He acabado el curso de Machine Learning de Coursera

He acabado el Curso de Machine Learning ofrecido por la universidad de Stanford en Coursera, y como ya son varios los que me han preguntado en abierto y en privado sobre el mismo, he querido detallar un poco más lo que me ha parecido y que el que decida hacerlo sepa con qué se va a encontrar.

Se trata de un curso gratuito sobre Machine Learning, impartido por Andrew Ng. una vez acabado si quieres puedes tener un certificado donde se avala las aptitudes conseguidas por 68€.  Está dividido en 3 pilares, vídeos, Exámenes o Quizz y ejercicios de programación. Está en inglés. Tienes subtítulos en varios idiomas, pero los españoles no están muy bien y a veces van desfasados, mucho mejor que los pongas en inglés.

Es bastante teórico. Pero quizás por eso me parece una buena forma de iniciarse porque no sólo vas a aprender qué hacer sino por qué lo haces.

• Cuándo elegir un algoritmo u otro.
• Cómo elegir y definir los diferentes parámetros.
• Qué problemas pueden surgir con los algoritmos y sobre todo qué medidas tomar.

Tiene mucha álgebra y algo de cálculo, y a ver, como lo explico, realmente no vas a tener que operar, no vas a tener que llegar a esas ecuaciones, demostrarlas, ni modificarlas, bueno tan sólo vectorizarlas. Así que aunque tu nivel de matemáticas no sea bueno podrías hacer el curso, pero claro, estar horas viendo y escuchando vídeos donde explican cada término como influye y por qué está ahí, es duro.

Si no sabes que es el Machine Learning, digamos que es una parte de la Inteligencia Artificial que se dedica a los algoritmos que hacen que todo esto de la vision artificial, clasificación del spam, etc, etc funcionen.

A mí me ha cambiado la visión que tenía. Cuando pensabas en este tipo de problemas los afrontabas desde un punto de vista de programación, pensando en bucles, en condiciones, etc y realmente son todo funciones, minimizaciones de funciones coste, que peuden ser distancias entre puntos. Predicciones a base de regresiones, etc, etc

Resumen del curso

Así por encima estas son las principales partes del curso, dividido en dos, la parte de Supervised y la de Unsupervised

Supervised Learning

• Model and Cost function
• Gradient descent for linear regression (Gradiente descendiente para regresiones lineales y logística)
• Regularización
• Redes neuronales (Neural Networks)
• Large Machine Classification y Kernels
• Principal Component Analysis (PCA)
• Machine Learning system design
• Support Vector Machines

Unsupervised Learning

• Dimensionality Reduction
• Anomaly Detection
• Recommender Systems
• Large Scale Machine Learning

Me dejo cosas pero vamos es lo principal, luego todo se desglosa.

Para la práctica se utiliza Matlab u Octave que podríamos decir el el Matlab OpenSource. Yo he hecho el curso con Octave. Como indican en los primeros cursos, han elegidos estas herramientas porque permiten un rápido prototipado de los algoritmos. Con otras herramientas el alumno estaría demasiado tiempo programando.

Lo que es cierto es que aunque no es sencillo, te lo dejan todo preparado para que tú le des la puntilla. Todo el entorno lo tienes listo para los ejercicios, los sets de datos, los plots de las gráficas, muchas las funciones y variables a usar y el alumno lo que hace es rellenar unas cuantas líneas con los algoritmos principales.

Que repito, no es trivial, sobre todo porque pasas mucho tiempo viendo como se hace algo con Octave.

Aplicaciones prácticas

Viendo ejemplos de aplicaciones y de lo que se puede hacer no tengo ninguna duda de que esto es el futuro de la industria. Cualquier empresa va a acabar implementando soluciones con machine learning, inteligencia artificial o como queramos llamarle para mejorr las prediccioens, controlar la calidad y mejorar los diferentes procesos productivos. Atentos que no hablo sólo de aplicaciones, ni del mundo online, sino de empresas físicas, de servicios, producción, logística, etc.

Además de las ya conocidas, reconocimiento de voz, OCR, visión artificial, traductores de idiomas,

Sistemas de reomendación, predicciones

Y ahora qué

Este año mi idea es intentar poner en práctica lo que he aprendido creando algunas herramientas que nos serían de gran ayuda en el trabajo. Sé que no va a ser fácily que voy a tener que familiarizarme con Python y algún framework, bien Tensor Flow, PyTorch y alguna librería como Numpy. Tengo que sondear el mercado.

Ademś me gustaría profundizar en Deep Learning con el curso gratis que ofrecen en http://course.fast.ai/ y empezar también con Big Data otro de los campos relacionados con la inteligencia artificial y el Machine Learning y que también me sería muy útil en mi trabajo. He estado mirando a especialización en Big Data de Coursera  hay mejores pero muchísimo más caras.

Si tienes alguna duda puedes dejar un comentario.