ML es difícil de aprender pero fácil de dominar a diferencia de otras cosas por ahí. Para algunos es tan fácil como sumar dos números, pero para otros es como la teoría de cuerdas.
Tensorflow es un marco que se puede usar para construir modelos y servirnos de formas que antes no era posible, ya que uno tenía que escribir mucha lógica a mano.
Por lo tanto, conocer el algoritmo correcto para el trabajo correcto es solo eso en el aprendizaje del flujo de tensor.
- ¿Por qué la red bayesiana no ha tenido tanto éxito como la red neuronal profunda?
- En los campos de redes neuronales o aprendizaje profundo, ¿qué es un "gráfico computacional"?
- ¿Por qué la agrupación de datos del panel reduce los errores estándar?
- ¿Puede ingresar al programa de doctorado CS de nivel superior / siguiente sin publicación, suponiendo que tenga una experiencia de investigación decente?
- Ingeniero de Aprendizaje Automático de Udacity Nanodegree: ¿Dónde están los proyectos?
La mayoría del trabajo consiste en recopilar datos, limpiarlos y etiquetarlos si el aprendizaje supervisado es su elección.
Además, si sabe qué es el aprendizaje automático, ya conoce sus números, pero tiene que averiguar qué hace el signo +, es decir, unir la red neuronal, que es clave y muy importante.
Entonces sigue estas cosas:
- conoce tu objetivo
- Aprenda qué es el aprendizaje automático y cómo se utiliza para resolver problemas que son complejos.
- cómo opera Tensorflow y hace todo esto por usted detrás de escena
- Un lenguaje para codificar preferiblemente python si eres un pythonista como iam.
También es necesario conocer los requisitos del sistema, ya que ML pone cierta carga en su máquina durante el proceso de capacitación.
Puede optar por la formación basada en la nube utilizando AWS o GCP o el océano digital, etc.
Si desea profundizar más, puede consultar su sitio web oficial TensorFlow, que puede ser demasiado para un principiante.
Así que le recomiendo que mire ejemplos y luego mire los conceptos detrás de ellos.
feliz aprendizaje 🙂
