En primer lugar, la inteligencia artificial (IA) es un campo de estudio muy amplio, personalmente me apasionan los subcampos de visión por computadora (CV) y aprendizaje automático (ML). Entonces, lo primero es decidir en qué subcampo saltar.
Sin embargo, gran parte de la IA está cambiando hacia ML, por lo que ML es muy importante en muchos campos de IA, como la visión por computadora. Por lo tanto, supondré que su interés principal es ML en IA.
En segundo lugar, dado que eres un estudiante universitario, primero debes priorizar tus estudios actuales, no los descuides por completo. Pero le contaré una breve historia sobre cómo descuidé mis estudios para crear espacio para aprender CV y ML mientras cursaba mi programa de licenciatura en ingeniería electrónica.
- ¿Cuáles son algunos hechos desconocidos sobre Cortana?
- ¿Qué es la sensibilidad?
- ¿La IA causará desempleo generalizado?
- ¿Necesito saber Machine Learning antes de estudiar Deep Learning?
- ¿Por qué RR.HH. pone tanto énfasis en el EQ de un empleado, especialmente en un momento en que los robots y la IA están a punto de reemplazar a la fuerza laboral humana?
Mi pasión por la IA se encendió cuando vi Robocop por primera vez, tenía 8 años en ese momento y después de eso me pregunté por qué no podía ir a una tienda y comprarme un robot amigo.
Así que comencé el día soñando con cómo puedo hacer mi propio robot, etc. Mi mente entró en un estado curioso y todavía está en ese estado hasta el día de hoy, todavía tengo al niño como curiosidad.
Entonces, en la Universidad de Zambia, mientras cursaba mi programa de grado, me aburrí durante el segundo año de estudios. Los estudios no fueron lo suficientemente desafiantes, así que compré mi primera computadora portátil y comencé a aprender codificación, también estaba leyendo mucho antes que los demás.
Luego, mientras estaba leyendo un libro electrónico de procesamiento de señal digital, estaba leyendo sobre sistemas adaptativos de cancelación de ruido como los que se usan en los auriculares con cancelación activa de ruido, me encontré con redes neuronales en algunos capítulos más adelante.
La curiosidad comenzó, lo que más me llamó la atención sobre las redes neuronales (NN) fue su inspiración de la arquitectura del cerebro. Siempre me ha fascinado el cerebro humano y dado que resolver la inteligencia significaría que puedo tener a mi verdadero amigo robot de mi lado, sentí que tenía sentido para mí saber más sobre las NN. Perdí algo de interés en ellos hasta que el aprendizaje profundo (DL) entró en escena.
Pero necesitaba un problema que resolver, un problema que fuera igualmente complejo, un problema que me acercaría a construir un robot. La visión era ese problema, ¿cómo percibimos el mundo a través de los ojos? ¿Qué sucede en el cerebro, desde la retina a través de la corteza visual primaria hasta la percepción real de lo que estamos viendo?
Esas preguntas captaron mi imaginación y así es como me embarqué en un viaje para construir un sistema de visión con los siguientes objetivos:
- Computacionalmente eficiente
- Biológicamente motivado
Llamé al proyecto, área 17 del proyecto, después del área 17 de Brodmann (corteza visual primaria) en el cerebro humano. Leí mucho de revistas en redes neuronales artificiales, neurociencia, visión por computadora, detección de características y muchas cosas más que no sabía entonces, como la descomposición de valores singulares (SVD).
Leí sobre máquinas de vectores de soporte (SVM), clasificación lineal, árboles kd, hashing sensible a la localidad (LSH), costura panorámica, localización y mapeo simultáneo (SLAM), estructura del movimiento (SfM), ajuste de paquete y visión por computadora en 3D.
Terminé el proyecto 4 años después, 2 años después de mi graduación y actualmente todavía estoy construyendo algunos módulos para terminar mi robot amigo. Lancé una aplicación de agrupamiento panorámico automatizado como un proyecto paralelo impulsado por el mismo sistema de visión que desarrollé desde cero.
Así que aprendí muchas cosas durante los primeros 4 años en el viaje. Aprendí:
- Programación en C ++ a un nivel superior al promedio.
- Diseño de sistemas.
- Algoritmos y estructuras de datos.
Básicamente, me enseñé CS, es más como que me gradué con dos grados simultáneamente.
También aprendí:
- Cómo leer revistas técnicas de manera efectiva.
- Cómo entretener ideas durante mucho tiempo, como durante años en algunos casos.
- Cómo no rendirse fácilmente.
Así que espero que te hayas inspirado, pero no te diría que hagas eso, enfócate primero en tus estudios actuales. Pero puede comenzar a leer sobre las cosas que desea seguir con anticipación ahora, como en este momento, pero existe la posibilidad de que sus calificaciones se vean afectadas, la mía lo hizo, yo era un estudiante de A / A + antes del proyecto y luego cuando engendré un segundo hilo para ejecutar el proyecto, me estaba quedando un poco bajo en potencia de cómputo para mi programa de grado, por lo que mis calificaciones fueron un poco bajas, para un estudiante B / B +, sin embargo, no fue tan malo.
Pero si no saltas demasiado rápido como lo hice yo, tus calificaciones pueden permanecer intactas.
Dado que la pregunta no ha proporcionado mucha información sobre el programa de pregrado que está siguiendo actualmente, no puedo darle muchos consejos. Pero para prepararse para ML necesita aprender:
- Codificación: en al menos dos lenguajes, un lenguaje de prototipos rápidos de alto nivel como Python o Java y un lenguaje de bajo nivel de producción de alto rendimiento como C o C ++. Aprenda a usar las bibliotecas ML para probar ideas.
- Álgebra lineal: como operaciones de vectores y matrices, esto es básico y muchas matemáticas técnicas de nivel universitario cubren esto.
- Cálculo diferencial: una gran cantidad de ML se basa en gradientes informáticos, por lo que para comprender cómo funciona Backprop, el algoritmo más importante en ML, es necesario conocer derivadas parciales y la regla de la cadena.
- Estadísticas y probabilidad: Gran parte de ML también se basa en estadísticas.
- Optimización numérica: una gran cantidad de ML se basa en algoritmos de descenso de gradiente, especialmente el descenso de gradiente estocástico (SGD), así que aprenda sobre las teorías de la optimización numérica porque de eso se trata ML.
Dicho esto, a medida que aprenda más, comprenderá más y tendrá hambre de más. Entonces crea un círculo vicioso, cuando sabes más, cuanto más sabes, sabes poco. Así que especialícese lo antes posible, mi consejo es ir a ML en IA, es el futuro de la IA, tener máquinas que aprendan por sí mismas es algo muy interesante y bastante atractivo para compañías como Google, Facebook o Microsoft.
También puede intentar hacer estas cosas después de graduarse durante un tiempo libre antes de ir a los másteres, la elección es suya.
Espero que esto ayude.
