Acabo de completar el curso de ML del Prof Ng después de 7 meses de haberlo seguido. Inmediatamente después de completar, sentí que el curso es un muy buen trampolín para seguir practicando ML. Por lo tanto, ya expuse mis planes para extender el curso:
- Take Learning From Data (Aprendizaje automático introductorio) de 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 cuán sólido es mi comprensión de los algoritmos de ML y su implementación. Dos es siempre mejor que uno. 😉 ¡La semana 1 comienza el 24 de septiembre! Entonces inscríbase 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 extenderá el conocimiento y la comprensión sobre NNets, algunos de los cuales ha proporcionado el curso ML de Prof Ng.
- Un desafío: implementar todas las tareas de programación para el curso de Stanford ML usando R y Python, preferiblemente con un uso mínimo de paquetes como scikitlearn. Bueno, no estoy seguro de cuánto tiempo llevará esto, pero seguramente es un paso para fortalecer mi codificación y comprensión de ML.
- Aún más desafiante: haz el curso de ML (también por Andrew Ng) en el sitio web de Stanford SEE. Este es el material de curso abierto del curso de Stanford ML en el campus, por lo tanto, es mucho más desafiante que el de Coursera. Esta probablemente será la tarea más desafiante que me gustaría completar.