Por Tirthajyoti Sarkar ON Semiconductor
¿Por qué este artículo?
Muchos jóvenes profesionales, que han comenzado su viaje hacia la ciencia de la información y el aprendizaje automático, enfrentan un problema común: completaron uno o dos cursos básicos en línea, realizaron algunas lecciones de programación, presentaron un par de proyectos en Github y luego … luego, ¿qué?
¿Qué aprender? ¿Dónde encontrar recursos específicos?
En uno de mis artículos anteriores sobre Medium (publicado por TDS Team ), comenté, en detalle, dónde puede encontrar MOOC (Curso en línea masivo y abierto). ) para iniciar su viaje hacia la ciencia de datos y el aprendizaje automático . Ese artículo asumió que el lector era un principiante y cubre los MOOC esenciales, que están optimizados para el aprendizaje básico e intermedio. Puede verificarlo aquí,
Escribí otro artículo detallado centrado específicamente en el tema de los conceptos matemáticos que necesita dominar para la ciencia de datos y el aprendizaje automático y qué cursos estudiar. Puede verificarlo aquí,
Recientemente, he estado recibiendo muchos mensajes en mi correo electrónico personal y en la bandeja de entrada de LinkedIn, principalmente de profesionales jóvenes y brillantes. Preguntas similares y mis sugerencias sobre cursos en línea.
La mayoría de las veces tengo una respuesta lista para esos mensajes. Solo les envío una lista de mis artículos (que, a su vez, contiene enlaces y referencias a otros artículos altamente citados de KDnuggets o Team AV ). En la mayoría de los casos, recibo respuestas felices: -)
Sin embargo, desde que escribí esos artículos, personalmente he tomado algunos cursos más avanzados en inteligencia artificial y aprendizaje automático (ML), he visto discusiones y comentarios sobre algunos más, y naturalmente sentí la necesidad de actualizar esas referencias.
Después de pensarlo un poco, decidí que es mejor dejar los artículos originales, ya que atienden a los principiantes y han servido bien para muchos lectores e intentan compilar una lista nueva de artículos en línea. cursos
De eso trata este artículo.
¿Qué quiero decir con curso de nivel “avanzado”?
Avanzado “es un término relativo. Es mejor tener una línea de base para explicar la palabra en este contexto. Afortunadamente, casi tenemos un estándar de oro cuando se trata de ML en línea MOOC – Prof. Curso de Coursera Andrew Ng (el original, no la especialización de Deeplearning.ai ).
Por lo tanto, como ‘avanzado’, en este artículo, aludo a dos características, que deben estar presentes (no necesariamente simultáneamente) en los cursos que se discutirán,
- Significativamente más amplio que El curso mencionado anteriormente cubre temas más avanzados y diversos.
- Enfoque altamente especializado relacionado con AI o ML
Espero dejar en claro que mi intención no es decir que el curso del Prof. Ng sea rudimentario. Sigue siendo la mejor introducción al mundo del aprendizaje automático que se puede pedir, especialmente para los principiantes. Pero, después de terminar el curso, haga algo de programación, se sienta cómodo con los conceptos matemáticos, debe ampliar su base y aprender diversos temas.
Solo espero que este artículo pueda ayudarlo a hacer una lista de algunos MOOCs libres con ese enfoque singular.
¿Cuál es el enfoque singular para seleccionar los cursos?
AI y ML son temas candentes y no hay escasez de cursos en línea gratuitos que cubran esos temas. Aunque, he encontrado que hay una cantidad sorprendentemente pequeña de verdaderos cursos de AI de alta calidad por ahí.
Sí, estoy en ese campo, que cree firmemente que el aprendizaje profundo no es inteligencia artificial y por lo tanto, rechace la noción de cualquier curso, que tenga la palabra “AI” en su título pero que no cubra nada más que los marcos de aprendizaje profundos en Python, para ser clasificado como un curso de AI.
Por lo tanto, restringir mi listado a un número limitado de cursos de alta calidad, presenté algunas reglas básicas o filtros.
- Tiendo a evitar cualquier curso con un enfoque significativo en un marco de programación particular / herramienta, es decir, no hay un curso con un nombre como ” Aprendizaje automático con Python … ”(algunos ejemplos o fragmentos de código están bien)
- Siguiendo la misma lógica, la lista tendrá cursos con un fuerte énfasis en la base teórica – esto favorece principalmente los cursos universitarios sobre los ofrecidos por empresarios o compañías individuales (por ejemplo, fast.ai, Google, Microsoft , IBM, etc.)
- De manera similar, incluí cursos de Udacity que son impartidos por profesores universitarios o investigadores de renombre como Sebastian Thrun o Peter Norvig. No incluí sus referencias de nanodegra, que no me parecen intelectualmente elevadoras.
- Incluí dos temas que tienen una enorme importancia para el verdadero aprendizaje de la IA, pero reciben una atención menor a la habitual: refuerzo del aprendizaje y teoría de juegos .
- Ningún curso se centró principalmente en ciencia de datos / ingeniería de datos / analítica digital / estadísticas aplicadas . Todos ellos son temas de importancia crítica para aprender en el mundo de hoy, pero prefiero separarlos limpiamente de mi enfoque en el aprendizaje automático puro y la IA por este artículo en particular.
Creo que este enfoque curará automáticamente la lista hacia cursos fundamentales de alta calidad en AI y ML, que pueden beneficiar a estudiantes de nivel intermedio y avanzado.
Después de todo, usted será el juez.
Personalmente, yo No he tomado todos estos cursos aunque terminé una parte significativa de ellos. Así que traté de mantener mis comentarios sobre los cursos breves y objetivos.
Los enlaces y referencias
Sin más demora, aquí está la lista.
Aprendizaje automático general y aprendizaje profundo
Estos son cursos que cubren temas generales de LD y DL.
Inteligencia artificial y teoría de juegos
Estos son AI y cursos relacionados con la teoría de juegos.
- Curso “ Introducción a la Inteligencia Artificial” de Udacity : El curso de inteligencia artificial más completo que se encuentra actualmente en la web. Es impartido por dos expertos de renombre: Sebastian Thrun y Peter Norvig. Abarcan temas como: algoritmos de búsqueda de IA, planificación, lógica de representación, inferencia probabilística, aprendizaje automático, procesos de Markov, modelos y filtros ocultos de Markov (HMM), visión artificial, robótica y procesamiento de lenguaje natural.
- El curso “ Inteligencia Artificial (AI) ] de la Universidad de Columbia en edX : Esta es también una revisión exhaustiva de temas esenciales en AI, pero a un nivel menos riguroso. Esta es una buena introducción al amplio campo de la IA que abarca temas como: tipos y definición de agentes inteligentes, historia de la Inteligencia Artificial, búsqueda, juegos, lógica, problemas de satisfacción de restricciones, ejemplos de aplicaciones de AI en el procesamiento de lenguaje natural (PNL), robótica , y la visión por ordenador.
- Stanford “ Game Theory ” en Coursera : Esta es una gran introducción (aunque completa) al maravilloso mundo de la teoría de juegos que cubre todos los temas esenciales como: equilibrio de Nash , Estrategia mixta, Equilibrio correlacionado, Subjuego perfecto, Forma extensa, Juego repetido y teorema popular, Juego bayesiano, Juego de coalición.
- “ AI basada en el conocimiento: sistemas cognitivos ” por Georgia Tech en Udacity : un curso completo sobre la IA tradicional (o como lo llaman GOFAI) que cubre temas Me gusta: redes semánticas, análisis de medios y finales, razonamiento basado en casos, aprendizaje de conceptos incrementales, lógica y planificación, razonamiento analógico, propagación de restricciones y meta-razonamiento.
Aprendizaje de refuerzo
Estos son cursos relacionados con el aprendizaje de refuerzo.
- Curso de “ Aprendizaje de refuerzo” de Georgia Tech en 19659036]: Este es probablemente el curso de RL más completo que existe. Ambos instructores están muy bien informados y apasionados por el tema. El modo de entrega es de estilo conversacional y divertido. Cubre toda la gama de temas como: aspectos básicos de MDP, aprendizaje por diferencia temporal (TD), iteraciones de valores y políticas, Q-learning, propiedades de convergencia, configuración de recompensas, problema de bandidos, análisis de Rmax, MDP estocásticos generales, generalización de estados, POMDP, opciones , técnicas de abstracción de objetivos, diseño de mecanismos, búsqueda de árboles de Monte Carlo, DEC-POMDP, conceptos de crítica de políticas, etc.
- “ Aprendizaje de refuerzo práctico “, ofrecido por la National Research University Higher School of Economics en Coursera : Este es otro curso increíblemente completo que cubre temas esenciales de RL. La principal diferencia con el curso de Georgia Tech es que no incluye la discusión sobre la teoría de juegos y, en su lugar, ofrece más información sobre Deep Q-learning. Es un tipo de curso más práctico que le enseña trucos prácticos (pero no necesariamente un código completo) para crear agentes de RL.
Otros temas relevantes
- “ Inteligencia artificial para robóticos ] de Udacity: Este es un gran pequeño campo de golf Centrado específicamente en la aplicación de la inteligencia artificial en el campo de la robótica, impartido por Sebastian Thrun. Cubre temas como: localización, filtros de Kalman, filtros de partículas, técnicas avanzadas de búsqueda de IA, control PID, SLAM (localización y mapeo simultáneos), etc.
- “ Matemáticas para la especialización en aprendizaje automático ” por Imperial College, Londres en Coursera : una gran especialización de cuatro cursos que se centran exclusivamente en la construcción de la base matemática para el aprendizaje automático. Cubre: cálculo multivariable, álgebra lineal y análisis de componentes principales (un breve curso completo sobre eso).
Resumen
Espero haberte dado algunos consejos sobre cursos gratuitos en línea que cubren temas un tanto avanzados del aprendizaje automático y la inteligencia artificial. En este artículo, mencioné específicamente los MOOC y no consideré las conferencias de video de forma libre (con excepción del curso Stanford CS229). Por supuesto, puede buscar dichas conferencias en video desde la plataforma en línea de varias universidades y, a menudo, son de muy alta calidad.
¡Le deseamos un gran éxito en su viaje para aprender estos temas emocionantes!
Si tiene alguna pregunta o ideas para compartir, comuníquese con el autor al tirthajyoti [AT] gmail.com . Además, puede consultar los repositorios GitHub del autor para obtener otros fragmentos de código divertidos en Python, R o MATLAB y recursos de aprendizaje automático. Si usted es, como yo, apasionado por el aprendizaje automático / la ciencia de datos, siéntase libre de agregarme en LinkedIn o seguirme en Twitter.
Bio: Tirthajyoti Sarkar es un tecnólogo en semiconductores, fanático de la ciencia de la información / el aprendizaje de máquinas, Ph.D. en EE, blogger y escritor.
Original . Publicado de nuevo con permiso.
Relacionado: