¿Cuáles son los requisitos previos para aprender Inteligencia Artificial?

Permítame proporcionarle una respuesta basada en una visión holística de un sistema de aprendizaje. Un sistema de aprendizaje (en IA o ML) tiene los siguientes componentes

1. Un ambiente para interactuar
2. Un problema de optimización, con ciertos objetivos.
3. Un algoritmo / modelo generalizado parametrizado para resolver el problema de optimización anterior
4. Un mecanismo de representación para conocimiento / entrada, y opcionalmente una base de datos para almacenar conocimiento aprendido
5. Un mecanismo de retroalimentación para mejorar los parámetros de nuestro algoritmo, a medida que interactuamos con el entorno.
6. Opcionalmente, múltiples sistemas de aprendizaje como subcomponentes que trabajan juntos en un conjunto

Se ha realizado mucho trabajo en estas áreas, cada una con múltiples paradigmas, que se pueden explorar en detalle, según se desee. Primero puede intentar obtener una imagen general y luego entrar en los detalles según lo necesite. Repasemos cada uno de ellos, uno por uno, con algunos ejemplos (no una lista completa), para que obtenga un punto de partida para su exploración.

Ambiente

• Un entorno de aprendizaje supervisado que nos proporciona preguntas y sus respuestas.
• Un entorno no supervisado, que nos proporciona solo observaciones y preguntas.
• Un entorno de aprendizaje de refuerzo, que nos proporciona preguntas y recompensas / castigos basados ​​en la respuesta.
• Además, el entorno puede ser exploratorio o pasivo. En un sistema exploratorio, el sistema de aprendizaje puede realizar acciones y luego observar el entorno o recibir comentarios de él. En un sistema pasivo, esperamos que el entorno nos proporcione información.

Problema de optimizacion

• Maximice la tasa de respuesta correcta O minimice la tasa de respuesta incorrecta
• Minimice la dimensionalidad o alguna otra métrica de la representación aprendida de las observaciones.
• Maximiza las recompensas

Algoritmo / Modelo Generalizado Parametrizado

• Algoritmos de agrupamiento
• Algoritmos de regresión
• Modelos de probabilidad condicional
• Redes neuronales
• Algoritmos genéticos
• Programacion Simbolica

Conocimiento / Representación de entrada y base de datos

• Ontologías derivadas de varios sistemas lógicos formales.
• Vectores basados ​​en peso
• Varios métodos de búsqueda e indexación que funcionan en estas representaciones

Mecanismo de retroalimentación

• Diferenciación Algorítmica
• Diferenciación simbólica
• Selección / eliminación de características

Modelos de conjunto

• Redes Adversarias Generativas
• Árbol de decisión con cada nodo como un sistema que se puede aprender

6 sencillos pasos para comenzar a aprender inteligencia artificial

PASO 1.) Aprenda Python y SQL

Lo principal que tienes que hacer es asimilar un lenguaje de programación. A pesar del hecho de que hay una considerable cantidad de lenguajes con los que puede comenzar, Python es lo que muchos prefieren comenzar porque sus bibliotecas son mucho más adecuadas para el aprendizaje automático.

Recomendaría los siguientes enlaces:

• Aprendizaje automático con texto en scikit-learn (PyCon 2016)
• Aprendizaje automático en Python con scikit-learn
• Aprendizaje automático con Python

PASO 2.) Aprenda Machine Learning de algunos de los cursos a continuación.

Inteligencia artificial: principios y técnicas de Stanford : un programa educativo fenomenal para estudiantes inspirados en la adaptación de más información sobre IA. El curso se concentra en los estándares fundamentales de IA.

CS405: INTELIGENCIA ARTIFICIAL : CS405 presenta el campo de la inteligencia artificial (IA). Los materiales sobre programación de IA, lógica, búsqueda, juegos, aprendizaje automático, comprensión del lenguaje natural y robótica presentan al alumno los métodos, herramientas y técnicas de IA, su aplicación a problemas computacionales y su contribución a la comprensión de la inteligencia.

Curso edx.org sobre IA : este curso brinda los fundamentos de la Inteligencia Artificial (IA) y los aplica. Diseñe agentes inteligentes para resolver problemas del mundo real, incluidos los de búsqueda, juegos, aprendizaje automático, lógica y problemas de satisfacción de restricciones.

Curso del MIT sobre IA : este curso presenta a los estudiantes la representación del conocimiento básico, la resolución de problemas y los métodos de aprendizaje de la inteligencia artificial. Al finalizar este curso, los estudiantes deberían poder desarrollar sistemas inteligentes mediante el ensamblaje de soluciones a problemas computacionales concretos; comprender el papel de la representación del conocimiento, la resolución de problemas y el aprendizaje en la ingeniería de sistemas inteligentes; y apreciar el papel de la resolución de problemas, la visión y el lenguaje en la comprensión de la inteligencia humana desde una perspectiva computacional.

Aprenda los fundamentos de la IA : este curso se subdivide en 10 lecciones , este curso en línea familiariza a los estudiantes con el universo de la IA. Para entenderlo, asegúrese de tener alguna información esencial de matemática basada en variables directas y la hipótesis de probabilidad que debe aprender teniendo en cuenta el objetivo final para estar preparado.

Profesores de video de Berkeley : recomendaría el conjunto de profesores de video aquí.

También he enumerado los 10 mejores cursos de inteligencia artificial y aprendizaje automático para principiantes y avanzados que lo ayudarán a convertirse en el siguiente maestro de ML que emplea Google o Apple.

PASO 3.) Aprenda los conceptos básicos de la teoría de probabilidad, estadística y matemáticas.

Recomendaría los siguientes enlaces:

• Álgebra lineal – Álgebra lineal – MIT 18.06 Álgebra lineal por Gilbert Strang
• Teoría de la probabilidad – Probabilidad y estadística – MIT 6.041 Análisis de sistemas probabilísticos y probabilidad aplicada por John Tsitsiklis
• Cálculo
• Cálculo multivariante
• Teoría de grafos
• Métodos de optimización

PASO 4.) LIBROS RECOMENDADOS PARA LEER

• http://aima.cs.berkeley.edu/
• Inteligencia artificial: un enfoque moderno , por Stuart J. Russell y Peter Norvig
• http://wps.aw.com/wps/media/obje …
• La búsqueda de la inteligencia artificial , por Nils J. Nilsson
• Inteligencia artificial práctica: programación en Java , por Mark Watson
• https://grey.colorado.edu/CompCo …
• Simplemente lógico: razonamiento inteligente por ejemplo , por Peter Flach
• La revolución de la IA: camino a la superinteligencia
• http://psych.colorado.edu/~oreil …

También he enumerado algunos de los mejores y mejores libros electrónicos gratuitos de IA de aprendizaje automático desde donde puede descargar y poner en marcha Conceptos básicos / estadísticas de aprendizaje automático para que los desarrolladores se vuelvan buenos en la construcción de sistemas de IA rápidamente.

PASO 5. ) PRACTICA POCOS EJERCICIOS

Cuando tenga una comprensión exhaustiva de su lenguaje de programación favorito y suficiente práctica con lo esencial, debe comenzar a aprender más sobre Machine Learning. En Python, comience a aprender las bibliotecas Scikit-learn, NLTK, SciPy, PyBrain y Numpy, que serán valiosas al componer algoritmos de Machine Learning.

Practique algunos ejercicios en Scikit desde el sitio web:

http://scikit-learn.org/

&&

https://www.edx.org/course/artif … – Para practicar ejercicios en Python.

También aquí hay un resumen de activos para que aprendas y perfecciones ML:

http://www.r2d3.us/visual-intro-…

https://www.coursera.org/learn/m …

https://www.cs.cmu.edu/~tom/1070 …

https://code.tutsplus.com/tutorials/how-to-build-a-python-bot-that-can-play-web-games–active-11117

https://www.udacity.com/course/intro-to-artificial-intelligence–cs271

http://ocw.mit.edu/courses/elect …

PASO 6. ) Practica — Aprende — Practica por tu cuenta, paso a paso lentamente te convertirás en un programador de IA .

He enumerado herramientas o software de IA de código abierto gratuitos que puede usar para crear sus soluciones.

También puedes asistir Conferencias de IA y mira videos en AI.

Una vez que se hayan completado todos estos 6 pasos, puede echar un vistazo a estas 99 preguntas de la entrevista Top & Best 99 sobre IA y Machine Learning y comenzar a dar entrevistas si desea comenzar su carrera en AI / ML.

¡Buena suerte!

PD: desea conocer los últimos recursos de AI y ML en profundidad en la web, DEBE ver esta página de índice aquí .

Inteligencia natural 🙂

En una nota más seria, creo que el próximo gran avance en IA debe provenir de las matemáticas. Todo el bombo que tenemos hoy en la IA, específicamente en el aprendizaje profundo, depende de algoritmos como Redes Neuronales Artificiales o Máquinas de Vector de Soporte. Si se sumerge profundamente en estos, verá en el corazón de estos algoritmos mentiras de ecuaciones de cálculo diferencial o álgebra lineal. La informática puede resolver problemas algorítmicos y de optimización en la búsqueda (piense en una búsqueda en estrella) o en la clasificación, pero creo que el desafío para la IA es matemático .

¿Por qué?

Un problema central en General Intelligence es poder construir un buen modelo del mundo. El modelado se puede utilizar para razonar y predecir eventos en el mundo, dos de los componentes más críticos de la inteligencia. Para construir buenos modelos, podemos usar algoritmos como ANN, y hemos tenido bastante éxito al hacerlo, hasta cierto punto. Pero los algoritmos existentes no son lo suficientemente ricos como para manejar problemas genéricos. Todavía necesitamos ajustar nuestros algoritmos de aprendizaje automático con hiperparámetros cuidadosamente seleccionados (basados ​​en experimentos). Pero esta es una mano que idealmente una IA no debería requerir.

Si podemos encontrar un algoritmo que pueda tomar señales de varios dominios (visual, audio, etc.) y poder construir una representación jerárquica de los datos sin tener que conocer de antemano las técnicas de optimización específicas del dominio, podemos resolver la mayor pieza del rompecabezas. De hecho, las optimizaciones para casos específicos de dominio deben aprenderse de los datos mismos y no ser una entrada externa. Esa es la esencia de la inteligencia general. Si resolvemos este problema del modelo de construcción, habremos resuelto una IA fuerte.

Entonces, ¿por qué las matemáticas?

Creo que este algoritmo para construir modelos a partir de datos sin procesar necesita resolver un problema matemático. Es cómo representar una secuencia de bytes en un sistema de símbolos jerárquico para que los niveles de abstracción sean casi óptimos. Ser óptimo, tanto compacidad en la representación como velocidad en la búsqueda. Los objetos que reconocemos visualmente, por ejemplo, no son más que el punto dulce de abstracción que nuestro cerebro ha descubierto. Es por eso que no vemos una mancha de diferentes colores, sino claros objetos distintos. Y luego eventos. En resumen, necesitamos resolver primero el desafío matemático de encontrar un esquema casi óptimo para la representación del conocimiento a partir de datos sin procesar. Nunca puede ser completamente óptimo porque la cantidad total de datos nunca se conoce y aumenta en tiempo real. Este problema requerirá cierta innovación matemática en un nivel comparable al cálculo diferencial o algebra lineal. Al menos utilizará estos conceptos y lo llevará mucho más lejos.

Una vez que comencemos a construir marcos que puedan funcionar en datos de tal generalidad y alcance, estaremos en camino de construir nuestra primera instancia de IA fuerte. Hasta entonces, solo estamos optimizando el último avance matemático, que realmente fue cálculo y álgebra.

Hola Sayam Sawai Gracias por A2A.

Si empiezo los requisitos previos de Inteligencia Artificial, primero será el Interés en la IA

AI necesita mucha investigación antes de desarrollar cualquier tipo de proyecto. Comprender el flujo de datos y lo más importante el conocimiento de algoritmos. Las técnicas de clasificación de datos, eliminación de datos ruidosos / no deseados y todo lo relacionado con los datos.

Tenga en cuenta que la IA se basa en 2 cosas. 1. Algoritmos 2. Datos

aquí, el lenguaje de programación no importa, ya sea que pueda implementarlo en Java, Python, Matlab o R. Las cosas clave son Datos y Algoritmos.

Entonces, antes de comenzar con AI, asegúrese de tener una buena comprensión de los datos y los algoritmos.

E-deseo todo lo mejor ..!

NC – El quinto caballo

La inteligencia artificial tiene que ver con la comprensión lógica. Lo que haces y por qué lo haces son algunas de las muchas preguntas que te harás a ti mismo cuando trabajes en la IA.

Matemáticas y muchas de ellas serán una gran ventaja, además de eso, tener conocimientos básicos de programación te facilitará las cosas. Además, los módulos en línea han facilitado las cosas.

Asistir a confluencias como NASSCOM Design & Engineering Summit 2017 también puede ser de gran ayuda. Tienen un panel extremadamente bueno de altavoces y CXO. ¡Un gran lugar para aprender y establecer contactos!

¡Buena suerte!

Machine Learning necesita algunos requisitos previos

1. Matemáticas

a. Matemáticas Básicas

si. Álgebra lineal

C. Probabilidad y Estadística

re. Cálculo

2. Programación

a. Programación Python o R

La inteligencia artificial necesita algunos requisitos previos

1. la persona debe estar en contacto con los lenguajes de programación básicos como c, c ++ y java.

2. algunos de los lenguajes de alto nivel como python o lenguaje R.

3.debería tener una idea clara sobre algunos de los conceptos matemáticos como cálculo, probabilidad y d

estadística.

4. Por último, puede conducir a Ai y aprender conceptos.

Si está interesado en aprender ML e IA con práctica, puede inscribirse para el entrenamiento de verano sobre las últimas y más modernas tecnologías.

el enlace de inscripción está debajo

Inscripción gratuita para prácticas / prácticas industriales de verano para estudiantes de B-Tech

gracias.

Al final, todo se trata de curiosidad y de lo ansioso que estás por aprender sobre IA. ¿Solo quieres arañar la superficie o quieres profundizar en el tema? ¿También desde qué perspectiva quieres mirar la Inteligencia Artificial?

Aprender sobre neurociencia podría ser útil si realmente quieres aprender e imitar al cerebro y estás interesado en copiar la naturaleza directamente a la IA construida. Aquí es posible que desee construir sus bases con algo de biología básica (¿qué son las células ?, ¿cómo se comunican ?, ¿metabolismo?) Y física elemental (mecánica y electrónica) y luego combinar esas dos y avanzar hacia la biofísica antes de transferir su comprensión de cómo funciona el cerebro en la computadora.

Los informáticos y los matemáticos miran la IA desde un punto de vista matemático que puede ser un poco abstracto de vez en cuando. Al final, se trata de encontrar cosas para calcular y encontrar formas elegantes de hacer cálculos más rápido. Por lo tanto, se trata más de crear algoritmos, que pueden estar inspirados en la naturaleza pero que, al final del día, son solo modelos. Así que aquí tienes que tener fuertes habilidades matemáticas y de codificación como Faisal Hassan y Franck Dernoncourt mencionaron en esta publicación.

Un filósofo podría hacer diferentes preguntas sobre la IA. Un filósofo podría pensar en la ética de la IA, sus implicaciones en la sociedad y lo que significa para la humanidad en general. Tienes que ser capaz de pensar realmente algo en detalle y también dudar de tus suposiciones de vez en cuando.

Matemáticas básicas y habilidades de codificación. Pero realmente depende de qué tipo de algoritmos planees trabajar. Yo diría que primero seleccione los algoritmos que le interesan, luego explore el fondo matemático correspondiente que siente que necesita para comprenderlos. Las matemáticas discretas son las más utilizadas en informática e inteligencia artificial, pero probablemente sean demasiado amplias para sus necesidades. Si no está decidido sobre qué rama de IA desea estudiar, el libro Inteligencia Artificial: un enfoque moderno brinda una muy buena descripción de la IA y lo ayudará a detectar las habilidades que necesita.

Historia.

Con todo el entusiasmo por el aprendizaje profundo hoy en día, a la gente le faltan tantas ideas geniales que se propusieron e incluso se desarrollaron en un grado significativo en el pasado. Los resultados que muestran las redes neuronales en tareas altamente especializadas como jugar juegos de Go o Atari son increíblemente engañosos. Hacen que la gente piense que mediante algún truco simple adicional, los mismos algoritmos también pueden hacer todo lo demás.

No pueden

Hubo muchos intentos fallidos para lograr el razonamiento de máquinas en el pasado, realizado por personas muy famosas como McCarthy, Vinograd y Minsky. Aprender acerca de sus experimentos y las conclusiones extraídas de ellos es el requisito previo principal para comprender lo que realmente necesita ser mejorado y dónde puede estar la posible solución.

Todo eso no significa saltarse las matemáticas, pero en realidad no es lo principal. Descubrirás lo que te falta cuando comiences a leer von Neumann y Turing y Rosenblatt y Shannon. Esos tipos no fueron cegados por 100 millones de adquisiciones en las noticias y su trabajo científico estaba mucho más relacionado con el problema real que con cualquier cosa que se elogie en los medios. Vale la pena señalar que sus documentos se complementan con una buena cantidad de discusión filosófica, tratan de dar definiciones claras y sin ambigüedades, lo que hace que su trabajo sea mucho más fácil de entender.

Muchos caminos fueron probados en esa época y muchos de ellos están olvidados ahora. Estar bien informado sobre la base del campo de la IA hace que un colaborador sea mucho más deseable que, digamos, otro entusiasta de DL.

Además, evite el software. Cuando te vuelves dependiente de la herramienta particular desde el principio, da forma a tu visión del mundo y tiendes a perder cosas que de otra manera notarías. Realizar experimentos es muy bueno, pero saber qué y por qué lo haces es más importante.

Los documentos de los años 50 son un buen comienzo, pero no me limitaría y básicamente examinaría todos los documentos altamente citados por los pioneros de CS.

1. Matemáticas: necesitará un conocimiento profundo de temas como el cálculo y las matemáticas discretas.
2. Programación : necesitará aprender algunos idiomas LISP que generalmente se utilizan para desarrollar sistemas de inteligencia artificial. Lo más importante en la programación es la lógica. Si eres bueno aplicando lógica para resolver problemas, estoy seguro de que tu ‘Máquina inteligente’ también puede hacerlo.
3. Actitud de aprendizaje : el campo de la IA se vuelve más profundo y complejo día a día. Por lo tanto, debe estar preparado para manejar una gran cantidad de temas como teoría de probabilidad, estadísticas, etc.

Te aconsejaré que compres un libro sobre IA como Inteligencia artificial: un enfoque moderno de Stuart Russell y Peter Norvig.

Pero lo primero y más importante es ensuciarse las manos . Puedes comenzar desarrollando pequeños juegos de IA como el ajedrez. Mientras juegas con simples programas de juguetes, puedes aprender y dominar las habilidades técnicas requeridas.

Simplemente siga aumentando la complejidad de los programas que implementan las habilidades técnicas que ha aprendido hasta ahora.

Buena suerte con sus esfuerzos.

La IA no es como la física o las matemáticas, es demasiado amplia y en gran medida sin resolver. No hay verdaderos expertos en esta área y las cosas están cambiando muy rápidamente en este campo. Lo que necesita es solo una descripción general de todo el campo y luego especializarse, como saltar al aprendizaje automático (ML) más adelante y desarrollar desde allí, sí, puede echar un vistazo rápido a la historia de la IA para empezar, también necesita saber sobre el estado espacios y matemáticas como álgebra lineal y, por supuesto, habilidades de codificación, así como cálculos diferenciables . También necesita saber sobre las teorías establecidas de las matemáticas, por supuesto, así como las operaciones lógicas como en la electrónica digital. También necesita conocer la inducción y las teorías de probabilidad.

Mi enfoque favorito es aprender sobre la marcha, la IA es demasiado grande para ser considerada un campo especializado, por lo que solo cuando un algoritmo o algoritmos en particular parece importante para el problema que está tratando de resolver si profundiza, de lo contrario podría ser demasiado teórico, Esto me lleva a otro punto.

¿Quieres ser un teórico de la IA o un practicante? Estas son dos cosas muy diferentes, para un teórico necesita saber mucho más de lo necesario sobre el campo en sí mismo, por lo que no necesita codificación o experimentación, solo teorías sobre teorías, esto se hace mejor tomando cursos en línea o en universidades para ejemplo.

Por otro lado, un profesional necesita técnicas de inteligencia artificial para resolver problemas complejos, por lo tanto, aquí comienza con una declaración del problema y ve la inteligencia artificial como otro conjunto de herramientas o métodos para ayudarlo a alcanzar ese objetivo. Por lo tanto, para las personas autodidactas, recomiendo ser un practicante y eso significa bajar y ensuciar la codificación, debes experimentar mucho y aprender a medida que avanzas, de esta manera podrás aplicar la IA de una manera como ninguna otra. Desarrollarás una perspectiva y un enfoque únicos al igual que los atletas tienen habilidades únicas debido a la práctica.

Entonces no olvide un requisito previo muy importante, la pasión , sin el cual probablemente esté perdiendo el tiempo. Es importante amar lo que sea que esté tratando de lograr porque todo es más fácil de esa manera.

Espero que esto ayude.

Nada, en realidad, al igual que con todas las preguntas como “¿qué debo hacer antes de hacer X?”. La preparación es una forma de dilación. Simplemente busque en Google “inteligencia artificial” (allí LMGTFY), aterrice en la definición de Wikipedia (como esta Inteligencia artificial – Wikipedia), luego comience a leer. Lo que no entiendas, simplemente haz clic en él y descubre de qué se trata. Lávese los globos oculares en artículos aleatorios sobre su tema deseado (así como adyacente), día tras día, hasta que descubra lo que necesita estudiar.

Cada vez que contempla un nuevo tema, no es consciente de lo que no sabe, de ahí esta pregunta. Necesitas leer y trabajar un poco para descubrirlo. Luego, lenta y constantemente, comenzará a construir esa base de conocimiento y, antes de darse cuenta, podrá responder una o dos preguntas sobre el tema. En algún momento (algunas personas dicen que son 10,000 horas pero bueno, eso es solo una expresión cuantitativa), podrás dominar, o al menos tener algunas opiniones relevantes sobre tu tema de elección: Cuatro etapas de competencia – Wikipedia

¡Buena suerte!

EN MI HUMILDE OPINIÓN:
los esenciales son: programación de computadoras, algoritmos y matemáticas básicas.
bueno tener- Optimización y Álgebra Lineal

* A2A

Si quieres ser un buen constructor de IA, creo que debes saber:

1. Ciencias de la Computación.
2. Ciencia de los datos.
3. Matemáticas.

Para desglosarlo en términos y temas más específicos:

1. Programación.
2. Manipulación de datos.
3. Enfoques lógicos.

• Un poco de matemática básica como cálculo
• Fundamentos de ciencias de la computación y un lenguaje de programación (generalmente aprenden ambos juntos)
• Buena intuición y lógica
• Paciencia para sumergirte en lo desconocido

La IA es divertida. Más divertido cuando comienzas a implementarlo y visualizas la razón detrás de por qué funciona de la manera en que funciona.

MIT 6.034 La inteligencia artificial es tu amiga.

1. Motivación para estudiar
2. autodisciplina, para estudiar realmente
3. Paciencia, es un largo camino por recorrer

Respuesta real:
Supongo que si preguntas que realmente te preguntas “¿puedo hacerlo?”. Todos te responderán que solo puedes saber si lo haces. También puede preguntarse “¿Cómo hacerlo?” O más específicamente “¿Dónde comenzar?”, Luego para ambos:

1. Regístrese ya sea en Ciencias de la Computación / Matemáticas / Licenciatura en Matemáticas Aplicadas.
2. Registre el curso de Machine Learning más que famoso de Andrew Ng.

Luego, puede seguir a los maestros de ML o continuar el aprendizaje y las competencias basadas en la web (kaagle & co).

Como consejo general (comenzó ML con un fondo matemático bastante pobre): no tenga miedo de las matemáticas. ¡Necesitará tiempo (mucho) para comprender algunos conceptos, pero puede encontrar el amigo / prof / recursos en línea adecuados para abordarlo!

Solo hazlo 🙂

Casi toda mi educación (o más bien, casi toda mi educación valiosa), especialmente sobre este tema, ha sido autodidacta, por lo que puede que no sea la mejor persona para responder esta pregunta, pero lo intentaré.

En primer lugar, necesitas determinación para entenderlo realmente. Mucha gente que conozco entiende qué herramienta o algoritmo hace qué, pero no entiendo, o al menos no pueden explicar por qué. Esto los hace valiosos desde un punto de vista emprendedor, son eficientes al hacer cosas que se han hecho antes, pero no son valiosos desde el punto de vista del desarrollo; no pueden desarrollar nuevos algoritmos o tratar de resolver problemas que no se han resuelto. Entonces debes decidir lo que quieres; investigación y desarrollo en nuevas técnicas de ai o para ser un científico de datos.

En segundo lugar, he encontrado estadísticas y conceptos informáticos una y otra vez. Podrías estudiar esos temas para obtener una ventaja. Incluso podría sugerir educación sobre neurociencia, ahí es donde comencé y siento que realmente ayudó; después de todo, es el cerebro lo que estamos tratando de emular.

Normalmente, no comienzas a aprender ninguna área de inteligencia artificial hasta tus niveles de maestría y doctorado. Por lo general, también necesita una licenciatura en ingeniería de sistemas informáticos (capacitación intensiva basada en hardware y software) o una licenciatura convencional en informática. Estos son los requisitos previos estándar para lo que está buscando hacer. Robotronics LLC | Facebook

La observación aguda es la clave de todos los descubrimientos. Si eres un observador y sabes cómo puedes moldear tus pensamientos en Codificación, entonces todo está hecho.

Ahora, lo que necesita saber son las bibliotecas que lo ayudarán a hacer posible el aprendizaje automático. Hay pocos en mi mente, espero que te ayuden.

1. Tensorflow
2. CNTK
3. Keras
4. Spark-MLlib
5. Antorcha (usé PyTorch)

Supongo que esto será todo lo que necesitas … 🙂