Me enseñaron Redes Neurales como parte de mi plan de estudios de pregrado y sigo trabajando en Deep Learning.
La parte del plan de estudios: este era un plan de estudios muy poco estructurado, así que aprendí mucho sobre la estructura de la red después. La primera red que me enseñaron fue el modelo McCulloch Pitts Neuron y el Perceptron de una sola capa. Todavía recuerdo que mi reacción fue (meh). No pude ver cómo estas redes podrían lograr algo importante.
Continuando con el backprop (intrigado pero aún no sorprendido) la primera vez que consideré una estructura de red diferente fue la red Hopfield Network y / o el mapa de Kohonens Self Organizing y la base radial. Las aplicaciones fueron profundas en la reducción de dimensionalidad. Recuerdo haber obtenido mis primeros resultados valiosos por métodos sin supervisión en el conjunto de datos de Iris. La estructura de red claramente única tiene un papel que desempeñar en las aplicaciones.
- ¿Los salarios mínimos / de vida perjudican a los trabajadores debido a la mayor mecanización y automatización?
- Cómo hacer que un robot aprenda a caminar
- ¿Cuál es la prueba de que la iteración de políticas converge en el aprendizaje por refuerzo?
- ¿Cómo es trabajar en Watson Analytics de IBM?
- Lo cual es más fácil de lograr; ¿Inteligencia artificial, acabar con el envejecimiento o las interfaces cerebro-computadora?
Post Currículum: aprendí sobre Conv Nets. Me impresionaron los resultados y la estructura. De alguna manera, los grandes del aprendizaje profundo combinaron filtros de ventanas móviles (un concepto simple en el procesamiento de imágenes) con redes neuronales como núcleos y capas totalmente conectadas para dar resultados de clasificación sorprendentes. Luego aprendí sobre Rnn, lstm, resnets, Gans, etc.
Señale que sí, podría ser difícil comprender inicialmente las diferentes redes neuronales. Una forma de comprender las diferentes estructuras es obtener un alto nivel de comprensión de lo que cada estructura de red logra con éxito.
Pensar fuera de la caja siempre es recompensado.