Primero, comience leyendo sobre las formas más básicas de redes neuronales, como el clásico perceptrón multicapa feedforward.
Luego, en su lenguaje de programación favorito, escriba su propia implementación. Entrene su red neuronal en una tabla de verdad simple utilizando la propagación hacia atrás.
Luego, estudie cálculo multivariado, álgebra lineal y teoría de la probabilidad. Ahora tiene una comprensión de la teoría detrás de los ANN. Además, estudie ecuaciones diferenciales y sistemas dinámicos. Esto le permitirá dominar el modelo Hodgkin-Huxley de la neurona y toda su complejidad como sistema dinámico.
- ¿En qué se diferencia la búsqueda de una estrella de la rama y del límite?
- ¿Dónde puedo encontrar una demostración de la mejor tecnología de reconocimiento de emociones?
- ¿Qué temas debo saber en PNL?
- ¿Está bien usar un modelo de aprendizaje automático no supervisado para la predicción?
- ¿Cuáles son las aplicaciones de ML / AI en el campo de VLSI?
Mientras lo hace, trabaje en la implementación de:
- Redes recurrentes
- Estado eco
- Hopfield
- LSTM
- Redes convolucionales
- Redes de picos
- Modelos biológicamente realistas, por ejemplo, Hodgkin-Huxley, FitzHugh-Nagumo, etc. ‘
Capacítelos en tareas apropiadas como:
- Reconocimiento de imagen
- Reconocimiento de voz
- Reconocimiento de escritura a mano
- Chatbotting
- Jugar un juego de mesa como tic-tac-toe, damas, ajedrez, go o póker
- Series temporales, por ejemplo, predicción del mercado de valores.
- Control de motor robot
Aprenda sobre métodos alternativos de aprendizaje, como algoritmos evolutivos y autoorganización. Crea tus propias implementaciones.
Conozca y disfrute de las bibliotecas de nivel industrial, como Tensorflow.
Finalmente, use su conocimiento para resolver problemas que nadie más ha resuelto todavía.
Felicitaciones, ahora eres un maestro de las redes neuronales artificiales. En este momento, estoy trabajando en el paso 3. Les deseo a los dos suerte en nuestra búsqueda para dominar estas construcciones fascinantes.
