No existe literatura clásica sobre aprendizaje automático (ML) que todavía sea válida hoy (bien en términos de utilidad) porque, a diferencia de las matemáticas y la física, el ML no está maduro (pero es importante conocer algunos de los métodos clásicos). No hay planos a seguir como en el diseño estructural, pero hay muchas observaciones y experimentos empericos que hacer.
Por supuesto, ML tiene algunas teorías de campos como la optimización numérica, probabilidad y estadística, cálculo diferencial y álgebra lineal. Pero esos son solo requisitos previos, te preparan para las cosas reales en ML.
Por lo tanto, la mejor manera es comenzar y
- ¿Cuál es su experiencia de aprendizaje automático en el mundo real en Haskell?
- Tengo un conjunto de puntos 3D y cada uno tiene una puntuación. ¿Cómo encuentro / busco un grupo denso de puntos de alta puntuación?
- ¿Hay alguna diferencia entre el modelado de temas y el clúster?
- ¿Cuál es una explicación intuitiva de las redes residuales profundas?
- ¿Qué tiene de bueno la PNL?
- Desarrolle un proyecto personal: como detección de rostros, detección de objetos y reconocimiento de voz. Primero debe comenzar implementando cosas desde cero como el algoritmo de retropropagación para que lo entienda completamente. También puede trabajar en proyectos de ML de código abierto en el camino, pero comience con un proyecto personal y luego avance hacia algunos proyectos de código abierto.
- Lea revistas de los gustos de Google, DeepMind, FAIR, Baidu, Microsoft y OpenAI. Algunas revistas son muy técnicas, pero a medida que te acostumbres a las jergas utilizadas en ML e IA, será más fácil. Es absolutamente necesario que pase algún tiempo aprendiendo a leer revistas.
- Ver videos: los tutoriales gratuitos disponibles en YouTube son bastante útiles. Primero, concéntrese en lo básico y luego avance hacia las conversaciones de Google, Microsoft o Facebook sobre IA. Los videos también lo ayudarán a comprender las áreas de aplicaciones de ML cuando vea demostraciones como automóviles sin conductor, detección de peatones y más. Por lo tanto, los videos pueden complementar su aprendizaje y comprensión interna.
- Use Quora: manténgase actualizado con el progreso actual en ML e IA leyendo y respondiendo preguntas en Quora u otros sitios similares. Responder preguntas y compartir sus ideas es útil porque hacerlo le brinda una gran cantidad de comentarios que puede usar para obtener una comprensión más profunda del tema en cuestión, en este caso ML. También puede hacer esto con sus amigos, como formar algún tipo de grupo de autoaprendizaje y monitorear el progreso de cada uno.
ML es un campo que cambia rápidamente, por lo que mucha literatura en los años 90 está algo desactualizada ya que durante ese tiempo el aprendizaje profundo (DL), el estado actual de la técnica, no estaba en el radar de la mayoría de los investigadores. Una gran cantidad de ML en ese momento se basaba en máquinas de vectores de soporte y regresión lineal (SVM) y algunas redes neuronales (NN) aquí y allá. Internet tampoco era tan grande como lo es hoy, por lo tanto, los grandes datos, como sabemos, eran inexistentes. También puede pensar en la potencia de procesamiento que estaba disponible en ese momento, la tecnología de GPU todavía era joven en ese momento.
Por lo tanto, ML está cambiando tan rápido que no hay una hoja de ruta clara, es un campo joven y solo con el tiempo será lo suficientemente maduro para que podamos escribir un libro de texto o un libro electrónico con una vida útil mucho más larga. Tal como están las cosas, ML será bastante diferente dentro de 10 años.
Así que no te frustres porque en todas partes que estás en línea te dicen algo diferente, es lo que es, es estilo libre. Para aprender ML necesitas poner un esfuerzo personal real porque es un campo con muchas posibilidades y muchas de esas posibilidades solo se pueden desbloquear desde un nivel personal, un gusto personal que puede dar lugar a diferentes ideas.
Si estos investigadores hicieron A, B y C para obtener una tasa de error del top 5 del 14%, ¿qué sucede si hago A, D y K? ¿Qué puedo obtener? Bueno, esa es su opinión personal interna, una vez que comience a tener tales conocimientos, estará en camino de lograr algo en ML, correr a la computadora e implementar la idea rápidamente.
Así que ML es solo un campo de “niños”, ya sabes cómo se comportan los niños. 🙂
Espero que esto ayude.