No sé por qué muchos estudiantes tienen la idea errónea de que AI o ML están reservados para graduados y doctores. La matemática detrás de los algoritmos podría ser una razón horrible para ese proceso de pensamiento.
Supongo que para un estudiante de segundo año, que tiene capacidades básicas de codificación y conocimiento en álgebra lineal, ecuaciones diferenciales y técnicas de optimización, podrá ponerse al día con la jerga detrás de los algoritmos.
Muchos MOOC excelentes sobre IA enseñados por pioneros en este campo están diseñados para principiantes con experiencia mínima en matemática y codificación.
- Cómo construir voz en IA
- ¿Quién es el investigador o laboratorio de investigación más cercano para alcanzar AGI?
- Cómo entrar en la investigación de IA en India
- ¿Cuán influyente será el papel de la Inteligencia Artificial en el siglo XXI?
- Si se proporcionara una IA con bases de datos que contengan todos los factores de clasificación que utiliza Google, ¿podría descubrir la fórmula secreta?
Al mismo tiempo, no estoy dando la impresión de que la curva de aprendizaje sea un lecho de rosas. Hay muchos conceptos que aprender durante el viaje que podrían ser novedosos para un principiante. Así es como funciona todo, ¿no?
Otra ansiedad sería sobre la formación académica. Eres ingeniero mecánico y cómo un tema de informática podría encajarte mejor. Principalmente, ML no es un tema central de informática como el sistema operativo. Y ML se puede aplicar a los datos independientemente de los campos de estudio. Puede clasificar los correos electrónicos en spam y jamón, así como en tumores benignos y malignos, si hay datos adecuados disponibles en volumen y calidad, incluso con el mismo algoritmo de clasificación. Soy un experto en sistemas de energía, había aplicado ML en mi tesis para clasificar las señales de voltaje del sistema de energía.
Así que adelante sin duda alguna. En algún momento te darás cuenta si ML es lo tuyo o no.
Feliz aprendizaje.