La respuesta depende de un par de factores: su objetivo, conocimiento y tiempo.
¿Cual es tu meta?
¿Quieres conseguir un trabajo como ingeniero de ML? ¿Quieres seguir la academia? ¿Quieres estudiarlo como un hobby? Esto cambia la respuesta drásticamente.
- ¿Cuáles son los nuevos desafíos de inteligencia artificial?
- ¿Cuáles son las mejores películas sobre inteligencia artificial?
- ¿Cuál es mejor inteligencia artificial o robótica?
- ¿Qué puede hacer la inteligencia artificial?
- ¿La IA todavía está poco desarrollada? ¿Cuánto mejorará en los próximos 5 años?
Si desea convertirse en un ingeniero de ML o incluso en un aficionado, es clave que pueda usar efectivamente marcos de aprendizaje automático para crear aplicaciones de ML. Aquí, lo más útil es crear muchas aplicaciones basadas en datos. Este plan de estudio de varios meses tiene más de 14k estrellas en Github, y es probablemente el mejor lugar para comenzar si tiene experiencia en software.
Si desea ingresar a la academia, necesitará más antecedentes teóricos en las matemáticas y estadísticas fundamentales (más sobre esto más adelante). Además, debe dedicar tiempo a mantenerse al día con el estado académico actual. arxiv-sanity es una buena herramienta hecha por Andrej Karpathy que filtra y clasifica eficazmente los documentos para leer en función del tiempo de publicación, “bombo” y más.
¿Qué sabes ya?
Una base en la programación, específicamente en Python, es extremadamente útil. Sin embargo, también puede usar otros idiomas para el aprendizaje automático, como R, MATLAB, Lua, pero no son tan comunes.
Las matemáticas fundamentales se dividen en varias categorías:
- Álgebra lineal
- Probabilidad y teoría de la información.
- Computación numérica
- Cálculo multivariable
Idealmente, debes dominarlos tanto como puedas; por supuesto, nunca puedes conocer un tema por completo. Sería mejor si pudieras tomar al menos un curso sobre cada tema. Si está buscando una introducción ligera, el Libro de aprendizaje profundo de Goodfellow et al. tiene algunos capítulos introductorios sobre los temas.
¿Cuánto tiempo tienes?
Si tiene un mes: lea un libro introductorio sobre el tema que elija. Por ejemplo, el Libro de aprendizaje profundo es bastante bueno si quieres entrar en el aprendizaje profundo.
Si tiene 10 semanas, Stanford CS231n es un excelente curso para aprender la visión por computadora basada en redes neuronales.
Si tiene un par de meses, el plan de estudio en Github es bueno.
Si tiene más tiempo que eso, comience a trabajar en algunos proyectos novedosos después de estudiar, por ejemplo, abordando competencias de Kaggle o trabajando en un proyecto de investigación. Puede encontrar una lista de problemas abiertos aquí, así como en las solicitudes de investigación de OpenAI.
Por supuesto, hay tantos recursos y el aprendizaje es un proceso continuo sin fin. Esperemos que estos recursos puedan ayudarlo a comenzar.