Acabo de facer o curso de programador para Curso de choque de aprendizaxe automática de Google. Un curso de iniciación, onde che dan os conceptos básicos e ver exemplos de implementacións reais con TensorFlow. Estes exemplos son os que me animaron a facelo.
Crash vs. Machine Learning Coursera
É un curso moito máis sinxelo que o de Coursera Machine Learning e máis práctico. Digamos que o curso Coursera céntrase en comprender como funcionan matemáticamente os algoritmos, mentres que no Crash de Google eses algoritmos son case como caixas negras, danche unha pequena explicación e ensínanche a implementalo con Tensor Flow.
E esta é a gran diferenza. O curso de Google, a pesar de explicar con moita menos profundidade os diferentes conceptos e algoritmos de Machine Learning, ensínanos a aplicalos e a empregar TensorFlow e Keras.
Todos os exercicios están feitos con google colab, co que xa temos preparado o ambiente de desenvolvemento. É unha gran diferenza co curso Cursera que funciona con Matalab ou Octave para implementar os algoritmos. Pero non ves nada de Tensorflow nin como resolver un problema real.
Citando o meu comentario na revisión dese curso
É bastante teórico. Pero quizais por iso pareza unha boa forma de comezar porque non só vas aprender que facer senón por que o fas.
- Cando elixir un algoritmo ou outro.
- Como elixir e definir os diferentes parámetros.
- Que problemas poden xurdir cos algoritmos e sobre todo que medidas tomar.
Podes facer o curso Crash Machine Learning de Google aínda que non teñas un alto nivel de matemáticas, Coursera de Andrew Ng non.
Axenda: o que se ve no curso
En primeiro lugar, comeza cunha explicación do que é a aprendizaxe automática, conceptos principais e tipos de problemas. E con isto, é hora de falar dos seguintes puntos. Perdoa que hai moito termo en inglés, pero o curso está en inglés (aínda que é moi doado seguilo) e moitas das claves ou non teñen tradución, ou cando se traducen perde sentido, porque no contexto de Machine Learning, todos e en todos os sitios dinos en inglés.
- Regresión Lineal ou Regresión Lineal
- Perda cadrada: unha función de perda popular
- Gradiente abaixo e degradado estocástico abaixo
- Taxa de aprendizaxe ou taxa de aprendizaxe.
- Xeneralización
- Adecuación excesiva
- Conxunto de validación
- Función de cruzamento cos cruzamentos de vectores quentes
- Nolinealidades
- Regularización (sinxeleza e escaseza) (L1 e L2)
- Regresión loxística
- Clasificación
- Precisión, precisión e retirada
- Curva ROC e AUC
- Redes neuronais (Adestramento, Un contra todos, Softmax)
- Incorporacións
Como dixen, funciona con Google Colab.
Para quen é
Se estás empezando e queres aprender a implementar exemplos sinxelos. É unha boa forma de comezar.
Por suposto, hai 15 horas que podes facer ao teu ritmo e, aínda que hai exercicios, non precisas facer entregas nin superar ningunha proba.
O curso é gratuíto.
E agora iso?
Como son rápidos seguramente mirarei o resto que teñen en Google.
- Curso de accidente
- Problema de encadramento
- Preparación de datos
- Agrupamento
- Recomendación
- Probas e depuración
- GAN
Ademais de seguir probando algúns dos cursos que deixamos na lista para ver como son e se fago algo en serio, iso xa está máis avanzado.
Teño un serio proxecto en marcha para a creación dunha ferramenta no traballo e o que agora necesito é comezar a aplicar todo o que aprendín neste tempo e loitar cos problemas reais.
Seguirei informando do meu progreso no blog.
