Una vez que limitas algo, no va a funcionar muy bien al final. Por ejemplo, puede seleccionar el aprendizaje profundo y sus aplicaciones en visión por computadora y / o redes neuronales, pero debe tener en cuenta en un punto o dos que podría tener que tocar algunos conceptos tradicionales de IA. De todos modos, para empezar, creo que los materiales de capacitación sobre Kaggle y Udacity son realmente precisos. Puede establecer un objetivo de aprender nuevos conceptos en el aprendizaje automático todos los días y agregar a su pila de conocimientos, así como tratar de desarrollar herramientas (por ejemplo, utilizando Python ML / Computer Vision o marcos de aprendizaje profundo, API y bibliotecas). Tal vez, por ejemplo, comenzar con sklearn es una buena idea o tal vez comenzar con NLTK es una buena idea. Pero lo que no es una buena idea es limitarse y no querer aprender cosas nuevas todos los días.
Si estuviera en tu lugar, encontraría un tema que me interesa, ej. Reconocimiento de voz y vea cómo puedo usar algoritmos de aprendizaje automático para mejorar los métodos anteriores.
Entonces, solo para darle una idea, cómo el aprendizaje profundo dinámico (un subcampo de aprendizaje automático que es un subcampo de Inteligencia Artificial) verifica esto:
- ¿Qué tipo de IA es la computadora esposa de plancton en Bob Esponja?
- ¿Podrían los robots de IA conscientes, en cierto modo, ser el siguiente paso lógico en la evolución humana?
- ¿Lisp tendría ventajas sobre otros idiomas para construir una red neuronal?
- ¿Hay algunos aspectos de la inteligencia artificial que NO DEBEMOS desarrollar, para que nuestras máquinas no nos esclavicen? Si es así, ¿cuáles son esos?
- Si los robots, las máquinas y los sistemas de autoservicio reemplazan la mayor parte del trabajo realizado actualmente por los humanos, ¿qué harían los humanos?
Sugerencias:
- Cree una cuenta de Twitter y hable únicamente sobre su interés sobre ML / DL / AI (lo estoy haciendo personalmente). Me mantiene conectado con los gigantes en el campo y me ayuda a aprender cosas nuevas todos los días)
- Crea una cuenta de LinkedIn y haz lo mismo. Conéctese a los gigantes en ML / DL / CV / NLP. Podrías preguntar cómo sabría quiénes son los gigantes. Mira las charlas tecnológicas en el campo. Lea los documentos y agregue los autores. En el peor de los casos, ¡no lo volverán a agregar y todo está bien! Pero si lo hacen, tienes la oportunidad de mantenerte actualizado con su progreso)
- Si eres fuerte en aprendizaje automático estadístico, concéntrate en su lado aplicado o viceversa.
- Mire los videos de los siguientes cursos de Udacity (no puedo permitirme inscribirme en un nanogrado pero aún puede inscribirse en estos cursos de forma gratuita):
- Introducción al aprendizaje automático
- Aprendizaje profundo
- Aprendizaje reforzado
- (Visión por computador)
- Leer los papeles! ¡Cada día! Habrá muchos términos que no obtendrá al principio o incluso después de uno o dos años de leerlos, pero todo está bien. He creado un Todoist solo para los vocabularios que encuentro en los periódicos que leo en ML / DL y, por lo general, vuelvo a ellos al final del día para saber qué son viendo algunos videos de YouTube.
- Trabaja con un asesor en tu universidad. De esta manera, aprenderá sobre los algoritmos de aprendizaje automático de manera más eficiente. Sin embargo, le sugiero que trabaje con alguien en el área de AI, ML, DL, CV o NLP.
Udacity machine learning nanodegree (NO GRATUITO) sin embargo, si eres estudiante, puedes usar un mes de NANODEGREE gratis registrándote con tu cuenta de github.
