Cómo comenzar una investigación independiente en aprendizaje profundo

Esto no es fácil de cubrir en unos pocos párrafos.
El aprendizaje automático normal se trata principalmente de reconocimiento de patrones, hasta cierto punto. Pero el aprendizaje real, o el aprendizaje profundo, que implica ir más allá de las meras redes neuronales multinivel, requiere pensar en pensar: ¿cómo formamos conceptos a partir de los datos? qué SON los conceptos: cómo razonamos, no solo reconocemos un patrón. El aprendizaje profundo puede implicar descubrir cómo formar modelos a partir del razonamiento lógico, o cómo crear dinámicamente microarquitecturas optimizadas para aprender algún subdominio, o sobre integrar múltiples vistas de algo en un modelo 3D.
Para hacer una investigación independiente, es posible que desee comenzar examinando la literatura en alguna área que le interese lo suficiente como para motivarse para comenzar y quedarse con un esfuerzo largo y profundo. Vea lo que otras personas han hecho en el área y luego busque problemas no resueltos. Para resolver algunos de ellos, primero debe convertirse en un experto en un área.
No es un camino fácil, pero puede ser interesante y emocionante. Si tiene acceso a una biblioteca universitaria, busque las actas de la conferencia y examine en qué están trabajando otros investigadores. Aproveche lo que dicen que son problemas a resolver.

Hola, te sugiero cuatro pasos:

1: Aprende algunos cursos en línea y lee algunos libros,

• CS231n: Redes neuronales convolucionales para el reconocimiento visual (disponible en youtube)
• Curso de aprendizaje profundo de Oxford (disponible en youtube)
• Redes neuronales para el aprendizaje automático – Universidad de Toronto | Coursera (Coursera)
• Redes neuronales y aprendizaje profundo (Libro)

2: Familiarícese con una o dos cajas de herramientas DL

Según mi experiencia, sugeriría comenzar un aprendizaje profundo con Keras. Antes, debes saber cómo programar con python. Mientras tanto, una vez que esté familiarizado con los keras, puede intentar continuar aprendiendo Tensorflow. Keras es más fácil de aprender que TF. Pero, creo que estar familiarizado con estas dos cajas de herramientas son complementarias.

3: Paly algunos problemas reales en lugar de algún tutorial

• Kaggle
• Gran desafío
• Competiciones en algunas conferencias importantes (ICCV, CVPR, ECCV)

4: Intenta colaborar con algún investigador o ingeniero experimentado (maestro de Kaggle o profesores académicos)

Personalmente, trabajé más en investigaciones médicas relacionadas con el aprendizaje profundo. Si está interesado, puede ir a grandes desafíos: Inicio y elegir un problema interesante. Sería suficiente para una tesis de maestría, si puede dar una buena solución a cualquiera de los problemas.