¿Necesito saber Machine Learning antes de estudiar Deep Learning?

Me encontré con esta “visión estadística sobre el aprendizaje profundo” hace unas semanas, que comparo con Hastie, Tibshirani, Friedman exponiendo Boosting por lo que realmente es en su artículo de Annals of Statistics 2001 … es solo una estimación de la función aditiva de etapa avanzada (codicioso).

La interpretación del aprendizaje profundo no es más que modelos lineales generalizados recursivos (anidados) elimina la mística lingüística del aprendizaje profundo y aísla los algoritmos necesarios para ajustar / entrenar estos modelos altamente no convexos.

Por lo tanto, poder comprender esa conexión con la rama del aprendizaje estadístico y el aprendizaje automático ayuda a desarrollar una comprensión más profunda de que el aprendizaje profundo es una expansión de la función de base exótica contra nuestros amigos familiares en el espacio de la función de pérdida.

Deep Learning es solo un subconjunto de Machine Learning.

Llegando a su pregunta “Sí”, aprender los conceptos de aprendizaje automático es obligatorio.

El aprendizaje profundo ha evolucionado recientemente para superar las limitaciones del aprendizaje automático

Ahora analicemos ‘¿Cuáles son las limitaciones del aprendizaje automático?’

1. Los algoritmos tradicionales de Machine Learning no han logrado resolver problemas cruciales de IA, como el procesamiento del lenguaje natural, el reconocimiento de imágenes.

2.Los algoritmos tradicionales de ML no fueron útiles al trabajar con datos de alta dimensión, que es donde tenemos una gran cantidad de entradas y salidas (por ejemplo: 100 o 1000 o incluso más).

Ahora aquí viene el aprendizaje profundo en la imagen.

El aprendizaje profundo es uno de los únicos métodos por los cuales podemos superar los desafíos de la extracción de características. Esto se debe a que los modelos de Deep Learning son capaces de aprender a enfocarse en las características correctas por sí mismos, lo que requiere poca orientación del programador. Básicamente, el aprendizaje profundo imita la forma en que funciona nuestro cerebro, es decir, aprende de la experiencia. Como saben, nuestro cerebro está formado por miles de millones de neuronas que nos permiten hacer cosas increíbles. Incluso el cerebro de un niño de un año puede resolver problemas complejos que son muy difíciles de resolver incluso utilizando supercomputadoras. Por ejemplo:

• Reconocer la cara de sus padres y diferentes objetos también.
• Discrimina diferentes voces e incluso puede reconocer a una persona en particular en función de su voz.
• Haga inferencia de los gestos faciales de otras personas y muchos más.

  Si observa el panorama general, verá que las redes de aprendizaje profundo también se clasifican de acuerdo con su mecanismo de aprendizaje, tenemos

• CNN para algoritmo de aprendizaje supervisado
• RBM para personas sin supervisión
• GAN para aprendizaje de refuerzo

Para saber mas :

De acuerdo con la respuesta y el seguimiento de Tapa Ghosh, es importante que comprenda los conceptos básicos sobre cómo evaluar los modelos de aprendizaje automático en general. De lo contrario, se perdería incluso en comprender qué se supone que debe hacer una red neuronal y cómo probarla, sintonizarla y qué no. No necesita conocer todos los algoritmos de ML o cómo funciona, pero se necesitan muchos conceptos generales.

Familiarícese con la medición de la precisión de un modelo, los conceptos de sobreajuste y falta de ajuste, la diferencia entre los conjuntos de entrenamiento / desarrollo / validación / prueba, los diferentes paradigmas de ML (aprendizaje supervisado, no supervisado y de refuerzo), etc. antes de comenzar con el aprendizaje profundo.

Sí, debe conocer los conceptos básicos del aprendizaje automático antes de estudiar el aprendizaje profundo. Aunque esto no es una analogía perfecta, ya que DL no es “superior” a todos los métodos de ML: necesitaría aprender letras antes de aprender palabras.

No lo mire tan intensamente, eche un vistazo al Intel.tech artificial. Y todo lo que hace es controlar la hidráulica básica con su sistema de codificación. Sé que lo hago sonar simple y también me doy cuenta de que no es tan fácil, pero la base del aprendizaje automático “” algo donde yo era el Programador manual “es encontrar los datos correctos para aplicar en un campo sin fin.

Sí, el aprendizaje profundo es solo un nuevo enfoque de Machine Learning. Debe comprender los supuestos básicos de “aprender de grandes cantidades de datos”, y por qué realmente puede funcionar (en la práctica, funciona bastante bien).

Si.

Mejor completar el curso Andrew Neg de “Machine Learning” en coursera.

Piense en el aprendizaje profundo como un tema extendido del aprendizaje automático