¿Cuáles son los subcampos de IA más activos fuera de Machine Learning (en 2017)?

En primer lugar, supongamos que sabe que lo que se llama ‘aprendizaje automático’ en la IA se trata realmente de redes neuronales profundas, de las cuales hay al menos 27 arquitecturas únicas. Dos de estas, las redes neuronales convolucionales y las redes neuronales recurrentes (con LSTM) son las tecnologías fundamentales en IA de imagen, video, texto e idioma. Esos son los dos únicos campos que actualmente son comercialmente viables en la actualidad.

Las respuestas más informativas sobre lo que sigue son las siguientes:

  1. Aprendizaje de refuerzo: en el núcleo de los autos autónomos, la robótica, el juego y en mi humilde opinión, el próximo gran avance. Si bien todas las demás tecnologías asociadas con la IA describen un conjunto de herramientas específico, en el caso de RL en realidad solo estamos hablando de un grupo de problemas similares (búsqueda de objetivos). No hay una sola herramienta establecida aquí. Los dos tipos de soluciones principales son actualmente TD-Learning y Q-Learning, pero sin duda habrá más por venir.
  2. Redes neuronales adversas generativas (GANS): las GANS son un enfoque potencial para resolver los problemas que las CNN y las RNN requieren conjuntos de entrenamiento gigantes que con frecuencia no están disponibles o son demasiado costosos de adquirir. En pocas palabras, GANS enfrenta dos CNN (o potencialmente RNN) uno contra el otro para detectar ejemplos verdaderos, uno para crear falsificaciones realmente buenas. Cuando han luchado para detenerse, el sistema está entrenado y solo ha utilizado un modesto conjunto de entrenamiento para comenzar.
  3. Las máquinas para responder preguntas (piense en el Watson original) merecen estar en la lista. Utilizan front-end y back-end de PNL para recibir y entregar los resultados de búsqueda, pero lo que sucede en el medio es diferente. A diferencia de la búsqueda simple que ofrece una lista de fuentes donde se puede encontrar la respuesta, los QAM deben entregar la respuesta correcta más probable. Esta es la respuesta de aprendizaje automático para sistemas expertos.

Si recién estuvieras entrando en la ciencia de datos y tuvieras que elegir uno como enfoque profesional, apostaría por el aprendizaje de refuerzo.

Estoy seguro de que debes haber oído hablar de los chatbots …

Los chatbots son los próximos navegadores y la nueva base de conocimiento.

y confían en el procesamiento del lenguaje natural, y eso también a través del aprendizaje profundo.

Hay bastantes herramientas disponibles, Python NLTK, Apache OpenNLP, Stanford CoreNLP que se pueden usar.

La comprensión del lenguaje natural (NLP + NLGeneration) es una de las aplicaciones más maduras del aprendizaje automático que está encontrando su uso en varias aplicaciones de automatización de procesos robóticos como Chatbot, Contract analytics, por nombrar algunas …

Me gustaría agregar un campo fuera de AI pero completamente entretejido en su tejido.

El ingeniero de datos es el rol más solicitado en el mundo y usted puede pasar fácilmente a un rol de ingeniero de aprendizaje automático si lo desea.

Además, en este momento solo existe un certificado del mundo real para ingeniería de datos o aprendizaje automático de Google.

El certificado te dará una ventaja sobre los demás. Llevará su currículum a la cima de la pila.

Tengo un curso de seis partes sobre el aprendizaje de la función de ingeniería de datos. Aquí hay un requisito previo para el curso … GRATIS. Es difícil vencer gratis.

Una introducción al aprendizaje automático para ingenieros de datos

Además de los obvios como Big Data, diseño de algoritmos complejos, gestión de seguridad avanzada, etc., un estudio en profundidad de los patrones de comportamiento humano y las respuestas situacionales se encuentra en la ruta crítica. En resumen, estudie psicología humana también.

Procesamiento natural del lenguaje.

(Siri, alexa, etc.)

Procesamiento natural del lenguaje

Visión por computadora / Procesamiento de imágenes y reconocimiento

Buscar

Robótica

Sistemas expertos

Web semántica

More Interesting

¿Cómo pueden aplicarse los temas de informática a la exploración espacial?

Arquitectura del procesador: ¿Cuál es la diferencia entre las CPU de 32 bits y las de 64 bits? ¿Cómo aumenta el rendimiento de las CPU de 64 bits?

¿Se puede utilizar Machine Learning para el criptoanálisis?

¿Automata será útil en el aprendizaje automático?

¿Cómo difiere la ingeniería de software de la informática? ¿Son los dos aburridos?

¿Qué API / bibliotecas comerciales están disponibles para proporcionar una transmisión de baja latencia de alto rendimiento a través de sockets UDP (como para FPSers y MMO)?

¿Qué lenguaje es mejor para un algoritmo de futuros HFT, C ++ o python?

¿Cuál es la mejor startup de inteligencia artificial y qué problema resuelven? ¿Cómo consigo un trabajo allí para poder ganar toneladas de dinero?

¿Cuáles son algunas de las mejores ideas de proyectos para un estudiante de tercer año de CSE / IT?

Cómo comenzar a participar en la investigación de interacción humano-computadora como estudiante universitario

¿Cuál es la relación entre proxy inverso, balanceador de carga y CDN?

¿Cuál es la mejor configuración de hardware para entrenar frameworks de aprendizaje profundo como Caffe, Theano y Tensorflow?

¿Cuál es la mejor herramienta de prueba de software?

¿Cuáles son los principales problemas que se pueden resolver digitalmente en el futuro?

¿Cuáles son los desafíos con los formatos de video para el aprendizaje automático?