Acabo de hacer el curso para desarrolladores de Google Machine Learning Crash Course. Un curso de introducción, donde te dan los conceptos bases y ves ejemplos de implementaciones reales con TensorFlow. Estos ejemplos son los que me han animado a hacerlo.
Crash vs Machine Learning Coursera
Se trata de un curso mucho más sencillo que el de Machine Learning de Coursera y más práctico. Digamos que el curso de Coursera se centra en que entiendas como funcionan matemáticamente los algoritmos mientras que en el Crash de Google esos algoritmos son casi como cajas negras, te dan un pequeña explicación y te enseñan a implementarlo con Tensor Flow.
Y esta es la gran diferencia. El curso de Google a pesar de explicar con mucha menos profundidad los diferentes conceptos y algoritmos de Machine Learning, nos enseña a aplicarlos y a empezar a utilizar TensorFlow y Keras.
Todos los ejercicios se hacen con Google Colab, con lo que ya tenemos el entorno de desarrollo preparado. Es una gran diferencia con el curso de Cursera que se trabaja con Matalab u Octave para implementar los algoritmos. Pero no se ve nada de Tensorflow ni de como solucionar un problema real.
Citando mi comentario en la reseña de ese curso
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.
El curso de Machine Learning Crash de Google puedes hacerlo aún no teniendo un gran nivel de matemáticas, el de Coursera de Andrew Ng no
Temario: Qué se ve en el curso
Primero se empieza por una explicación del o que es el Machine Learning, principales conceptos y tipos de problemas. Y con esto ya pasa hablar de los siguientes puntos. Perdonad que haya mucho término en inglés, pero el curso es en inglés (aunque es muy sencillo seguirlo) y muchos de las keys o no tienen traducción, o al traducirlo pierde el sentido, porque en el contexto del Machine Learning todo el mundo y en todos los sitios los dicen en inglés.
- Linear Regression o Regresión lineal
- Squared loss: a popular loss function
- Gradiente descendente y gradiente descendente estocástico
- Learning rate o tasa de aprendizaje.
- Generalización
- Overfitting
- Validation set
- Feature crossing con el crossing one-hot vectors
- Nolinearialidades
- Regularización (simplicity and sparcity) (L1 and L2)
- Regresión logística
- Clasificación
- Accuracy, precision and Recall
- ROC Curve and AUC
- Redes neuronales (Training, One vs All, Softmax)
- Embeddings
Como He dicho se trabaja con Google Colab.
Para quién es
Si estás empezando y quieres aprender a implementar ejemplos sencillos. Es una buena forma de iniciarse.
Son 15 horas de curso que puedes hacer a tu ritmo, y aunque hay ejercicios no necesitas hacer entregas ni pasar ningún test.
El curso es gratis.
¿Y ahora qué?
Como son rápidos seguramente miraré el resto que tienen en Google.
Además de seguir probando algunos de los cursos que hemos dejado en el listado para ver como son y si hago alguno en serio que sea ya más avanzado.
Tengo un proyecto serio en marcha para la creación de una herramienta en el trabajo y lo que necesito ahora es empezar a aplicar todo lo que he aprendido en este tiempo y pelearme con los problemas reales.
Iré informando en el blog de mis progresos.