Curso gratis de introducción al machine learning por la universidad de Harvard

Este curso gratuito de la Universidad de San Francisco presentará a cualquier persona con experiencia en programación el aprendizaje automático y el aprendizaje profundo a través de un enfoque práctico.

¡No dejes que se pierda!

¿Están llamando los árboles de decisión o las redes neuronales multicapa? ¿Sabes qué es un dataset o datos de validación?

¿Quiere aprender a construir redes neuronales desde cero con PyTorch? Los aprenderás todos en este MOOC.

Estos cursos en línea gratuitos no tienen la opción de obtener un certificado y es completamente en inglés, y esto no debería causarte ningún problema, porque tenemos muchos cursos de inglés gratuitos que te enseñarán sobre el idioma, por lo que no cambiará. ser un obstáculo.

El curso gratuito consta de aproximadamente 24 horas de lecciones, lo que requerirá 8 horas por semana durante 12 semanas. Todo se hace a su propio ritmo.

A continuación puedes consultar el contenido del curso a grandes rasgos:

Lección 1

En esta primera lección aprenderás cómo crear un «bosque aleatorio», el modelo de aprendizaje automático más conocido, para crear una solución a la competencia Kaggle «Bull Book for Bulldozers», que lo llevará al 25% superior en el tabla de clasificación.

Lección 2

Aquí aprenderás sobre métricas, funciones de pérdida y sobreajuste.

Lección 3

En este punto del curso, aprenderás cómo leer un conjunto de datos grande y también cómo crear un bosque aleatorio para ese conjunto de datos. ¡Una lección muy completa!

Lección 4

En esta segunda mitad de la lección aprenderemos sobre dos técnicas de interpretación más importantes: las parcelas de dependencia parcial y el «intérprete de árbol».

Lección 5

En esta quinta lección continuarás aprendiendo más sobre el «intérprete de árbol», incluido el uso de gráficos en cascada para analizar su producción.

Lección 6

Ahora aprenderás a crear productos de datos basados ​​en modelos de aprendizaje automático que se basan ​​en el «Método de transmisión» y, en particular, cómo la interpretación del modelo es una parte importante de este enfoque.

Lección 7

Aquí verás brevemente la biblioteca Cython que se puede utilizar para obtener la misma velocidad que el código C con cambios mínimos en su código Python.

Lección 8

En este punto del curso pasarás a estudiar enfoques basados ​​en árboles de decisión, como bosques aleatorios, y a enfoques basados ​​en el descenso de gradientes, como el aprendizaje profundo.

Lección 9

Hoy continuamos construyendo nuestra regresión logística desde cero, y le agregamos la característica más importante: la regularización. También se comentará cómo funcionan las tasas de aprendizaje y cómo elegir una para su problema

Lección 10

En la lección de hoy, desarrollarás el modelo de PNL combinando las fortalezas de los ingenuos bayes y la regresión logística, creando el modelo híbrido «NB-SVM».

Para hacer esto, crearemos una nueva clase nn.Module en Pytorch y verás qué está haciendo detrás de escena.

Lección 11

Hoy, después de una revisión de las matemáticas detrás de los ingenuos bayes, profundizaremos en las incrustaciones, tanto para las variables categóricas en datos tabulares como para las palabras en PNL.

Lección 12

En este punto del curso crearás un modelo completo para el conjunto de datos de Rossmann, incluidas las características categóricas y continuas, y una cuidadosa ingeniería para todas las columnas.

Accede al curso usando este enlace.