¿Es una buena idea dejar el aprendizaje automático después de 2 años y estudiar desarrollo web, si me di cuenta de que no soy tan inteligente para todas esas matemáticas de ML?

No.

Si no eres lo suficientemente inteligente para ML, primero, ¿por qué te tomó dos años darte cuenta de eso? Y segundo, el desarrollo web no es más fácil. Tal vez sea diferente, pero no es más fácil. Necesita el mismo tipo de razonamiento lógico para el desarrollador web que el que necesita para ML / Data Science.

Sí, hay más Matemáticas involucradas en un campo que en el otro, pero, si fuera usted, repensaría por completo todos sus fundamentos de pensamiento lógico desde cero.

ML y desarrollo web, tienen una cosa en común, ambos están programando. Así que estudie eso primero. De Verdad.

ML no es difícil. Sí, tiene un poco más de matemáticas, pero en cierto sentido, el código es aún más fácil una vez que hayas pasado la parte de matemáticas (lo cual no es tan complicado en absoluto, a menos que escribas todo desde cero, lo cual dudo mucho que lo hagas) , entonces, podría ser una amarga compensación para usted.

Nunca es demasiado tarde para comenzar a aprender algo nuevo. Anímate y aprende lo que te gusta.

More Interesting

¿Cuál es la diferencia entre Bayes ingenuo y la entropía máxima?

¿Qué es mejor para una implementación de juego de 20 preguntas, redes neuronales o árboles de decisión?

¿El aprendizaje automático va a derrocar al sistema dinámico?

¿Qué es el aprendizaje profundo para un principiante?

¿Cómo puedo explicar el hecho de que el aprendizaje por transferencia ofrece un mejor rendimiento que el entrenamiento estándar?

¿Crees que la investigación universal de perturbaciones adversas es justa en las redes neuronales profundas?

Visión por computadora: ¿cómo es la detección de objetos usando los puntos clave SIFT escala / rotacionalmente invariante?

¿Debo aprender el aprendizaje automático (supervisado) antes del aprendizaje profundo (sin supervisión)? Solo tengo una computadora portátil en casa, entonces, ¿será suficiente la potencia informática?

¿Dónde está el mejor lugar para trabajar en investigaciones de IA?

¿Los grandes ingenieros de aprendizaje automático siempre leen nuevos trabajos de investigación sobre ML?

¿Cuál es su proceso para diseñar funciones de pérdida para problemas de Machine Learning?

¿Cómo se implementa una pila en hardware para subrutinas de nivel de código de máquina?

¿Cómo funciona Google Deep Dream?

¿Por qué son importantes las redes de confrontación generativas?

¿Debo usar bibliotecas de python como Scikit-learn para ML que tienen algoritmos estándar implementados (considerando que soy un novato en el aprendizaje automático)?