¡Por supuesto que puede! Ser bueno en el aprendizaje automático consta de 3 componentes principales, y quizás uno opcional.
- Comprender las entradas de datos y cómo preprocesarlas para entrenar un modelo
- La primera parte de esto es ETL (extraer, transformar, cargar) de entradas de datos, que en su mayor parte es limpiar los datos
- La segunda parte es la ingeniería de características, donde extrae las características que cree que serían más útiles de las columnas de datos.
- Elegir los modelos correctos para hacer la tarea en cuestión. Por ejemplo, para identificar si hay animales en una imagen, puede usar funciones HOG y un SVM multiclase, o un clasificador multiclase de red neuronal profunda
- Iteración y predilección por detectar tendencias en gráficos e investigarlas a fondo a través de la curiosidad. La mayor parte de esto es saber cómo visualizar su trabajo para ver qué está funcionando y qué no, y luego cambiar los hiperparámetros y las características para aumentar el rendimiento del modelo.
- (¿Opcional?) Un amor por comunicar el trabajo que ha realizado, a través de gráficos, visualizaciones, estadísticas, etc. para que pueda probar que la solución que ha logrado es mejor que los resultados anteriores y resuelve el problema en cuestión.
¡Espero que esto ayude!
- Dado un grupo de nodos con solo información de sus grados individuales, ¿puedo determinar en tiempo polinómico si puedo formar un gráfico múltiple conectado a partir de ellos?
- ¿Hay alguna diferencia entre los simuladores Cadence Specter y Synopsys HSPICE?
- ¿Qué es un índice agrupado?
- ¿Cuál es la diferencia entre los sistemas de archivos NTFS y FAT32?
- ¿Ha pasado una computadora la prueba de Turing, desde el punto de vista matemático y de la informática?
