Richard Feynman tenía esto en su pizarra
Es completamente posible hacer ciencia de datos simplemente leyendo libros y luego usando el algoritmo implementado por sklearn o keras. Sin embargo, si elige implementar desde cero, llegará al fondo del algoritmo. Allí, tendría una mejor visión de cómo funcionan las cosas y qué salió mal si encuentra un error. Como principiante en el aprendizaje automático, me esfuerzo por implementar desde cero (también conocido como puro numpy) cada algoritmo que encuentro. Me está funcionando muy bien hasta ahora.
- ¿Qué significa que las funciones de activación (como ReLU) en NN inducen la escasez en las unidades ocultas?
- ¿Alguna forma de dormir será esencial en la IA (inteligencia artificial)?
- ¿Por qué ha sido tan efectivo OpenAI?
- ¿Cuál es más importante de los tres, es decir, informática ubicua, informática distribuida y procesamiento de lenguaje natural, en el mundo de hoy?
- ¿Es el "grado de libertad" en el aprendizaje automático igual al número de variables independientes o el número de parámetros?
Aquí están mis primeros intentos de implementar algoritmos desde cero. Puede ser muy primitivo (como no reutilizable), porque soy un novato tanto en ML como en programación, pero juega un papel importante en mi autoeducación.
Clasificador lineal MNIST
Máquina de Boltzmann restringida