Tome lo que digo con un grano de sal (o tal vez un océano) ya que solo comencé con ML tomando el curso Coursera de Andrew Ng hace aproximadamente 2.5 meses. Tengo experiencia en matemáticas, por lo que puedo contarles un poco sobre lo que me ha ayudado a saltar rápidamente, pero mi experiencia de aprendizaje automático aún es limitada.
La mayor parte de esta respuesta es realmente sobre ML: la respuesta de Conner Davis a ¿Cuánta profundidad matemática para la ciencia de datos?
En esa respuesta, enumero algunos campos que he encontrado particularmente útiles.
- ¿Cuánto costaría desarrollar la capacidad de reconocimiento de escritura a mano?
- ¿Qué debo aprender para el aprendizaje automático, C ++ o Python?
- ¿Se puede usar la detección de características / descripción de características para la clasificación de imágenes con redes neuronales artificiales?
- ¿Con qué biblioteca de aprendizaje automático debo experimentar entre SparkML, Microsoft Azure ML y AWS ML?
- ¿Cómo se puede aplicar el aprendizaje profundo al procesamiento de imágenes subacuáticas?
La versión corta de esto es que el mayor beneficio de comprender las matemáticas cuando se trabaja con ML, al menos en mi experiencia, ha sido la intuición. Me parece que para llegar a algo que funcione bien, es muy útil entender por qué lo que ya tenemos no funciona lo suficientemente bien. Luego encuentra un paradigma bajo el cual el proceso de aprendizaje le resulta más fácil alcanzar la meta deseada, como los núcleos en el mapeo de SVM a un espacio de producto interno diferente en el que los datos son linealmente separables.
La intuición del hombre para el Análisis Real, me dejó muy clara esta respuesta particular:
La respuesta de Conner Davis a ¿Es una red ReLu de una sola capa todavía un aproximador universal?
Espero que esto haya sido útil.