¿Cuánto aprendizaje profundo puedes aprender en 20 días si trabajas todo el día?

He escrito otra respuesta para el aprendizaje automático: la respuesta de Prasoon Goyal a ¿Cómo aprendo el aprendizaje automático en 10 días?

Otros recursos útiles: la respuesta de Prasoon Goyal a ¿Cómo aprendo el aprendizaje automático?

No debe intentar saltar directamente al aprendizaje profundo. Enfóquese primero en aprender los conceptos básicos del aprendizaje automático, porque el aprendizaje profundo (o cualquier otro paradigma del aprendizaje automático, en realidad) se basa en conceptos básicos en ML.

Como se describe en la respuesta vinculada anteriormente, debe pasar los primeros 5 a 6 días aprendiendo ML general. Luego, en los próximos dos días, comience con redes neuronales, experimentando con una red neuronal simple.

Publique eso, puede ver algunos códigos de ejemplo en un marco de aprendizaje profundo. Una de esas colecciones de ejemplos es la siguiente: aymericdamien / TensorFlow-examples. Básicamente, revise cada uno de los códigos secuencialmente. Ejecútelo, intente comprender lo que está haciendo, intente ajustarlo un poco para comprender mejor el código.

Nadie aquí te conoce personalmente, por lo que nadie puede responder esa pregunta.

Menciona otra información de fondo, ¿tiene algún otro fondo de aprendizaje automático? Intentar saltar directamente al aprendizaje profundo sin saber mucho sobre el aprendizaje automático en general será un desafío si ese es el caso.

Si ya conoce el aprendizaje automático y todo lo que mencionó, entonces probablemente pueda aprender todos los fundamentos principales fácilmente en ese momento.

Si desea material de referencia, consulte este aprendizaje automático con la serie Python , y el aprendizaje profundo con Python y TensorFlow parte de esa serie.

Puedes ser un experto increíble en 20 días. Sabrás todo lo que debes saber y estarás extremadamente seguro. Sentirás que sabes tanto como el tipo que ha pasado los últimos 5 años descifrando algoritmos de visión para autos sin conductor.

Así es como funciona nuestra mente.

Echa un vistazo al efecto Dunning-Kruger.

Cuando tratamos de aprender algo nuevo, el pequeño esfuerzo inicial nos hace sentir que realmente no hay nada de eso. El sentimiento se acentúa particularmente cuando eres bueno en otra cosa y estás acostumbrado a sentirte confiado.

Pero a medida que pasa más tiempo, se da cuenta de que esa madriguera de conejo es mucho más profunda; que hay muchas cosas que no sabes; que sabes tan poco que de hecho no vale nada. Eso es cuando tu confianza comienza a caer a medida que ganas más experiencia. Pero después de pasar suficiente tiempo dedicado en el campo, comienzas a entender el campo. Y con mucho trabajo duro, te conviertes en un experto.

Lo curioso es que su confianza en Deep Learning sería la misma después de 20 días que lo sería después de 10 años.

Espero que esto ayude, no quiero desanimarte. Solo quiero advertirte acerca de cómo tu mente puede engañarte.

Todo lo mejor con tu búsqueda de conocimiento.

¡Buena suerte!

La parte difícil del aprendizaje automático no es la matemática o la programación, sino la intuición de lo que funciona y lo que no. Es una ciencia completamente empírica, las personas prueban ecuaciones y metaparámetros muy diferentes y ven lo que funciona mejor.

Hay varios niveles de aprendizaje:

1. aprender los diferentes tipos de “bloques” y más o menos lo que hacen y cómo usarlos mejor. Esto se hace usando una biblioteca poderosa (Caffe, Keras, Tensorflow, …).
2. aprender las matemáticas, la explicación matemática débil de por qué una ecuación funciona mejor que otra y cómo implementar los algoritmos.
3. aprender a administrar los datos y todos los diferentes tipos de procesamiento matricial para obtener una entrada con el formato adecuado para su canal de aprendizaje profundo. Aprender a usar trucos de Numpy (o bibliotecas de matriz equivalentes) lleva bastante tiempo, esto no se menciona a menudo en los tutoriales para principiantes (la gente quiere hacer inteligencia artificial de lujo en este momento, no quieren escuchar sobre la documentación de Numpy )

Esto requiere bastante tiempo de práctica y tiempo de pensar para entender cómo hacerlo. Lleva meses de práctica obtener la intuición de cuáles son los grandes valores para los metaparámetros. Pasas de “mi red no aprende nada” a “mis redes obtienen resultados realmente pobres” a “mi red funciona bien” a “mis redes pueden alcanzar los resultados sobresalientes de los documentos de vanguardia”.

Es muy fácil ejecutar un algoritmo poderoso usando el código de otra persona, es mucho más difícil hacerlo desde cero, en un conjunto de datos que ha creado. Aprender la intuición de los metaparámetros lleva meses y meses, ya que no existe una teoría de lo que funciona mejor, solo la práctica dolorosa le hará tener una intuición de lo que funciona. Es como tocar el violín, la teoría te dice cómo tocar, pero solo años de práctica pueden darte la intuición de cómo usar tus manos correctamente para obtener un sonido de perfección.

Puedes aprender mucho. Los conceptos básicos para crear y entrenar redes neuronales no tardan tanto en aprender. Recomiendo trabajar con python. Dos de las bibliotecas de Python más populares utilizadas para el aprendizaje profundo son TensorFlow y Theano, pero en lugar de usarlas directamente, recomiendo Keras, que es una biblioteca de nivel superior capaz de ejecutarse sobre cualquiera de ellas. Keras hace que todo lo relacionado con el uso de redes neuronales sea increíblemente fácil. Sospecho que le permitirá aprender más cosas en menos tiempo al omitir la codificación innecesaria. También quiero recomendar un tutorial particular: redes neuronales y aprendizaje profundo. Si eres increíblemente dedicado y enfocado, creo que tendrás los conceptos básicos de las redes neuronales en menos de una semana. En ese momento, creo que puede hacer una de dos cosas: comenzar a hacer proyectos u obtener más información. Si aprende más, el siguiente paso será aprender sobre redes neuronales convolucionales y redes neuronales recursivas. Creo que deberías poder aprender sobre ellos en ese momento y aún así tener tiempo para trabajar en proyectos y practicar. Hay mucho más que saber, muchas técnicas, heurísticas, ideas teóricas y más, pero para usar redes neuronales, creo que 20 días de arduo trabajo son suficientes para que pueda llegar a un lugar donde sepa lo suficiente como para intentar la mayoría de las tareas. .

Descargo de responsabilidad: no soy un experto en redes neuronales. Tengo experiencia con ellos, pero es posible que haya una gran área de conocimiento sobre ellos que desconozco.

¡Puedes aprender mucho! Los conceptos básicos de NN son bastante simples (propagación hacia atrás, propagación hacia adelante). Y si obtienes conceptos básicos sólidos en NN, entonces solo necesitas aprender más sobre arquitecturas y técnicas específicas de NN para tu problema. Creo que hay una sola persona que sabe todo sobre NN (¡porque todavía hay muchas cosas que hacer y descubrir!)

¡Así que seguro que vale la pena asumir tal desafío! ¡Buena suerte!

Apuesto a que el resultado final será bastante pequeño.

Eso es porque yo mismo he hecho algo similar, y los resultados no fueron emocionantes, por decir lo menos. Sé que no funciona para mí, y he visto que generalmente no funciona para aquellos en mi círculo de personas.

Golpear prácticamente sin parar en algo generalmente no funciona porque no te estás dando tiempo a ti mismo para internalizar lo que se está aprendiendo y aprendiendo.

Podemos resolver esto aritméticamente (no importa matemáticamente ):

• Tienes 20 días, o 480 horas .
• Menos 8 horas para dormir, y quedan 320 horas .
• Menos 2 horas para la ablución personal, y quedan 280 horas .
• Menos 1 hora cada una por 3 comidas al día, y quedan 220 horas .
• Menos 2 horas de viaje, y quedan 180 horas .
• Menos 2 horas para “faffing alrededor”, y quedan 140 horas .

Si eres tan increíblemente disciplinado y resuelto, solo tienes 5,83 días de esos 20 días para estudiar. Diga 6 días para estar suelto.

De los detalles, tienes algo como 6–7 cosas para progresar, o 1 día por cosa.

No estarás en racha, no creo. Es más probable que termines en un tizz frenético tratando de entrar en algún tipo de modo de aprendizaje, sin importar el progreso.

Reduzca la cantidad de cosas para avanzar o priorice qué elemento necesita progresar primero.

Le diré lo que debe aprender y lo obtendrá si es lo suficientemente bueno.

La técnica fundamental es CNN. Así que solo pasa el tiempo en el curso de Stanford. Después de CNN, aprende RNN. Creo que puedes aprender estas dos técnicas en 20 días.

Pero lo bueno que eres depende.