Aprender los principios subyacentes del aprendizaje profundo (DL) es una cosa y convertirse en un experto es otra cosa. Principalmente la experiencia es el mejor enfoque para pasar de la etapa intermedia a la etapa experta.
Pero, ¿cómo se puede ganar experiencia?
Hay varias formas de hacerlo, como:
- Cómo realizar un proyecto de predicción relacionado con la salud utilizando big data y machine learning
- ¿Cómo podemos "entrenar" sistemáticamente los algoritmos de agrupación sobre qué combinaciones de atributos / características generan en última instancia los tipos deseados de agrupaciones?
- ¿Podemos construir una máquina de visualización de sueños usando el procesamiento de señales?
- ¿Cómo deciden los científicos computacionales qué estrategia usar para la validación cruzada?
- ¿Alguien usa alguna vez una red neuronal media de capa softmax en lugar de al final?
- Proyectos personales / secundarios.
- Pasantías
- Trabajos.
- Startups
Déjame ir un poco en profundidad.
Proyectos personales / secundarios :
Todos los que aprenden aprendizaje profundo deberían tener algunos proyectos paralelos en ejecución. La idea es tener una idea de los desafíos que implica desarrollar un sistema DL real que funcione. Esto normalmente requiere el uso de marcos o bibliotecas existentes como TensorFlow (TF), Theano, PyTorch, Keras o Sonnet.
Su elección del marco se basa únicamente en su preferencia personal. Elija el que más le atraiga y con el que se sienta cómodo. Normalmente, construir sistemas de aprendizaje automático (ML) utilizando marcos existentes no es una buena idea cuando en realidad solo está aprendiendo.
Se recomienda que se ensucie implementando algunos sistemas desde cero. Implemente el algoritmo de descenso de gradiente estocástico (SGD) + retropropagación (backprop) desde cero y construya una mini biblioteca ML funcional, implemente muchos modelos ML como redes neuronales convolucionales (convNet) en la biblioteca mini-ML. Luego capacite esos modelos en MNIST, Pascal VOC y muchos más conjuntos de datos y vea si puede hacer que funcionen tan bien como los implementados en bibliotecas más maduras como TF.
Entonces, durante las primeras etapas de aprendizaje de DL, asegúrese de implementar muchos conceptos básicos de DL desde cero, de esa manera podrá asimilar una gran cantidad de conocimiento a nivel teórico y práctico. Una vez hecho esto, puede intensificar y atacar un problema real de la vida real en ML. En este punto, ahora puede comenzar a usar bibliotecas maduras como TF. Asegúrese de que el proyecto sea algo desafiante.
Puede encontrar ideas de proyectos interesantes de lugares como Quora, Reddit, Stackoverflow o Kaggle. De hecho, puede probar algunos desafíos de Kaggle de vez en cuando para construir una cartera de proyectos terminados y en curso.
Principalmente trabajo en proyectos que me permiten pensar desde múltiples perspectivas. Un proyecto que lo desafía normalmente es bastante interesante de terminar, no comience proyectos que sean sencillos y asegúrese de terminar lo que comienza.
Pasantías
Google, como muchos gigantes tecnológicos, ahora se está reenfocando y apostando por la inteligencia artificial (IA) como la tecnología que impulsará futuros productos innovadores. Por lo tanto, Google ahora está utilizando un modelo de AI primero y se está alejando del modelo de móvil primero.
Qué significa eso?
La demanda de talentos de IA actuales y futuros comenzará a ser extremadamente alta. Hay muy pocos expertos en inteligencia artificial de primer nivel en el mundo con la capacidad de construir productos basados en inteligencia artificial que funcionen. Con el aumento de la demanda de talento de IA, habrá más espacios abiertos para obtener pasantías en las principales empresas como Google, Microsoft, Facebook y Baidu. Hay iniciativas interesantes como el programa de residencia Google Brain orientado a fomentar los próximos talentos en IA.
Obtener una pasantía en las principales empresas puede ayudar a impulsar su carrera en DL. Al igual que buscar un trabajo, obtener una pasantía requiere que demuestre sus capacidades trabajando en proyectos prácticos y aquí es donde entran los proyectos personales / secundarios. Puede usar esos proyectos como un trampolín para avanzar. También encuentre el tiempo para bloguear sobre DL y sus pensamientos sobre él aquí en Quora u otros sitios de blogs.
Probar sus habilidades es extremadamente importante para obtener una pasantía en las mejores empresas.
Empleos :
Una pasantía puede conducir a un trabajo, un trabajo puede generar más experiencia y más experiencia puede generar más oportunidades. Por lo tanto, una vez que logre obtener su primera pasantía, asegúrese de dar todo lo que tiene. Sé un jugador de equipo y aporta ideas significativas a tu equipo.
Por lo general, al comenzar hay mucha mano, es decir, otros expertos lo guiarán durante el proceso de convertirse en un experto. Por lo tanto, las habilidades de escucha y comunicación son muy importantes y también deben ser respetuosas y seguir las instrucciones. Por supuesto, un mejor estudiante es aquel que desafía al maestro, por lo tanto, cuando sea necesario, defienda sus puntos de vista de manera precisa y respetuosa.
Normalmente conseguir un trabajo en las principales empresas significa que ya eres un experto de alguna manera. Puede reunir la mayor parte de ese conocimiento y experiencia a través de pasantías y proyectos personales y un trabajo será como una guinda del pastel.
Startups :
Si eres lo suficientemente valiente, puedes iniciar un inicio basado en ML y trabajar en tecnologías relacionadas con DL para crear productos geniales. Puede crear aplicaciones de transferencia de estilo artístico u otros productos como aplicaciones de embellecimiento facial mediante redes de confrontación generativa (GAN), por ejemplo, y lanzarlas como productos viables mínimos (MVP).
Luego, puede hacer crecer su equipo a medida que ingresen más ingresos. También es posible que un gigante tecnológico lo compre y se integre en un equipo existente allí. Puede obtener una gran experiencia construyendo productos desde cero y desplegándolos a usuarios reales.
Por lo tanto, la única ruta para convertirse en un experto en DL es a través de la experiencia práctica que puede obtener a través de los enfoques mencionados anteriormente. También debe seguir leyendo diario tras diario. El aprendizaje nunca se detiene, por lo tanto, para seguir siendo un experto, una vez que esté allí, debe seguir innovando e investigando nuevas direcciones con el potencial de convertirse en disruptivo en el futuro.
Por lo tanto, la pasión y la tenacidad juegan un papel muy importante para convertirse en un experto, por supuesto, las habilidades y la disponibilidad de recursos también pueden desempeñar un papel importante. Los recursos como el acceso a los fondos es en realidad lo que está rezagado en la mayoría de las partes del mundo, pero la información es ampliamente accesible a través de Internet y motores de búsqueda como Google search. Lo que significa que en el mundo de hoy son más posibles que nunca.
Espero que esto ayude.
