¿Qué es más exigente, desarrollo de aplicaciones, aprendizaje automático, aprendizaje profundo, inteligencia artificial o IOT?

Realmente depende de qué tipo de cosas eres bueno y disfrutas hacer. Si te gusta hacer algo, es menos probable que lo encuentres increíblemente exigente.

En mi poco tiempo aprendiendo Android Studio, realmente no era fanático de toda la sintaxis molesta que tenía que aprender y los mensajes de error ambiguos con los que tenía que lidiar constantemente. También soy más un tipo de matemática y no había tanta matemática o teoría genial en el desarrollo de aplicaciones. Sin embargo, algunos de mis amigos realmente disfrutan la ingeniería de software, la construcción de cosas y la paciencia para aprender una sintaxis compleja, y realmente disfrutaron el desarrollo de aplicaciones y no lo encontraron demasiado exigente.

Una gran cantidad de IOT requiere cierto conocimiento del hardware y las interacciones entre el software y el hardware. Uno de mis amigos más cercanos creó un dispositivo IoT realmente genial para los padres que desean comunicarse con sus hijos pequeños y gran parte de su proyecto requería conocimientos sobre cómo interactuar con el MSP430 y la codificación de bajo nivel. Si considera que esta interacción de hardware y software es intrigante, probablemente no encontrará que IOT sea increíblemente exigente, pero definitivamente es mucho que aprender.

Y para la inteligencia artificial, el aprendizaje profundo y el aprendizaje automático, estos temas generalmente requieren una buena base en álgebra lineal, probabilidad, estadística y cálculo multivariable para fines de optimización. Si realmente no tiene una buena experiencia en estos temas, es posible que inicialmente estos campos sean bastante exigentes, pero nuevamente, si considera que estos temas son realmente geniales y emocionantes, no se sentirá tan exigente.

Supongo que la moraleja de la historia es tratar de profundizar en estos campos, descubrir lo que te parece interesante, y simplemente ir y disfrutar del viaje. No base una decisión sobre lo que quiere aprender sobre lo que es “menos exigente”.

Deep Learning ha permitido muchas aplicaciones prácticas de Machine Learning y, por extensión, el campo general de la IA. El Aprendizaje profundo desglosa las tareas de manera que hace posible, incluso probable, todo tipo de asistencia de máquina. El automóvil sin conductor, una mejor atención médica preventiva, incluso mejores recomendaciones de películas, están aquí hoy o en el horizonte. La IA es el presente y el futuro. Con la ayuda de Deep Learning, la IA puede incluso llegar a ese estado de ciencia ficción que tanto tiempo hemos imaginado.

Si bien IoT ha estado en auge en el mercado y muchas compañías están construyendo sus productos aún más inteligentes. Buscando soluciones y servicios de IoT, conéctese con volansys

More Interesting

¿Por qué usar Kohonen SOMs sobre K-means, o viceversa?

Cómo configurar un laboratorio de innovación de ciencia de datos

¿Existe la idea de utilizar la regularización para evitar el sobreajuste en la econometría, como lo enseñan los economistas?

¿Cuáles son los límites de los modelos ocultos de Markov en la minería de texto?

Un perceptrón multicapa tiene parámetros como el tamaño de un lote, épocas, neuronas, velocidad de aprendizaje, etc. ¿Cuáles son algunas experiencias prácticas de sintonización?

Intuitivamente, ¿cómo funcionan los multiplicadores de Lagrange en SVM?

¿Cuál es la relación entre un modelo múltiple que interactúa y un filtro de Kalman?

¿Sería posible leer mentes usando una máquina?

¿Qué son los núcleos en aprendizaje automático y SVM y por qué los necesitamos?

¿Cuáles son las funciones básicas del olfato? Al igual que los datos visuales se pueden aproximar en una base 3D (RGB, HSI, etc.), ¿se puede aproximar el olor como una suma lineal de unos pocos olores básicos?

¿Cuál es la posibilidad de hacer una máquina de pensamiento real?

¿Qué es una red cortical recurrente?

El límite de decisión de los árboles de decisión es el eje paralelo. Random Forests es un conjunto de árboles. ¿Cuál es el límite de decisión de los bosques aleatorios?

¿Tiene sentido el uso de bosques aleatorios en los datos financieros si se supone que los rendimientos dependen en serie (es decir, que los rendimientos actuales dependen de los rendimientos pasados)?

¿El aprendizaje profundo hará que otros algoritmos de aprendizaje automático sean obsoletos?