Hay muchos algoritmos de aprendizaje automático y cada algoritmo es una isla de investigación.
Hay 6 preguntas que puede hacer para llegar al corazón de cualquier algoritmo de aprendizaje automático:
- ¿Por qué decimos que la máquina de vectores de soporte y muchas otras técnicas de aprendizaje automático tienen un supuesto subyacente de iid?
- ¿Cuándo sale mal la reducción de dimensionalidad?
- ¿Cuáles son los pros y los contras comparativos de usar Python, MATLAB / Octave y R para el análisis de datos y el aprendizaje automático?
- ¿Cuál es el mejor marco de aprendizaje profundo que puedo usar para clasificar las imágenes de resonancia magnética? ¿Keras es adecuado para eso?
- ¿Cómo se puede imitar la intuición humana en los algoritmos de aprendizaje automático? ¿Es importante el modelado de la intuición en el aprendizaje profundo?
- ¿Cómo se refiere a la técnica (por ejemplo, qué nombre)?
- ¿Cómo se representa un modelo aprendido (por ejemplo, qué coeficientes)?
- ¿Cómo aprender un modelo (por ejemplo, el proceso de optimización de datos a la representación)?
- ¿Cómo hacer predicciones a partir de un modelo aprendido (por ejemplo, aplicar el modelo a nuevos datos)?
- ¿Cómo prepara mejor sus datos para el modelado con la técnica (por ejemplo, supuestos)?
- ¿Cómo se obtiene más información sobre la técnica (por ejemplo, dónde buscar)?
Notarás que he formulado todas estas preguntas como Instrucciones. Hice esto intencionalmente para separar las preocupaciones prácticas de cómo de las preocupaciones más teóricas de por qué. Creo que saber por qué funciona una técnica es menos importante que saber cómo funciona, si está buscando utilizarla como herramienta para obtener resultados.