Essa awesome foi inspirado em machine-learning-for-software-engineers. A diferença é aqui aqui você encontrará conteúdos em português para seus estudos.
Se você gostou deste projeto, por favor dê uma estrela ★ e ajude a divulgar o material. ;)
Compartilhe no Twitter 🐦
Este é um plano de estudos com conteúdos em português para aqueles que não são conhecedores da língua inglesa.
Por favor, sinta-se livre para fazer qualquer contribuição que você achar que pode o tornar melhor.
Fulano(a), sei que não é fácil aprender inglês, mas só queria lembrar que você está perdendo MUITO conteúdo em não focar nessa língua, você perde muito conteúdo e os assuntos que não consegue estudar em inglês, muito provavelmente são assuntos atrasados, se você estudasse tudo isso em inglês veria o quádruplo de contéudo. Não quero que você pare de estudar machine learning (programação em geral na verdade), mas olha, começe a se cobrar um pouco mais nese ponto 😉
Agora vamos estudar machine learning até o talo! 👊
- O que é?
⁉️ - Por que usar?
⁉️ - Como usar?
⁉️ - Não sinta que não é inteligente o bastante 💩
- Assuntos introdutórios 👶
- Machine learning superviosionado
- Machine learning não superviosionado
Muito das pessoas que querem entra no mundo de machine learning começam pelo mais avançado que há, redes neurais com algum framwork(tensorflow, CNTK, pytorch e etc), mas antes de chegar em redes neurais é importante que você passe por outros assuntos mais básicos para então chegar a desenvolver uma rede neural de fato, ou pelo menos entender o que você está fazendo.
Aqui você encontrará um lista já pronta de assunos a serem estudados, tudo na ordem correta, assim você não terá de gastar tempo aprendendo a aprender machine learning.
-
- "Você pode, mas isto é muito mais difícil do que quando eu entrei no campo." Drac Smith
-
- "Estou contratando especialistas de Machine Learning para minha equipe e seu MOOC não vai conseguir para você o trabalho (há melhores notícias abaixo). Na verdade, muitas pessoas com um mestrado em Machine Learning não terão o emprego porque eles (e a maioria que tomaram MOOC) não têm uma compreensão profunda que vai me ajudar a resolver os meus problemas." Ross C. Taylor
-
Que habilidades são necessárias para trabalhos de Machine Learning?
- "Primeiramente, você precisa ter um decente background de Ciência da Computação/Matemática. ML é um tópico avançado, então a maioria dos livros didáticos assumem que você tem esse background. Por segundo, Machine Learning é um tema muito geral com várias sub especialidades que exigem habilidades únicas. Você pode querer procurar o currículo de um programa de MS em Machine Learning para ver o curso, o currículo e livro didático." Uri
- "Estatística, propabilidade, computação distribuída e estatística." Hydrangea
Eu me encontro em tempos difíceis.
AFAIK, Há dois lados para Machine Learning:
- Prática de Machine Learning: Isto é sobre bancos de dados de consultas, limpeza de dados, escrevendo scripts para transformar dados e colagem de algoritmo e bibliotecas juntos e escrever código personalizado para espremer respostas confiáveis de dados para satisfazer as perguntas difíceis e mal definidas. É a porcaria da realidade.
- Teoria de Machine Learning: Isto é sobre matemática e abstração e cenários idealizados e limites e beleza e informando o que é possível. É muito mais puro e mais limpo e removido da confusão da realidade.
Eu acho que a melhor maneira para metodologia centrada na prática é algo como 'prática - aprendizagem - prática', que significa onde estudantes primeiro vêm com alguns projetos existentes com problemas e soluções (prática) para se familiarizar com os métodos tradicionais na área e talvez também com sua metodologia.Depois de praticar com algumas experiências elementares, podem ir para os livros e estudar a teoria subjacente, que serve para guiar a sua futura prática avançada e reforçará a sua caixa de ferramentas de solução de problemas práticos. Estudar a teoria também melhora ainda mais sua compreensão sobre as experiências elementares e irá ajudá-los a adquirir experiências avançadas mais rapidamente.
É um plano longo. Isso vai demorar anos para mim. Se você já está familiarizado com bastante disso já, você levará muito menos tempo.
Tudo abaixo é uma estrutura de tópicos, e você deve enfrentar os itens em ordem de cima para baixo. Não precisa ver todos os links, mas você tem que entender cada um dos tópicos.
Para aprender machine learning, você terá de aprender matemática, mas não se preocupe, não é tão difícil quanto parece, caso você discorde de mim, leia esse artigo
- O que é machine learning?
- Tipos de dados do seu dataset
- Tipos de aprendizagem
- Uma breve introdução ao Machine Learning
- As 10 Principais Arquiteturas de Redes Neurais
- Machine Learning (Aula 3) - Aprendizado Supervisionado e não Supervisionado
- Machine Learning (Aula 7) - Modelos de Predição
- Machine Learning em Português (Aula 8) - Modelo de Classificação de Íris Parte 1
- Árvores de Decisão
- ÁRVORE DE DECISÃO. EXEMPLO COMPLETO
- Um tutorial completo sobre modelagem baseada em árvores de decisão (códigos R e Python)
- Implementação em Python
- KNN (K-Nearest Neighbors) #1
- KNN (K-Nearest Neighbors) #2
- KNN #3 — Codando nosso classificador de câncer de mama
- Machine Learning em Português (Aula 11) - Explicando K-NN (Regressão e Classificação)
- Machine Learning em Português (Aula 15) - K-Nearest Neighbors (Regressão - Parte 2)
- Implementação em Python
- Teorema de Bayes
- Teorema de Bayes - Aula 1: Características (Probabilidade a Priori, Condicional e Conjunta)
- Teorema de Bayes - Aula 2: a Posteriori
- Teorema de Bayes (Aula 3) - Usando o teorema para calcular sorteio de uma roleta
- Teorema de Bayes (Aula 4) - Explicando o cálculo do vídeo anterior
- Teorema de Bayes (Aula 5) - Caminho pela raridade do item no Diablo (Parte 1)
- Teorema de Bayes (Aula 6) - Caminho pela raridade do item (Parte 2)
- Teorema de Bayes (Aula 7) Vídeo Correção - Nomenclaturas
- Teorema de Bayes (Aula 8) - Bayes Sequencial
- Naive Bayes | Carlos Baldove | Papo Reto
- Classificador Naive bayes em 50 linhas
- Uma Introdução às Support Vector Machines
- Explicar o algoritmo SVR
- Máquina de Vetores de Suporte - SVM
- SVM - Support Vector Machine Linear, Não Linear - Teoria
- Regressão linear simples
- Regressão Linear (Parte 1) - Machine Learning em Português (Aula 12)
- Regressão Linear (Parte 2) - Machine Learning (Aula 13)
- Machine Learning (Aula 21) - Regressão Linear no R
- Implementação em Python
- Redes neurais roots #1 — introdução
- Redes neurais roots #2— Treinamento
- Redes neurais roots #3 — Show me the code
- Aula - Perceptron e Adaline
- Máquinas de vetores-suporte
- Máquina de vetores de suporte(código)
- O que é uma regressão logística?
- EB - Aula 6 Teórica - Regressão logística
- EB - Aula 6 prática - Regressão Logística
- Você sobreviveria no Titanic? Um exemplo de Regressão Logística
- Regressão Logística na Eleição
- Função de Custo (Regressão Linear) - Machine Learning em Português (Aula 14)
- Calculando a Função de Custo (Regressão Linear) - Machine Learning (Aula 15)
- Valor Mínimo da Função de Custo (Regressão Linear) - Machine Learning (Aula 16)
- Gradient Descent (Regressão Linear - Parte 1) - Machine Learning (Aula 17)
- Calculando Gradient Descent Parte 1 (Regressão Linear) - Machine Learning (Aula 18)
- Como verificar o Gradient Descent (Regressão Linear) - Machine Learning (Aula 20)
-
Redes Neurais profundas Convolucionais - Parte I - Fundamentos
-
Redes Neurais profundas Convolucionais - Parte II - Arquiteturas Modernas
-
Extra: Arquiteturas de redes neurais profundas para detecção de objetos
- Estudo do algoritmo adaboost de aprendizagem de máquina aplicado a sensores e sistemas embarcados
- Implementação em Python