Puedes, pero será un largo camino. Será útil revisar las estadísticas y el cálculo de nivel de pregrado, luego saltar a un curso / libro en el campo. Uno que no se salte la parte matemática posiblemente. Personalmente, me gusta el “razonamiento bayesiano y el aprendizaje automático” de David Barber (y es gratis).
Si se encuentra en un país donde la asistencia universitaria es gratuita, también sería bueno asistir a algunos cursos sobre los temas, especialmente sobre estadísticas.
Y ahora algunas advertencias:
- ¿Qué puedo hacer para mejorar el proceso de clasificación con Weka o NLTK?
- ¿Debo comenzar a aprender Python y el aprendizaje automático al mismo tiempo?
- ¿Cuál es un ejemplo ilustrativo donde LDA y SVM dan límites de decisión diferentes?
- ¿Puedo aprender el aprendizaje automático sin conocer álgebra lineal, estadísticas y probabilidad?
- Estoy atrapado en la regresión. ¿Qué debo aprender después de esto?
Primero, debe comprender que, en la mayoría de los casos, cuando una empresa solicita un consultor de LD lo que realmente necesita es un buen estadístico y / o un especialista en quirófano, así que prepárese para decir / discernir qué es un trabajo para usted y qué no lo es.
En el segundo, debe comprender que está saltando en un campo donde, para ser justos, la ingeniería de software es el menor de sus problemas: aunque probablemente esté acostumbrado a conocer sus bibliotecas / marcos “de error a error”, relacionado con ML Los métodos tienen la tendencia a morir bastante rápido cuando sus hipótesis (matemáticas) no se cumplen pero son casi agnósticos hacia los detalles de implementación (con una posible advertencia para el aprendizaje profundo).
Básicamente, esto significa que pasará la mayor parte de su tiempo construyendo un conocimiento de dominio / ingeniería de características y transformando / organizando sus datos. Si realiza este proceso correctamente, la mayoría de las bibliotecas de ML le permiten entrenar un clasificador en menos de 100 líneas de código.
Y dos últimos consejos:
- la mayoría no está interesada en un 3% más de precisión si esto significa no poder interpretar la lógica del predictor
- no se deje engañar pensando que puede arrojar algoritmos al azar hacia conjuntos de datos murmurando sobre el teorema del almuerzo libre.
Buena suerte
