DEV Community

Alexandre Freire
Alexandre Freire

Posted on • Edited on • Originally published at alexandrefreire.dev.br

Plano de estudos em machine learning com conteúdos em português.

By https://github.com/italojs/awesome-machine-learning-portugues

Alfinetada/lembrete

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! 👊

Por que usar?

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.

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.

Como usar?

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.

Não sinta que não é inteligente o bastante

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

Assuntos introdutórios

classificação vs predição

Machine Learning Supervisionado

Árvore de Decisão

KNN - K-Vizinhos Mais Próximos (K-Nearest Neighbors)

Naive Bayes

SVM - Máquina de Vetores de Suporte (Support Vector Machine)

Regressão Linear

Regressão Multivariada

Regressão Polinomial

Perceptron

Regressão Logística

Função de Custo

Gradiente Descendente (Gradient Descent)

Multilayer Perceptron

Redes Neurais Convolucionais

## Adaboost

Rede Neurais Recorrentes

Machine Learning Não-Supervisionado

PCA - Análise de Componentes Principais (Principal Component Analysis)

LDA - Análise Discriminante Linear (Linear Discriminant Analysis)

K-Médias (K-Means)

Top comments (0)