Cómo comenzar a aprender redes neuronales y aprendizaje profundo

Deep Learning es una nueva área de investigación de Machine Learning, que se ha introducido con el objetivo de acercar el Machine Learning a uno de sus objetivos originales: la inteligencia artificial

Debido a los logros actuales de las redes neuronales artificiales en una amplia gama de tareas, el aprendizaje profundo ha resultado ser en gran medida frecuente.

Ir a través de Deep Learning Company Webtunix

Webtunix ayuda a las organizaciones a utilizar el aprendizaje profundo para mejorar sus productos. Hacemos esto a través de una combinación de ingeniería en el sitio, capacitación, soporte y desarrollo de software personalizado. Somos defensores de los frameworks basados ​​en python keras y theano.

Nuestros servicios de aprendizaje profundo son:

• Financiar
• Cuidado de la salud
• Ciencias de la vida
• Reconocimiento de video
• Análisis sentimental
• Radiología
• Agricultura
• Optimización de la velocidad web
• Procesamiento de imágenes
• Predicción del mercado de valores
• Diagnostico medico
• Predicción de la demanda
• Detección de anomalías
• Detección de fraude
• Cliente abandono
• Agregar sonidos automáticamente a películas mudas
• Traducción Automática Automática
• Clasificación y detección de objetos
• Generación automática de escritura a mano
• Generación automática de texto
• Generación automática de subtítulos de imagen
• Juego automático
• Etiquetado automático de imágenes
• Recomendador de ropa
• Generación de música
• Etiquetado de música
• Cancelación del eco
• Aprendizaje profundo y IOT
• Reconocimiento óptico de caracteres
• Localización de fuente
• Predicción de apuestas

Recomiendo ir con esta organización para aprender Aprendizaje profundo y sus cursos relacionados porque es beneficioso. Oportunidad de trabajar con una reputada empresa de aprendizaje automático en India.

Haga clic aquí para visitar: –

En primer lugar, decide por ti mismo para qué propósito quieres aprender al respecto. ¿Quieres aplicarlo (y en qué medida) o quieres ser investigador?

Mi respuesta dependerá de su elección:

Aplicación de redes neuronales (y aprendizaje automático):

• Asegúrese de conocer Python, instalar numpy, scipy, sklearn y keras / lasagne.
• Aprenda sobre lo siguiente: regresión lineal, regresión logística, softmax
• Aprenda acerca de cómo implementar una red neuronal básica, para una tarea simple como cifar.
• Conozca las diferentes funciones de activación: Sigmoid, TanH, Relu, Prelu, etc. ¿Cuáles son los beneficios de cada una de estas funciones de activación?
• Aprenda sobre las técnicas de regularización adecuadas: normalización por lotes, abandono, regularización l2, regularización l1. Aprenda cómo y cuándo usarlos
• Aprenda sobre optimizadores: Adagrad, adadelta, descenso de gradiente simple, etc. Aprenda por qué y cómo funcionan y cuándo usarlos
• Aprenda sobre las diferentes arquitecturas para diferentes tareas: redes neuronales convolucionales, redes neuronales recurrentes, siameses, tripletas, codificadores automáticos variacionales, etc.

Ahora ya sabes todo sobre las redes neuronales, pero ¿qué sucede cuando quieres hacer otra cosa? Bueno, también debería conocer algunos de los otros algoritmos, así que prepárese para aprender cómo aplicar otras técnicas de aprendizaje automático también. (En serio, las redes neuronales son geniales, pero son un poco difíciles de optimizar. Son casi imposibles de optimizar si tienes muy pocos datos y, a menudo, son superadas por otras técnicas).

Fuentes útiles: Deep Learning, scikit-learn: aprendizaje automático en Python, Documentación de Keras, TensorFlow.

Convertirse en un investigador / académico:

Divulgación completa: no soy investigador

Haga todo lo que se indica en la sección ‘aplicación de redes neuronales’, pero de manera más exhaustiva. Comience a leer documentos diariamente, obtenga un doctorado, visite conferencias, conviértase en ermitaño.

Nota final: En serio, no solo te especialices en redes neuronales. Funcionan fantásticamente si tiene grandes cantidades de datos, pero son muy difíciles de optimizar. Aprenda también sobre otras técnicas de ML: SVM, impulso, embolsado, árboles de decisión, modelos de mezcla, etc. ¡Esos temas también son muy interesantes y útiles!

Realmente depende de tu experiencia en Matemáticas y CS. Una persona con poca o ninguna experiencia y conocimiento de CS definitivamente no debería lanzarse al aprendizaje profundo de inmediato, a menos que solo desee hacer algunos proyectos divertidos. Si desea construir una base sólida de aprendizaje, comience con los requisitos previos. Comience con la programación básica y el cálculo y avance hasta que pueda comprender al menos un poco de cómo se componen las NN. Después de eso, encontrará toneladas de fuentes y cursos gratuitos para ayudarlo a comprender la parte real del “aprendizaje profundo”. Pero sin una sólida formación, realmente no podrá comprender lo que está haciendo y, por lo tanto, no será tan sólido como aprendiz.

Muy recomendable leer el libro de Ian Goodfellow sobre Deep learning. Otro libro imprescindible es el libro de aprendizaje de refuerzo de Richard Sutton, sale una segunda edición

Los tutoriales de Machine Learning de Sentdex son un excelente lugar para comenzar. Hacia el final, se mete en Deep Learning. Aquí está el enlace.

Aprendizaje automático con Python – YouTube