizados en la selección de estos cursos.
¿Que hace a estos cursos tan buenos?
Para la selección de los cursos aquí presentados se tomaron en cuenta los siguientes criterios. El curso debe enfocarse estrictamente en el aprendizaje automático, usar lenguajes de programación de código abierto (Python, R u Octave), usar bibliotecas de código abierto para estos lengiajes. Adicionalmente deben contiener asignaciones de programación para la práctica ya que para efectos de aprendizaje la experiencia práctica explica cómo los algoritmos funcionan matemáticamente. otros de los criterios usados para la selección fueron que estos permitieran un método basado al propio ritmo del alumno, a pedido o disponible cada mes, o bien. clasificaciones promedio y revisiones de diversos foros.
Con eso, el conjunto general de cursos se reduce rápidamente, pero el objetivo es ayudarlo a elegir un curso que valga su tiempo y energía. Para sumergirse y aprender ML (Machine learning) tan rápido y comprensivo como posible se debería buscar varios libros a parte de solo tomar el curso on line. A continuación algunas recomendaciones:
Material de apoyo
Además de tomar cualquiera de los cursos mostrados a continuación, si eres bastante nuevo en el aprendizaje automático (noob), debes considerar leer de manera asidua los siguientes libros:
- Introducción al aprendizaje estadístico, que también está disponible de forma gratuita en la red.
Este libro es increíblemente claro y con explicaciones y ejemplos sencillos para mejorar su intuición matemática general en muchas de las técnicas fundamentales de aprendizaje automático. Este libro es más teórico, pero contiene muchos ejercicios y ejemplos que utilizan el lenguaje de programación R.
- Aprendizaje automático con Scikit-Learn y TensorFlow, también disponible a través de una suscripción de Safari.
Un buen complemento para el libro anterior ya que este texto se enfoca más en la aplicación del aprendizaje automático utilizando Python. Junto con cualquiera de los cursos a continuación, este libro reforzará sus habilidades de programación y le mostrará cómo aplicar el aprendizaje automático a los proyectos de forma inmediata. Ahora, veamos las descripciones de los cursos:
El maestro y creador de este curso para principiantes es Andrew Ng, profesor de Stanford, cofundador de Google Brain, cofundador de Coursera y el vicepresidente que hizo crecer el equipo de AI de Baidu a miles de científicos.
El curso utiliza el código abierto. Lenguaje de programación Octave en lugar de Python o R para las asignaciones. Esto podría ser un factor decisivo para algunos, pero si usted es un principiante, Octave es en realidad una forma sencilla de aprender los aspectos básicos de ML.
En general, el material del curso es extremadamente completo e intuitivamente articulado por Ng. Todas las matemáticas requeridas para entender cada algoritmo están completamente explicadas, con algunas explicaciones de cálculo y una actualización para el Álgebra Lineal. El curso es bastante autónomo, pero un poco de conocimiento de Algebra Lineal de antemano definitivamente ayudaría.
Redes: Representación Redes neuronales: Aprendizaje Consejo para aplicar Aprendizaje automático Diseño de sistema de aprendizaje de máquina Máquinas de vectores de soporte Reducción de la dimensión Detección de anomalías Sistemas de comensales Aprendizaje de máquina de gran escala
Si puede comprometerse a completar todo el curso, tendrá un buen conocimiento básico de aprendizaje automático en aproximadamente cuatro meses. Después de eso, puede pasar cómodamente a un tema más avanzado o especializado, como Deep Learning, ML Engineering o cualquier otra cosa que despierte tu interés. Este es, sin duda, el mejor curso para comenzar como recién llegado.
También enseñada por Andrew Ng, esta especialización forma parte de una serie de cursos más avanzados para cualquier persona interesada en aprender acerca de las redes neuronales y el Aprendizaje profundo (Deep learning), y cómo estos resuelven muchos problemas.
Este es naturalmente un gran seguimiento del curso de Aprendizaje automático de Ng ya que recibirá un estilo de lectura similar, pero ahora estará expuesto a usar Python para el aprendizaje automático.
Proveedor: Andrew Ng,
Costo: Gratis para auditar, $ 49 / mes para Cursos de certificados.
Contenido: redes neuronales y aprendizaje profundo, introducción a los conceptos básicos de las redes neuronales de aprendizaje profundo Redes neuronales poco profundas, redes neuronales profundas. Mejora de las redes neuronales: ajuste de hiperparámetro, regularización y optimización. Estructuración de proyectos de aprendizaje a máquina. Redes neuronales convolucionales y modelos de secuencia.
Para comprender los algoritmos presentados en este curso, ya debe estar familiarizado con el Álgebra Lineal y el aprendizaje automático en general.
- Machine Learning usando Python – Coursera
Otro curso para principiantes, pero enfocado únicamente en los algoritmos de aprendizaje automático más fundamentales. El instructor, las animaciones de diapositivas y la explicación de los algoritmos se combinan muy bien para darle una idea intuitiva de lo básico.
Este curso utiliza Python y es un poco más claro en las matemáticas detrás de los algoritmos. Con cada módulo, tendrá la oportunidad de poner en línea un ordenador portátil Jupyter interactiva en su navegador para trabajar con los nuevos conceptos que acaba de aprender.
Cada módulo refuerza su conocimiento y le brinda instrucciones concretas para usar un algoritmo en datos reales. Los consejos prácticos dados para cada algoritmo.
Cuando se le presenta un nuevo algoritmo, el instructor le brinda información sobre cómo funciona, sus ventajas y desventajas, y el tipo de situaciones en las que debería usarlo. Estos puntos a menudo quedan fuera de otros cursos y esta información es importante para que los nuevos alumnos comprendan el contexto desde un punto de vista más amplio.
Esta es otra serie avanzada de cursos que proyecta una red muy amplia. Si tiene interés en cubrir tantas técnicas de aprendizaje automático como sea posible, esta especialización es la clave para un currículo en línea equilibrado y extenso.
La instrucción en este curso es fantástica: muy bien presentada y concisa. Debido a su naturaleza avanzada, necesitará más matemáticas que cualquiera de los otros cursos enumerados hasta ahora. Si ya ha tomado un curso para principiantes y ha mejorado el álgebra lineal y el cálculo, esta es una buena opción para completar el resto de su experiencia en aprendizaje automático.
Gran parte de lo que se cubre en esta especialización es fundamental para muchos proyectos de aprendizaje automático. National Research
University High School of Economics Cost: Gratis para auditar, $ 49 / mes para cursos certificados.
Contenido: Introducción a Deep Learning, introducción a optimización, introducción a redes neuronales, Deep Learning para imágenes, representación supervisada. Cómo ganar concursos de ciencia de datos: Aprende de los mejores Kagglers. Métodos bayesianos para el aprendizaje automático, aprendizaje práctico de refuerzo. Aprendizaje profundo en la visualización por ordenador. Procesamiento del lenguaje natural, afrontar los desafíos del Gran Colisionador de Hadrones mediante el aprendizaje automático:
Este especialización requiere de 8 a 10 meses completar toda la serie de cursos, por lo que si comienza hoy, en poco menos de un año, habrá aprendido una gran cantidad de aprendizaje automático y podrá comenzar abordar más aplicaciones de vanguardia.
A lo largo de los meses, también estará creando varios proyectos reales que resultarán en una maquina que aprenderá a leer, ver y jugar. Estos proyectos serán excelentes candidatos para su cartera y harán que su GitHub se vea muy activo ante cualquier empleador interesado.
Este es un curso avanzado que tiene el requisito previo de matemáticas más alto que cualquier otro curso en esta lista. Necesitará un conocimiento muy riguroso de Álgebra Lineal, Cálculo, Probabilidad y Programación. El curso tiene asignaciones de programación interesantes en Python u Octave, pero el curso no enseña ninguno de los dos lenguajes.
Una de las mayores diferencias con este curso es la cobertura del enfoque probabilístico del aprendizaje automático. Si ha estado interesado en leer un libro de texto, como Aprendizaje automático: una perspectiva probabilística, que es uno de los libros de ciencia de datos más recomendados en los programas de maestría, este curso sería un complemento fantástico.
Proveedor: Columbia
Coste: Gratis para auditar, $ 300 para la obtención de certificado.
Temas: estimación de máxima, verosimilitud, regresión lineal, regresión de mínimos cuadrados, Ridge, desviación-varianza, regla de Bayes, máxima a inferencia posterior y clasificación de vecinos más próximos, clasificadores de Bayes, clasificadores lineales, regresión perceptiva, aproximación de Laplace, procesos gaussianos, máquinas vectoriales (SVM), medios K, algoritmos EM, datos perdidos, mezclas de gaussianos, factorización matricial, factorización matricial no negativa, modelos de factores latentes, PCA y variaciones modelos Markark, modelos ocultos de Markov modelos de espacio de estado.
Muchos de los temas en el currículo está cubierto en otros cursos dirigidos a principiantes, pero las matemáticas no se diluyen aquí.
