El artículo contiene el mejor contenido *tutorial* que he encontrado hasta ahora. De ninguna manera es una lista exhaustiva de todos los tutoriales relacionados con ML en la web, eso sería abrumador y duplicativo. Además, hay un montón de contenido mediocre por ahí. Mi objetivo era vincularme a los mejores tutoriales que encontré sobre los subtemas importantes dentro del aprendizaje automático y la PNL.

Por *tutorial* , me refiero al contenido introductorio que pretende enseñar un concepto sucintamente. He evitado incluir capítulos de libros, que tienen una mayor cobertura, y trabajos de investigación, que generalmente no hacen un buen trabajo en la enseñanza de conceptos. ¿Por qué no solo comprar un libro? Los tutoriales son útiles cuando intentas aprender un tema de nicho específico o quieres obtener diferentes perspectivas.

He dividido esta publicación en cuatro secciones: Aprendizaje automático, PNL, Python y Matemáticas. Incluí una muestra de temas dentro de cada sección, pero dada la inmensidad del material, no puedo incluir todos los temas posibles.

Si hay *buenos* tutoriales que sabe que me estoy perdiendo, ¡hágamelo saber! Estoy tratando de limitar cada tema a cinco o seis tutoriales ya que mucho más allá sería repetitivo. Cada enlace debe tener material diferente de los otros enlaces o presentar información de manera diferente (por ejemplo, código versus diapositivas versus formato largo) o desde una perspectiva diferente.

Firmado: @RobbieAllen

Aprendizaje Automático

Comience aquí con Machine Learning (machinelearningmastery.com)

¡El aprendizaje automático es divertido! (medium.com/@ageitgey)

Reglas del aprendizaje automático: mejores prácticas para la ingeniería de ML (martin.zinkevich.org)

Curso intensivo de aprendizaje automático: Parte I , Parte II , Parte III (Aprendizaje automático en Berkeley)

Una introducción a la teoría del aprendizaje automático y sus aplicaciones: un tutorial visual con ejemplos (toptal.com)

Una guía suave para el aprendizaje automático (monkeylearn.com)

¿Qué algoritmo de aprendizaje automático debo usar? (sas.com)

The Machine Learning Primer (sas.com)

Tutorial de aprendizaje automático para principiantes (kaggle.com/kanncaa1)

Funciones de activación y pérdida

Neuronas sigmoideas (redes neuronales y desarrollo cardíaco)

¿Cuál es el papel de la función de activación en una red neuronal?(quora.com)

Lista completa de funciones de activación en redes neuronales con pros / contras (stats.stackexchange.com)

Funciones de activación y sus tipos: ¿cuál es mejor?(medium.com)

Sentido de la pérdida logarítmica (exegetic.biz)

Funciones de pérdida (Stanford CS231n)

Función de pérdida L1 vs. L2 (rishy.github.io)

La función de costo de entropía cruzada (neuralnetworksanddeeplearning.com)

Parcialidad

Rol del sesgo en las redes neuronales (stackoverflow.com)

Nodos de sesgo en redes neuronales (makeyourownneuralnetwork.blogspot.com)

¿Qué es el sesgo en la red neuronal artificial?(quora.com)

Perceptrón

Perceptrones (neuralnetworksanddeeplearning.com)

La percepción (natureofcode.com)

Redes neuronales de capa única (perceptrones) (dcu.ie)

De los perceptrones a las redes profundas (toptal.com)

Regresión

Introducción al análisis de regresión lineal (duke.edu)

Regresión lineal (ufldl.stanford.edu)

Regresión lineal (readthedocs.io)

Regresión logística (readthedocs.io)

Tutorial simple de regresión lineal para Machine Learning (machinelearningmastery.com)

Tutorial de regresión logística para aprendizaje automático (machinelearningmastery.com)

Regresión de Softmax (ufldl.stanford.edu)

Descenso de gradiente

Aprendizaje con descenso gradiente (neuralnetworksanddeeplearning.com)

Descenso de gradiente (iamtrask.github.io)

Cómo entender el algoritmo de descenso de gradiente (kdnuggets.com)

Una visión general de los algoritmos de optimización de descenso de gradiente (sebastianruder.com)

Optimización: Descenso de gradiente estocástico (Stanford CS231n)

Aprendizaje Generativo

Algoritmos de aprendizaje generativo (Stanford CS229)

Una explicación práctica de un clasificador Naive Bayes (monkeylearn.com)

Máquinas de vectores de soporte

Una introducción a Support Vector Machines (SVM) (monkeylearn.com)

Máquinas de vectores de soporte (Stanford CS229)

Clasificación lineal: Máquina de vectores de soporte, Softmax (Stanford 231n)

Propagación hacia atrás

Sí, debes entender backprop (medium.com/@karpathy)

¿Puede dar una explicación visual del algoritmo de propagación hacia atrás para redes neuronales?(github.com/rasbt)

Cómo funciona el algoritmo de retropropagación (neuralnetworksanddeeplearning.com)

Retropropagación a través del tiempo y gradientes de desaparición (wildml.com)

Una introducción suave a la propagación hacia atrás a través del tiempo (machinelearningmastery.com)

Propagación hacia atrás, intuiciones (Stanford CS231n)

Aprendizaje profundo

Una guía para el aprendizaje profundo de YN² (yerevann.com)

Hoja de ruta de lectura de Deep Learning Papers (github.com/floodsung)

Aprendizaje profundo en pocas palabras (nikhilbuduma.com)

Un tutorial sobre aprendizaje profundo (Quoc V. Le)

¿Qué es el aprendizaje profundo?(machinelearningmastery.com)

¿Cuál es la diferencia entre inteligencia artificial, aprendizaje automático y aprendizaje profundo? (nvidia.com)

Aprendizaje profundo: The Straight Dope (gluon.mxnet.io)

Optimización y reducción de dimensionalidad

Siete técnicas para la reducción de la dimensionalidad de datos (knime.org)

Análisis de componentes principales (Stanford CS229)

Abandono: una forma sencilla de mejorar las redes neuronales (Hinton @ NIPS 2012)

Cómo entrenar tu red neuronal profunda (rishy.github.io)

Memoria a corto y largo plazo (LSTM)

Una introducción suave a las redes de memoria a corto y largo plazo por los expertos (machinelearningmastery.com)

Comprensión de las redes LSTM (colah.github.io)

Explorando LSTMs (echen.me)

Cualquiera puede aprender a codificar un LSTM-RNN en Python (iamtrask.github.io)

Redes neuronales convolucionales (CNN)

Introducción de redes convolucionales (neuralnetworksanddeeplearning.com)

Aprendizaje profundo y redes neuronales convolucionales (medium.com/@ageitgey)

Redes de convección : una perspectiva modular (colah.github.io)

Comprender las circunvoluciones (colah.github.io)

Redes neuronales recurrentes (RNN)

Tutorial de redes neuronales recurrentes (wildml.com)

Atención y redes neuronales recurrentes aumentadas (distill.pub)

La efectividad irracional de las redes neuronales recurrentes (karpathy.github.io)

Una inmersión profunda en las redes neuronales recurrentes (nikhilbuduma.com)

Aprendizaje reforzado

Guía simple para principiantes sobre el aprendizaje por refuerzo y su implementación (analyticsvidhya.com)

Un tutorial para el aprendizaje por refuerzo (mst.edu)

Aprendizaje de refuerzo de aprendizaje (wildml.com)

Aprendizaje de refuerzo profundo: Pong de píxeles (karpathy.github.io)

Redes Adversarias Generativas (GAN)

Aprendizaje automático adversarial (aaai18adversarial.github.io)

¿Qué es una red generativa de adversarios?(nvidia.com)

Abusar de las redes adversas generativas para crear Pixel Art de 8 bits (medium.com/@ageitgey)

Una introducción a las redes adversas generativas (con código en TensorFlow) (aylien.com)

Redes adversarias generativas para principiantes (oreilly.com)

Aprendizaje de tareas múltiples

Una descripción general del aprendizaje multitarea en redes neuronales profundas (sebastianruder.com)

PNL

¡El procesamiento del lenguaje natural es divertido!(medium.com/@ageitgey)

Una introducción a los modelos de redes neuronales para el procesamiento del lenguaje natural (Yoav Goldberg)

La guía definitiva para el procesamiento del lenguaje natural (monkeylearn.com)

Introducción al procesamiento del lenguaje natural (algoritmia.com)

Tutorial de procesamiento de lenguaje natural (vikparuchuri.com)

Procesamiento del lenguaje natural (casi) desde cero (arxiv.org)

Aprendizaje profundo y PNL

Aprendizaje profundo aplicado a PNL (arxiv.org)

Aprendizaje profundo para PNL (sin magia) (Richard Socher)

Comprender las redes neuronales convolucionales para PNL (wildml.com)

Aprendizaje profundo, PNL y representaciones (colah.github.io)

Incruste, codifique, asista, prediga: La nueva fórmula de aprendizaje profundo para modelos de PNL de última generación (explosion.ai)

Comprensión del lenguaje natural con redes neuronales profundas usando la antorcha (nvidia.com)

Aprendizaje profundo para PNL con Pytorch (pytorich.org)

Vectores de palabras

Bolsa de palabras y bolsas de palomitas de maíz (kaggle.com)

Sobre incrustaciones de palabras Parte I, Parte II, Parte III (sebastianruder.com)

El asombroso poder de los vectores de palabras (acolyer.org)

Aprendizaje de parámetros de word2vec explicado (arxiv.org)

Tutorial de Word2Vec: el modelo Skip-Gram , muestreo negativo (mccormickml.com)

Codificador-Decodificador

Atención y memoria en aprendizaje profundo y PNL (wildml.com)

Secuencia a modelos de secuencia (tensorflow.org)

Secuencia a secuencia de aprendizaje con redes neuronales (NIPS 2014)

El aprendizaje automático es divertido Parte 5: Traducción de idiomas con aprendizaje profundo y la magia de las secuencias (medium.com/@ageitgey)

Cómo usar un Encoder-Decoder LSTM para hacer eco de secuencias de enteros aleatorios (machinelearningmastery.com)

tf-seq2seq (google.github.io)

Python

Curso intensivo de aprendizaje automático (google.com)

Impresionante aprendizaje automático (github.com/josephmisiti)

7 pasos para dominar el aprendizaje automático con Python (kdnuggets.com)

Un ejemplo de cuaderno de aprendizaje automático (nbviewer.jupyter.org)

Aprendizaje automático con Python (tutorialspoint.com)

Ejemplos

Cómo implementar el algoritmo Perceptron desde cero en Python (machinelearningmastery.com)

Implementación de una red neuronal desde cero en Python (wildml.com)

Una red neuronal en 11 líneas de Python (iamtrask.github.io)

Implementando su propio algoritmo vecino k-más cercano usando Python (kdnuggets.com)

ML de Scatch (github.com/eriklindernoren)

Repositorio de código de Python Machine Learning (2nd Ed.) (Github.com/rasbt)

Scipy y Numpy

Scipy Lecture Notes (scipy-lectures.org)

Tutorial de Python Numpy (Stanford CS231n)

Una introducción a Numpy y Scipy (UCSB CHE210D)

Un curso intensivo en Python para científicos (nbviewer.jupyter.org)

Scikit-learn

Índice de tutoriales de PyCon scikit-learn (nbviewer.jupyter.org)

Algoritmos de clasificación de scikit-learn (github.com/mmmayo13)

Tutoriales de scikit-learn (scikit-learn.org)

Tutoriales abreviados de scikit-learn (github.com/mmmayo13)

Tensorflow

Tutoriales de Tensorflow (tensorflow.org)

Introducción a TensorFlow - CPU vs GPU (medium.com/@erikhallstrm)

TensorFlow: una cartilla (metaflow.fr)

RNN en Tensorflow (wildml.com)

Implementación de una CNN para la clasificación de texto en TensorFlow (wildml.com)

Cómo ejecutar el resumen de texto con TensorFlow (surmenok.com)

PyTorch

Tutoriales de PyTorch (pytorch.org)

Una introducción suave a PyTorch (gaurav.im)

Tutorial: Aprendizaje profundo en PyTorch (iamtrask.github.io)

Ejemplos de PyTorch (github.com/jcjohnson)

Tutorial de PyTorch (github.com/MorvanZhou)

Tutorial de PyTorch para investigadores de aprendizaje profundo (github.com/yunjey)

Matemáticas

Matemáticas para el aprendizaje automático (ucsc.edu)

Matemáticas para el aprendizaje automático (UMIACS CMSC422)

Álgebra lineal

Una guía intuitiva para el álgebra lineal (betterexplained.com)

La intuición de un programador para la multiplicación de matrices (betterexplained.com)

Comprensión del producto cruzado (betterexplained.com)

Comprensión del producto Dot (betterexplained.com)

Álgebra lineal para aprendizaje automático (U. of Buffalo CSE574)

Hoja de trucos de álgebra lineal para aprendizaje profundo (medium.com)

Revisión y referencia de álgebra lineal (Stanford CS229)

Probabilidad

Comprender el teorema de Bayes con proporciones (betterexplained.com)

Revisión de la teoría de la probabilidad (Stanford CS229)

Revisión de la teoría de probabilidad para el aprendizaje automático (Stanford CS229)

Teoría de la probabilidad (U. of Buffalo CSE574)

Teoría de la probabilidad para el aprendizaje automático (U. of Toronto CSC411)

Cálculo

Cómo entender los derivados: la regla del cociente, los exponentes y los logaritmos (betterexplained.com)

Cómo entender los derivados: las reglas del producto, la potencia y la cadena (betterexplained.com)

Cálculo vectorial: comprensión del gradiente (betterexplained.com)

Cálculo diferencial (Stanford CS224n)

Descripción general del cálculo (readthedocs.io)

🎓 Cursos Machine Learning en Español 🐍

🐍 Relacionados..

🐍 Aprender Python 🐍 🐍 Recursos Python 🐍 🐍 Noticias Python 🐍


Fuentes:

Deja un comentario