Antes de comenzar su investigación en Machine Learning y PNL, es posible que desee saber qué es lo que más le interesa, si desea ser un desarrollador de aplicaciones o un investigador en el área temática. Dependiendo de su elección, hay algunos requisitos previos. Para involucrarse en la investigación en Ciencias de datos centrales, Aprendizaje automático o Sistemas de inteligencia por ejemplo, debe saber:
- Álgebra lineal básica – UTAustinX: Álgebra lineal – Fundamentos a las fronteras
- Experiencia de programación – Introducción a la informática en Udacity, ylearnpythonthehardway.org
- Estadísticas y probabilidad – MITx: Introducción a la probabilidad; UC BerkeleyX: STAT2.1x: Introducción a la estadística; KIx: Explore las estadísticas con R
- Cálculo multivariante
Una vez hecho esto, tendría una base matemática lo suficientemente sólida como para trabajar en el campo, ahora puede comenzar tomando
- El curso de aprendizaje automático de Andrew Ng (YOUTUBE): recomendaría no tomar el curso en Coursera porque los videos de las conferencias no son matemáticamente lo suficientemente desafiantes para que uno realmente entienda los conceptos. (Especialmente cuando ya has tomado los cursos mencionados). Lista de reproducción de conferencias | Aprendizaje automático (Stanford)
- (Adicional) Lectura asistida –
- Reconocimiento de patrones y aprendizaje automático de Bishop
- El razonamiento bayesiano y el aprendizaje automático de David Barber
- El aprendizaje automático de Kevin Murphy: una perspectiva probabilística
- Procesamiento natural del lenguaje –
- Universidad de Columbia | Procesamiento de lenguaje natural por Michael Collins
- Stanford | Procesamiento del lenguaje natural por Dan Jurafsky y Christopher Manning
IMPLEMENTANDO SU CONOCIMIENTO: CODIFICACIÓN
- ¿Necesita ser un buen ingeniero de software para trabajar en cosas como visión por computadora, reconocimiento de voz, gráficos por computadora, aprendizaje automático?
- Estoy acostumbrado a codificar con C ++ y C #. ¿Cuál recomendaría implementar proyectos de ML a pequeña escala (NN y CNN clásicos) sin reinventar la rueda?
- Cómo construir un generador de lenguaje natural
- ¿Cuáles son los pros y los contras de las diferentes técnicas de factorización matricial: rango bajo, SVD y NMF? ¿Cuáles son algunos ejemplos prácticos de cada uno?
- ¿Puedo terminar en trabajos de aprendizaje automático si tengo una maestría en neurociencia?
- Tener una sólida comprensión del idioma con el que está trabajando y de las principales bibliotecas y marcos. Como usa Python, debe conocer el uso de bibliotecas estándar y bibliotecas científicas como SciPy y NumPy.
- Intente implementar todos los modelos desde cero. Debe reinventar la rueda para hacer una mejor . La implementación eficiente de los modelos ML es de rigor . Si no puede, tome algunos cursos como Pensamiento algorítmico, Introducción a los algoritmos o cualquiera de estos.
- Una vez, implementa todos los modelos de manera eficiente y realmente comprende con qué está jugando. Debería comenzar a usar marcos como TensorFlow, OpenNLP, etc.
No tomes el camino corto. A menos que no entienda las matemáticas o los “algoritmos”, tendrá dificultades para comprender los trabajos de investigación. Y a menos que los comprenda, no podrá implementarlos. Además, manténgase actualizado con la comunidad, lea trabajos de investigación sobre
- Journal of Machine Learning Research
- Conferencia conjunta internacional sobre redes neuronales (IJCNN 2017)
- Google Machine Intelligence
- HackerNews (Plataforma de debate)
Como cebo, es posible que desee leer esta “Introducción al aprendizaje automático para desarrolladores”
Gracias por A2A
¡Lo mejor de tu investigación!
