El aprendizaje automático está más cerca de las estadísticas que del procesamiento de señales. Más como el punto de vista de un científico de la computación a las estadísticas.
En términos de estadísticas, hay una subespecialidad llamada series de tiempo, que es otro término para ‘señales’. Su ‘análisis de series de tiempo’ es matemáticamente idéntico al ‘procesamiento de señal estadística’, la segunda gran mitad de la especialidad de procesamiento de señal.
Los fundamentos básicos compartidos por el procesamiento de señales y las personas de ML son el álgebra lineal y la probabilidad (que tiene cierta superposición con las estadísticas, pero el enfoque es muy diferente). Si está realmente interesado en el aprendizaje automático, sea muy bueno con estos temas. El análisis de transformación, que es una gran parte del procesamiento de la señal (la primera mitad que encontrará), no entrará en juego a menos que en alguna aplicación de ML especializada (digamos imágenes).
- ¿Qué lenguaje de programación debería elegir junto a Python si estoy interesado en el aprendizaje automático?
- ¿Cómo funciona la regresión lineal múltiple en variables categóricas?
- ¿Por qué la distribución previa no tiene mucho impacto en la distribución posterior cuando tenemos muchos datos?
- ¿Por qué la resolución de las imágenes de entrada en la red convolucional debe tener la misma dimensión (ancho y alto)?
- ¿Cómo es el curso de aprendizaje automático NPTEL?
Si te tomas en serio el aprendizaje automático, solo sé muy bueno en los fundamentos de Matemáticas y problemas / Estadísticas y CS y conoce muy bien un lenguaje de alto nivel como MATLAB (o Python) ya que las matrices serán tus amigas. El procesamiento de señales no le enseña ideas importantes como la agrupación categórica y las variables ficticias que se utilizan en ML, ya que no aparecen mucho en las entradas ordenadas secuencialmente.
Cuando el procesamiento de señal generalmente se reproduce en ML, generalmente se procesa previamente las entradas ordenadas secuencialmente antes de reducirlo a características. No es esencial aprender el procesamiento de señales para ML a menos que sus aplicaciones tengan series de tiempo / procesamiento de señales escritas por todas partes. Siempre puede emparejarse con un experto en procesamiento de señales para resolver la parte de procesamiento de señales antes de formular un problema de LD.
Ocasionalmente, los conceptos de procesamiento de señales basados en transformaciones también se usan en los algoritmos de ML más exóticos, pero ese no es el algoritmo básico. Mi especialidad es el filtrado adaptativo, que es un precursor de las redes neuronales adaptativas (considere el algoritmo LMS y el back-prop), pero digamos que cuando se trata de algoritmos como SVM, el procesamiento de señal no lo ayuda en absoluto: es la optimización lo que ayuda.
Pensándolo bien, incluso con filtros adaptativos, tomamos principalmente una vista de álgebra lineal (las que ve en el análisis de espacio de estado) y, en última instancia, se reduce a la optimización (sobre la marcha) de todos modos. Eso significa que puede escapar sin conceptos basados en la transformación si conoce bien sus matemáticas y problemas / estadísticas. Esto es especialmente cierto para las redes neuronales, donde el orden secuencial no es estrictamente tan importante como en los filtros adaptativos.
