Primero, el conjunto de datos MNIST es bueno para probar algoritmos de aprendizaje automático. Hay muchos proyectos en los que puede trabajar, tales como:
- Reconocimiento de caracteres escritos a mano: use el conjunto de datos MNIST.
- Detección de rostro:
- Reconocimiento facial:
- Clasificación de imagen:
- Detección general de objetos:
- Sistemas de control robótico:
- Reconocimiento de voz:
Puede pensar que estos son complejos, pero no lo son, comience con los más simples como el reconocimiento manuscrito MNIST y luego pase a la clasificación de imágenes, pero trabaje a pequeña escala para evitar complicar las cosas.
Puede utilizar una variedad de algoritmos, como máquinas de vectores de soporte (SVM) o redes neuronales (NN) para trabajar en tales proyectos.
- ¿Dónde puedo comprar TPU para aprender el aprendizaje profundo?
- Cómo evaluar mi modelo cada época en TensorFlow
- Cómo pasar del desarrollo de pila completa al aprendizaje automático en el trabajo independiente
- Tengo problemas para mejorar el rendimiento de mi red neuronal a medida que aumento el número de unidades, ¿cuál podría ser el problema?
- ¿Cómo se usa el análisis de componentes principales en el procesamiento del lenguaje natural?
Debe comenzar haciendo problemas simples como implementar un SVM lineal y luego implementar trucos del kernel y resolver problemas más avanzados como la detección de rostros con ellos. Realice ingeniería de características para que pueda apreciar la importancia de las buenas características.
Una vez que haya terminado con los SVM, es hora de avanzar a las redes neuronales. Codifique una biblioteca simple para construir redes neuronales a pequeña escala y resuelva los mismos problemas anteriores, siga haciendo esto mientras avanza sus técnicas basadas en su progreso en ML.
Espero que esto ayude.
