Para lo básico, comenzaría con las funciones de utilidad (para que entienda sus nodos) y algo de teoría de grafos. Pero puedes encontrar cosas como Tensor Flow Playground. Si comprende los conceptos básicos, puede aprender sobre diferentes redes y dónde usarlas, luego la gestión de datos, como eliminar valores incorrectos / innecesarios, normalizar el resto, aplanar datos multidimensionales.
Pero con las herramientas actuales realmente no necesita saberlo todo, por ejemplo, aquí puede ver una red neuronal bastante básica, aprendiendo a identificar idiomas basados en letras en palabras.
Afortunadamente para todos los que quieran comenzar ahora, hay redes neuronales gratuitas preensambladas disponibles para diferentes propósitos (por ejemplo, reconocimiento de imágenes, reconocimiento de palabras / oraciones, etc.), por lo que no necesitamos desperdiciar 1000 s de dólares en computación. capacidad, u horas y horas para enseñarles, para nuestro aprendizaje.
- ¿Es c # una buena opción para el aprendizaje automático de producción?
- ¿El CAPM está muerto, en el sentido de que el aprendizaje automático moderno y el modelado financiero han hecho que su aplicación en el mundo real sea redundante?
- ¿Qué sistemas IDS, IPS en Network Security hoy en día son los más adaptables para aprender nuevas amenazas? ¿Hay algún tipo de punto de referencia estándar para medir esto?
- Cómo extender una red neuronal profunda que se capacitó en la inclusión de palabras en inglés como entrada en una tarea de clasificación a multilingüe
- Cómo construir una aplicación para educación
También puedes encontrar grandes guías como Siraj Raval.
Pero esa es la parte ML casera. Si desea ser profesional, entonces la teoría de grafos, el manejo de datos (con datos formateados adecuadamente puede obtener mejores resultados, incluso si los datos base son los mismos), y debe aprender qué tipo de redes usar, con qué tipo de funciones de utilidad, para lograr el mejor resultado.
