¿Por qué aprendiste Machine Learning?

Elegí aprender Machine Learning, específicamente Deep Learning, porque actualmente es la mejor herramienta para resolver muchos problemas .

Ampliaré eso.

Consulte el gráfico a continuación, que muestra la cantidad de publicaciones de investigación que utilizan Deep Learning en los últimos años. Para China y EE. UU. Es casi una curva exponencial . La razón de esta tendencia es simple: las técnicas de aprendizaje profundo actualmente están logrando un rendimiento mucho mejor en muchas tareas de “IA” que cualquier otra técnica en una amplia variedad de aplicaciones. Esto nos ha permitido abordar muchos problemas del mundo real que antes no podíamos, simplemente porque las técnicas que estábamos usando no eran lo suficientemente precisas o rápidas.

Pase a Deep Learning y ahora tenemos técnicas para crear nuevos productos que antes no eran prácticamente factibles. Cosas como autos autónomos, bots de chat realmente útiles , traducción precisa del idioma, etc. Google también lo ha reconocido claramente como puede ver en el gráfico a continuación.

Me encanta trabajar en el campo de la tecnología. En este tipo de trabajo, realmente no se puede sesgar a ninguna herramienta. Tienes que seleccionar la mejor herramienta para el trabajo. Para los problemas en los que estoy interesado en trabajar (¡y muchos otros!), Eso es Deep Learning .

Una vez (probablemente) encontremos una nueva técnica que funcione mejor que Deep Learning, entonces será hora de aprender eso. 🙂

Hola,

Aprender el aprendizaje automático fue puramente de un interés en la inteligencia artificial para mí. Por alguna razón, solo escuchar la palabra robots o algo sobre IA me fascinó, pero fue solo un momento de alegría en ese momento. A medida que pasaba el tiempo, lentamente comencé a trabajar en ingeniería informática, ¡pero aprendí inteligencia artificial como si todavía estuviera colgando allí sin saber dónde identificar la cabeza!

Eventualmente, comencé a leer artículos sobre robots, divertidos por los robots de Boston Dynamics como BigDog, artículos de Wired … todo esto me dio una idea de cómo funcionaban las máquinas y el cerebro detrás de sus acciones.

Lo primero y lo mejor que hice fue inscribirme en el curso de Machine Learning impartido por el profesor Andrew Ng en Coursera. Luego también vino otro tema increíble enseñado por él: Redes neuronales y aprendizaje profundo que también estoy persiguiendo actualmente.

Algunas de las mejores herramientas para usar a medida que aprende sus algoritmos son: Python, R, Google Tensorflow, el sitio web de Kaggle y sitios habituales como Udemy, edX …

Por lo tanto, hoy en día el aprendizaje automático, la IA es uno de los campos en evolución y florecimiento en el que alguien que está dispuesto a convertirse en un científico de datos o algo similar tiene un alto alcance en el mercado laboral y también formará parte de muchas innovaciones y logros futuros.

¡Buena suerte a mis compañeros estudiantes de ML!

Supongo que me tropecé con eso.

Estaba estudiando una amplia variedad de materias en la universidad, incluida la programación, el procesamiento de señales, la teoría de control, la investigación de operaciones, el análisis de inversiones y la optimización de la cartera y, en general, trataba de encontrar mi lugar en el mundo.

Mi cabeza comenzaba a llenarse de todas estas ideas de cómo podría combinar todo lo que había aprendido, y comencé a trabajar independientemente en algoritmos de negociación de acciones en mi tiempo libre. Estaba leyendo sobre análisis cuantitativo en foros y blogs y tenía la idea de que quería ser cuantitativo.

Mi atención se volvió rápidamente hacia el aprendizaje automático y las redes neuronales. Al leer más, me di cuenta de que estas técnicas podrían aplicarse en general a todo tipo de dominios, no solo a las finanzas. En ese momento, estaba enganchado, y sabía que tenía que seguir una carrera en aprendizaje automático y ciencia de datos. Ha sido una experiencia de aprendizaje continuo desde entonces.

Por su generalidad.

Si desea una carrera profesional exitosa, productiva y profesional que agregue valor, una buena pregunta es:

¿Qué necesito saber para ser el más útil para la mayor cantidad de personas?

Ahora imaginemos que eres un verdadero profesional en la magia negra que es el aprendizaje automático. Conoces las debilidades, fortalezas, tiempos de ejecución, requisitos de hardware y el mejor software para cada algoritmo ML popular. Está familiarizado con todos los trabajos publicados en NIPS, CVPR, ICML y ECCV de la última década. Conoces las herramientas de visualización más informativas incluso para los datos más rebeldes. Puedes entrenar un LSTM para generar tuits humanos. De hecho, puede escribir un bot de chat que pasará la prueba de Turing. Utiliza el aprendizaje por refuerzo para vencer a los mejores jugadores de DOTA 2 del mundo. Sus redes neuronales pueden extraer el significado independiente del idioma del texto del lenguaje natural. Eres una bestia que ha extraído la inteligencia pura en un arma de fuego, lista para ser disparada ante cualquier problema que los simios hayan estado golpeando durante el siglo pasado.

Si eres este aparente oráculo, eres inmediatamente útil para cualquier negocio que registre datos. Un hospital quiere que diagnostique a los pacientes. Una empresa de tecnología quiere que determine el comportamiento del usuario. Las compañías financieras quieren que prediga los movimientos de acciones. Las compañías de seguros quieren que prediga los desastres naturales y la propagación de enfermedades. Las compañías automotrices quieren que programes sus autos. ¡Google te quiere sin importar qué!

Es este razonamiento lo que me convenció de que ML es el mejor tema para aprender. Es extremadamente general, muy útil y recientemente aplicable.

Entonces te pregunto, ¿por qué no aprender ML?

¡Porque los datos son poder!

Y el aprendizaje automático es algo que puede desbloquear este inmenso potencial de datos.

Vivimos en una era en la que los datos crecieron a pasos agigantados increíbles. Aquí hay algunas estadísticas:

• Desde el comienzo de los tiempos hasta 2005, los humanos habían creado 130 exabytes de datos.
• En 2010, ese número aumentó a 1200 exabytes
• Para 2015, 7900 exabytes de datos
• Se espera que la cifra aumente a 40.900 exabytes para 2020.

Al ser un principiante absoluto, me sorprendió esta estadística a principios de este mes. Mi amor por el crecimiento (surgido como un subproducto de mi odio por el estancamiento) gritó que debía probar Machine Learning. El volumen, la velocidad y la variedad de datos de hoy en día exige que más personas en esta ciencia llamada Aprendizaje automático mejor definida por Sundar Pichai como:

“Una forma central y transformadora por la cual estamos repensando todo lo que estamos haciendo”.

Hacemos que nuestras máquinas aprendan de los datos disponibles para hacer predicciones sobre datos invisibles, es decir, estamos transformando nuestros datos en acciones inteligentes.

Obviamente, ‘Data Crunching’ se ha convertido en el alma de todo el flujo de trabajo de Machine Learning. Y no puedo olvidar la única línea que he internalizado en mis etapas incipientes absolutas de aprendizaje de Machine Learning: “Una mejor información supera a los algoritmos más sofisticados”.

A medida que avanzo con mi curva de aprendizaje, todos los días vienen con una sorpresa que me deja asombrado de las cosas imposibles que pueden lograr Machine Learning y Deep Learning. Desde el diagnóstico médico de enfermedades fatales hasta la ecolocalización humana, desde la visión por computadora hasta el procesamiento del lenguaje natural, desde la detección de fraudes hasta la predicción del próximo ataque terrorista y, por supuesto, el gran sueño de la IA de replicar la máquina de aprendizaje más increíble que conocemos: nuestros cerebros.

De hecho, es el campo de estudio más sorprendente que me presentaron.

¡Gracias por tu tiempo!

La evolución del aprendizaje automático es un salto significativo en los avances tecnológicos. Estamos viviendo en la era en la que se está produciendo la cuarta generación de la revolución de la industria, otras 3 son la automatización mecánica, la industrialización y la automatización electrónica. Esta cuarta generación de revolución industrial implica la automatización inteligente. Esto incluye varios desarrollos que tienen lugar, como Internet de las cosas, Internet industrial, ciudades inteligentes, hogares inteligentes, etc.

La inteligencia artificial y el aprendizaje automático son ingredientes centrales de esta cuarta generación de revolución industrial. Los sensores y actuadores están unidos a las cosas, lo que les proporciona la capacidad de detectar cosas, convertirlas en 1s y 0s, y almacenarlas en algún lugar para su análisis y decisiones apropiadas. Estos datos recopilados podrían encontrarse en GB, TB o Petabytes. La verdadera esencia de estos datos recopilados es obtener el valor de ellos. el aprendizaje automático es la tecnología central que ayuda a obtener el valor de estos datos históricos y de recopilación constante

No puedo creer que nadie mencionó el dinero y las oportunidades laborales (si no me equivoco) y el hecho de que hace mucho calor en este momento, por lo que todos (en el campo de “datos”) están hablando de eso. Conozco a muchos que simplemente tomaron el camino ML / DL por el dinero, tan simple como eso. No entienden las matemáticas detrás de ML / DL, y de hecho no están interesados ​​en las matemáticas, simplemente usan trucos / modelos “conocidos” y cobran, sin hacer preguntas.

Vengo del campo de Investigación de Operaciones y veo a algunos de mis colegas disfrazando lo que hacen y les digo a sus clientes que es “aprendizaje automático” o incluso mejor “aprendizaje profundo”, mientras que en realidad no lo es.

No digo que este no sea un campo maravilloso que sea muy interesante, pero hay otras razones que generan “pura curiosidad científica” que atraen a las personas a ese campo.

Por mi parte, considero que el aprendizaje automático es complementario de lo que estoy haciendo y es muy interesante, pero estaría mintiendo si no mencionara las oportunidades de trabajo y el dinero que se puede ganar al decir “Resolveré su problema aplicando el aprendizaje automático “.

Porque detectar patrones ocultos y descubrir conocimiento en información de alta dimensión fue algo que siempre encontré muy interesante. Los humanos no pueden visualizar fácilmente más de 3 dimensiones, pero los algoritmos informáticos pueden manejar muchas dimensiones, lo que lo convierte en una idea emocionante. En un momento, cuando decidí estudiar ingeniería biomédica, vi que hay muchas aplicaciones potenciales del aprendizaje automático en este campo. Así que era el momento de aprender el aprendizaje automático. Más tarde descubrí que el aprendizaje automático no siempre se trata del “descubrimiento de conocimiento”, pero aún así, siempre es emocionante trabajar en este campo de la inteligencia artificial y desarrollar “inteligencias entrenadas” que puedan detectar patrones y relaciones, y que realmente funcionen en práctica.

El aprendizaje automático es la base de la inteligencia artificial y la robótica.

Mi pasión es la inteligencia artificial y la robótica. Y si una persona quiere comenzar a dominar algo, necesita dominar los fundamentos y conceptos básicos de ese campo en particular. Cuando se trata de Inteligencia Artificial y Robótica, el Aprendizaje Automático es el primer curso que uno debe aprender, ya que brindará el conocimiento previo necesario para avanzar más en el campo de la Inteligencia Artificial y la Robótica.

Interesante pregunta. Realmente no puedo decir que alguna vez lo hice. Lo que sí aprendí fue cálculo, ecuaciones diferenciales, análisis funcional, optimización, teoría de probabilidad, estadística matemática y aplicada, incluidas estadísticas bayesianas y estadísticas no paramétricas, análisis de series de tiempo (procesamiento de señales), matemáticas aplicadas, arquitectura de computadoras, filosofía y programación en un variedad de idiomas, desde Fortran hasta PL2, Pascal y C. Todo esto se convirtió en la base de mi primer Máster, en Sistemas de Control para industrias químicas. Muchos años después, estudié psicología y teoría de la inclinación. Si hay una cosa que me di cuenta sobre el aprendizaje automático después de todas mis clases y muchos años de experiencia, es que la máquina no aprende. En el mejor de los casos, adapta el algoritmo de procesamiento para cumplir un objetivo. Los humanos aprenden.

Puede preguntarme si estoy familiarizado con las redes neuronales profundas. Si alguna vez ha simulado el funcionamiento de un sistema de control para una producción química muy básica, probablemente sepa que es una red neuronal profunda.

Porque yo era un gran hipster en ese entonces. Siempre he odiado el desarrollo web, pero eso es lo que la mayoría de las personas que me rodean hacen, en mi universidad. Al principio, asistí a un curso de Conputer Vision porque sonaba genial y de los 180 estudiantes de CS de mi año escolar, solo unas 10 personas se inscribieron.

Estaba totalmente enganchado por todo, incluidos los aspectos de aprendizaje automático de CV. Más tarde, seguí adelante y comencé a aprender ML por mi cuenta.

Sí. Aprendí ML porque pensé que era genial.

Años después, el desarrollo web todavía no tiene mucho sentido para mí. Realmente admiro a las personas por hacer webs eficientes y bonitas porque, simplemente, no puedo.

No he encontrado la necesidad de usarlo para ningún proyecto hasta ahora.
Conozco algunas ideas muy básicas sobre cómo funciona.

Uno aprende una tecnología particular o una técnica matemática cuando hay una razón práctica para hacerlo, a menos que aprender matemáticas sea en sí mismo el objetivo final.

Al menos para mí, las matemáticas son divertidas hasta un nivel básico que entiendo, por lo que es demasiado esfuerzo aprenderlas, sin uso práctico, ni gratificación inmediata.

Me enamoré de él durante la escuela de medicina cuando asistí a un seminario de genómica. No podía imaginar hacer otra cosa. Salí de mi programa de doctorado / doctorado y entré en un estudio independiente durante el resto del semestre, centrado en el aprendizaje automático y sus aplicaciones en genómica.