A2A.
Ya hay muchos buenos consejos sobre este hilo: ¿Cómo aprendo el aprendizaje automático?
Estoy copiando mi respuesta de ese hilo a continuación para una referencia rápida:
- ¿Qué porcentaje de la investigación de riesgo de IA es "inútil"?
- ¿Cuál es el estado actual del Proyecto Halo?
- ¿Cuál es la salida de una red neuronal para la agrupación supervisada de datos secuenciales?
- ¿Cuál es este alboroto acerca de que los robots de AI de Facebook se hablan en un lenguaje codificado?
- ¿Cómo se hizo Wolfram Alpha? ¿Como funciona? ¿Cómo calcula el conocimiento no estructurado?
La respuesta dependerá significativamente de cuál sea su experiencia actual y para qué desea aprender el aprendizaje automático.
Para tener una base matemática básica, debe tener algún conocimiento de los siguientes conceptos matemáticos:
– Probabilidades y estadísticas
– Álgebra lineal
– Optimización
– Cálculo multivariable
– Análisis funcional (no esencial)
– Lógica de primer orden (no esencial)
Puede encontrar material razonable sobre la mayoría de estos buscando ”
Hojea estos. No es necesario que los revise con mucho detalle. Puede volver a estudiar matemáticas cuando sea necesario mientras aprende ML.
Una vez que te sientas cómodo con las matemáticas básicas, puedes comenzar con un curso en línea o uno de los libros estándar sobre aprendizaje automático. El curso de Andrew Ng sobre Coursera es un buen punto de partida. Una versión avanzada del curso está disponible en The Open Academy (Machine Learning | The Open Academy). Los libros estándar con los que tengo experiencia son los siguientes:
Reconocimiento de patrones y aprendizaje automático: Christopher Bishop
Aprendizaje automático: una perspectiva probabilística: Kevin P. Murphy
Si bien el libro de Murphy es más actual y más elaborado, creo que Bishop es más accesible para los principiantes. Puedes elegir uno de ellos según tu nivel.
En este punto, debe tener un conocimiento práctico del aprendizaje automático. Más allá de esto, si está interesado en un tema en particular, busque recursos en línea específicos sobre el tema, lea documentos seminales en el subcampo, intente encontrar algunos problemas más simples e impleméntelos.
Es importante destacar que hay muchos algoritmos / paradigmas en el aprendizaje automático. Si bien debe tener alguna comprensión de estos, es igualmente importante tener la intuición básica del aprendizaje automático: conceptos de compensación de sesgo-varianza, sobreajuste, regularización, dualidad, etc. Estos conceptos a menudo se usan en la mayoría o en todo el aprendizaje automático, de una forma u otra
Finalmente, es importante implementar algunos algoritmos básicos cuando comience a hacer ML, como descenso de gradiente, AdaBoost, árboles de decisión, etc. También debe tener algo de experiencia con el preprocesamiento de datos, la normalización, etc. Una vez que haya implementado algunos algoritmos desde cero , para otros algoritmos, debe usar las implementaciones estándar (como LibSVM, Weka, ScikitLearn, etc.) en algunos problemas de juguetes, y obtener una buena comprensión de los diferentes algoritmos.