¿Dónde estamos en nuestro aprendizaje?

En esta etapa nos parece interesante hacer un balance de los conocimientos adquiridos, a través de un posible estudio lineal de este libro, hasta el final de este capítulo.

1. Sus conocimientos adquiridos operativos

Ahora tiene la capacidad de manejar todos los casos de la «main stream» del uso del machine learning, en el sentido de que tiene ejemplos prácticos y operativos sobre algoritmos que muchos profesionales utilizan a diario hoy día, ya sea para regresión o para clasificación y clusterización. Conoce R lo suficientemente bien como para trabajar con sus datos hasta el infinito, crear todas las funciones de servicio que podrían ser de utilidad y realizar sus análisis visuales o mejorar su trabajo usando gráficos de calidad.

Su vocabulario y su conocimiento de conceptos básicos, es suficiente para acercarse a la manera en que se usan muchos paquetes y descifrar el significado de muchos textos de investigación. Puede formar parte de un equipo y tener criterio. Evidentemente, tendrá que aprender muchas otras técnicas, pero, en la mayoría de los casos, podrá interpretarlas usando el filtro de sus conocimientos previamente adquiridos.

Para completar este esquema básico que consiste en convertirse en un data scientist «main stream» operativo, capaz de integrarse en una empresa, solo necesita el contenido del capítulo de Feature Engineering sobre la «feature...

Si desea saber más, le proponemos el siguiente libro:
couv_EPT3DASR.png
60-signet.svg
Versión impresa
20-ecran_lettre.svg
Versión online
41-logo_abonnement.svg
En ilimitado con la suscripción ENI
130-boutique.svg
En la tienda oficial de ENI
Anterior
Machine learning: prácticas habituales
Siguiente
El problema de metodología a nivel de proyecto