GithubHelp home page GithubHelp logo

gustavocbritto / awesome-machine-learning-portugues Goto Github PK

View Code? Open in Web Editor NEW

This project forked from italojs/awesome-machine-learning-portugues

0.0 2.0 0.0 29 KB

Um plano de estudos para o aprender machine learning em português

awesome-machine-learning-portugues's Introduction

Plano de estudos em machine learning com conteúdos em português.

Créditos:

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 me dê uma estrelae ajude a divulgar o material. ;)

Compartilhe no Twitter 🐦

Awesome

O que é?

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.


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 o assuntos que consegue estudar em inglês muito provavelmente são assuntos atrasado, se você estudasse tudo isso em inglês, você verias o quádruplo de contéudo, não quero que você pare de estudar machine learning (programação em geral na verdade), mas olha, começa a se cobra um pouco mais nese ponto 😉

Agora vamos estudar machine learning até o talo! 👊

Tabela de conteúdo ☑️


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)

awesome-machine-learning-portugues's People

Contributors

angelobelchior avatar arnaldog12 avatar italojs avatar

Watchers

 avatar  avatar

Recommend Projects

  • React photo React

    A declarative, efficient, and flexible JavaScript library for building user interfaces.

  • Vue.js photo Vue.js

    🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.

  • Typescript photo Typescript

    TypeScript is a superset of JavaScript that compiles to clean JavaScript output.

  • TensorFlow photo TensorFlow

    An Open Source Machine Learning Framework for Everyone

  • Django photo Django

    The Web framework for perfectionists with deadlines.

  • D3 photo D3

    Bring data to life with SVG, Canvas and HTML. 📊📈🎉

Recommend Topics

  • javascript

    JavaScript (JS) is a lightweight interpreted programming language with first-class functions.

  • web

    Some thing interesting about web. New door for the world.

  • server

    A server is a program made to process requests and deliver data to clients.

  • Machine learning

    Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.

  • Game

    Some thing interesting about game, make everyone happy.

Recommend Org

  • Facebook photo Facebook

    We are working to build community through open source technology. NB: members must have two-factor auth.

  • Microsoft photo Microsoft

    Open source projects and samples from Microsoft.

  • Google photo Google

    Google ❤️ Open Source for everyone.

  • D3 photo D3

    Data-Driven Documents codes.