When I started out, I had a strong quantitative background (chemical engineering undergrad, was taking PhD courses in chemical engineering) and some functional skills in programming. From there, I first dove deep into one type of machine learning (Gaussian processes) along with general ML practice (how to set up ML experiments in order to evaluate your models) because that was what I needed for my project. I learned mostly online and by reading papers, but I also took one class on data analysis for biologists that wasn’t ML-focused but did cover programming and statistical thinking. Later, I took a linear algebra class, an ML survey class, and an advanced topics class on structured learning at Caltech. Those helped me obtain a broad knowledge of ML, and then I’ve gained deeper understandings of some subfields that interest me or are especially relevant by reading papers closely (chasing down references and anything I don’t understand and/or implementing the core algorithms myself).

成为VIP会员查看完整内容
0
28

相关内容

学习自然语言处理路线图,要总结了NLP相关的路线图(思维导图)和关键词(知识点),包括概率和统计、机器学习、文本挖掘、自然语言处理几个部分。 ROADMAP(Mind Map) and KEYWORD for students those who have interest in learning NLP https://github.com/graykode/nlp-roadmap

成为VIP会员查看完整内容
0
51
小贴士
相关主题
相关VIP内容
专知会员服务
58+阅读 · 2020年6月2日
专知会员服务
34+阅读 · 2020年3月24日
专知会员服务
96+阅读 · 2020年1月16日
强化学习最新教程,17页pdf
专知会员服务
45+阅读 · 2019年10月11日
2019年机器学习框架回顾
专知会员服务
18+阅读 · 2019年10月11日
【新书】Python编程基础,669页pdf
专知会员服务
80+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
37+阅读 · 2019年10月9日
学习自然语言处理路线图
专知会员服务
51+阅读 · 2019年9月24日
相关资讯
深度学习自然语言处理阅读清单
专知
20+阅读 · 2019年1月13日
机器学习线性代数速查
机器学习研究会
8+阅读 · 2018年2月25日
五个精彩实用的自然语言处理资源
机器学习研究会
5+阅读 · 2018年2月23日
Python机器学习教程资料/代码
机器学习研究会
5+阅读 · 2018年2月22日
【资源】15个在线机器学习课程和教程
专知
6+阅读 · 2017年12月22日
【推荐】自然语言处理(NLP)指南
机器学习研究会
30+阅读 · 2017年11月17日
机器学习: 入门与求职建议
九章算法
4+阅读 · 2017年10月6日
【推荐】Python机器学习生态圈(Scikit-Learn相关项目)
机器学习研究会
5+阅读 · 2017年8月23日
相关论文
Ioannis Z. Emiris,Ioannis Psarros
3+阅读 · 2020年4月13日
Shaoxiong Ji,Shirui Pan,Erik Cambria,Pekka Marttinen,Philip S. Yu
72+阅读 · 2020年2月2日
A Review on Generative Adversarial Networks: Algorithms, Theory, and Applications
Jie Gui,Zhenan Sun,Yonggang Wen,Dacheng Tao,Jieping Ye
37+阅读 · 2020年1月20日
Tianshuo Zhou,Ziyang Li,Gong Cheng,Jun Wang,Yu'Ang Wei
4+阅读 · 2019年10月11日
Yash Srivastava,Vaishnav Murali,Shiv Ram Dubey,Snehasis Mukherjee
4+阅读 · 2019年8月27日
Wen Zhang,Bibek Paudel,Liang Wang,Jiaoyan Chen,Hai Zhu,Wei Zhang,Abraham Bernstein,Huajun Chen
5+阅读 · 2019年3月21日
A Survey of Learning Causality with Data: Problems and Methods
Ruocheng Guo,Lu Cheng,Jundong Li,P. Richard Hahn,Huan Liu
7+阅读 · 2018年9月25日
Thomas Elsken,Jan Hendrik Metzen,Frank Hutter
10+阅读 · 2018年9月5日
AceKG: A Large-scale Knowledge Graph for Academic Data Mining
Ruijie Wang,Yuchen Yan,Jialu Wang,Yuting Jia,Ye Zhang,Weinan Zhang,Xinbing Wang
3+阅读 · 2018年8月7日
Ray Jiang,Sven Gowal,Timothy A. Mann,Danilo J. Rezende
4+阅读 · 2018年4月9日
Top