A mi entender, esa es una pregunta bastante amplia. Hay diferentes enfoques:
- Simplemente intentándolo por el bombo publicitario.
- Perseguir sistemática y seriamente el campo.
Intentaré anotar mis dos centavos en el último. Tomemos un ejemplo más simple. Considera seguir la IA como correr una maratón.
- ¿Se sobrevalora el impacto económico de la IA?
- Si los humanos pueden desarrollar inteligencia artificial, ¿no pueden los extraterrestres también?
- Si ya tenemos una IA fuerte, ¿cuáles serían algunos ejemplos de maravillas médicas o físicas que puedas imaginar de manera realista?
- ¿La inteligencia artificial y la robótica (humanoides) le quitarán más trabajos a los humanos?
- Comparando la historia de la informática con la inteligencia artificial ahora, ¿en qué año estamos?
Primero y principal : es un maratón bastante largo. Esto no es para desanimarte, pero tampoco es una realidad de recubrimiento sugerido. Muchas personas con las que me he encontrado se ponen de moda como entusiastas de la IA después de probar el Curso de aprendizaje automático de Andrew Ng en Coursera. Eso definitivamente no es cierto. Por lo tanto, es importante aclarar su objetivo :
- ¿Por qué deseas perseguirlo?
- ¿Cuáles son tus motivaciones? y más importante…
- ¿Qué problemas deseas resolver? (Nota: Obtener una palabra de moda para darle una palmada a su currículum no es un problema válido).
Parte 1: Comience por comprender mejor el campo . Aspectos como los objetivos principales de la IA, enfoques en términos de escuelas de pensamiento y, lo más importante, aplicaciones. Hay una razón por la cual los atletas se calientan antes de hacer ejercicio.
Parte 2: una vez que hayas aclarado eso, comprométete a probar a alguien como un MOOC. Nota: Antes de decidirse a sumergirse por completo, es importante probar las aguas y no con los dos pies. Recuerde, la tasa de deserción de los principales sitios MOOC ha cruzado el 95%. También es importante ver que los encuentros iniciales con la teoría seca y la parte matemática pueden desinterés o intimidarte. Verás, Tony Stark es genial y todo, pero a veces tienes que caminar antes de poder correr.
- Coursera: Machine Learning por la Universidad de Stanford
- Udemy: Inteligencia Artificial AZ ™: aprende a construir una IA
- Udemy: Deep Learning AZ ™: redes neuronales artificiales prácticas
Parte 3: Asegurar una BASE matemática . A estas alturas, ha decidido dedicar sanamente al menos 6 meses de tiempo para perseguir la disciplina de una manera completa. Asegúrese de estar listo con los requisitos previos. Considere que esto se está preparando para el largo plazo. Un error común que he visto hacer a la gente al aprender el campo se ejecuta desde las matemáticas. NO corras de las matemáticas .
Tu arsenal matemático debe contener:
- Álgebra lineal (MIT 18.06 Álgebra lineal, primavera de 2005 – YouTube) y aquí hay una guinda además de eso (Esencia de álgebra lineal – YouTube)
- Probabilidad (Estadísticas 110: Probabilidad – YouTube)
- Ecuaciones diferenciales (MIT Learn Ecuaciones diferenciales – YouTube)
- Aquí hay un atajo pero no sugiero tomarlo (The Math of Intelligence – YouTube)
Error común: algunos me sugirieron que no entrara en la parte de requisitos previos, pero no funciona de esa manera.
Parte 4: Garantizar una BASE de programación . Hasta que planee hacer cálculos para un solo problema por el resto de su vida (aún no termine de completarlo), necesitará computación muscular. Puede elegir su idioma preferido, pero Python es sugestionable. Puede encontrar una gran cantidad de recursos en Youtube y entre los MOOC para seguir con este.
Parte 5: Garantizar una BASE algorítmica . Mucha gente extraña este. Aunque una gran parte de ella se puede aprender a lo largo del camino, si quieres que tu viaje sea tranquilo, te sugiero que comas esta rana primero, preferiblemente en el idioma que aprendiste.
- Especialización en estructuras de datos y algoritmos por (Estructuras de datos y algoritmos | Coursera) Esta es más práctica.
- Especialización en Algoritmos por la Universidad de Stanford (Algorithms | Coursera) Esta es más teórica.
- Introducción a los algoritmos por MIT OCW (MIT 6.006 Introducción a los algoritmos, otoño de 2011 – YouTube)
Hecho con la BASE.
Ahora comienza el entrenamiento real. (¡Golpea la pista rocosa!)
Puede que esto no sea perfecto, pero lo suficientemente necesario en mi opinión para levantarte y volar para desafiarte a ti mismo con la implementación de algunos de los métodos más modernos. Vamos a dividir el entrenamiento en tres partes:
- Aprendizaje automático
- Aprendizaje profundo
- Aprendizaje reforzado
Parte 1: aprendizaje automático
- Revisa las Conferencias Stanford de Andrew Ng (Colección de conferencias | Aprendizaje automático – YouTube). Nota : Estos son mucho más completos que la versión de Coursera y en realidad cubren la parte matemática importante y las intuiciones para obtener resultados.
- Siga sus apuntes y termine los cuatro conjuntos de problemas . (Esta es la mejor manera de preparar una gran pista para que despegue su vuelo) Hubo alguna discrepancia con el enlace de Stanford para el material del curso, pero puede encontrarlo en este repositorio de Github (Yao-Yao / CS229-Machine-Learning ) Simplemente atracones viendo las conferencias en video no ayudará.
- Ahora, intenta aplicar lo que aprendiste . Aquí hay una gran lista de reproducción de YouTube para eso (Machine Learning with Python – YouTube).
- Si quieres más, sigue un libro de texto. Sugiero Elementos de aprendizaje estadístico como una guía completa para este.
Parte 2: aprendizaje profundo
- Dependiendo de su capacidad en términos de intensidad, comience con un MOOC si prefiere obtener una comprensión general. Definitivamente respondería por Deep Learning Specialization por nada menos que Ng.
- De vuelta a los negocios. Para una comprensión profunda, vaya al curso en línea de Hugo Larochelle . (Hugo Larochelle) Trata de cubrir todo lo que puedas de los contenidos del curso.
Nota: Una parte importante de Deep Learning será agrietarse los papeles, especialmente en casos con modelos relativamente nuevos. No te alejes de eso. - Siga el Libro de aprendizaje profundo de los maestros del campo, a saber, Ian Goodfellow, Yoshua Bengio y Aaron Courville. Hazlo. Período. (Aprendizaje profundo)
- A continuación, puede elegir una dirección si desea especializarse, por ejemplo:
- CS231n para visión artificial. (CS231n: Redes neuronales convolucionales para el reconocimiento visual)
- CS224d para procesamiento de lenguaje natural (CS224d: aprendizaje profundo para procesamiento de lenguaje natural)
- También hay un curso de PNL de Oxford y DeepMind. (https: //machinelearningmastery.c…)
- Nuevamente es hora de ensuciarse las manos . No pude encontrar un mejor lugar para comenzar que Fast.ai (Deep Learning For Coders-36 horas de lecciones gratis)
- Algunos otros recursos si desea probar son (Tutoriales de aprendizaje profundo) y (Aplicaciones creativas de aprendizaje profundo con TensorFlow | Kadenze).
Parte 3: Aprendizaje de refuerzo
- Nivel 1: prueba este curso de Udacity sobre aprendizaje por refuerzo, no debería tomar mucho tiempo. (Aprendizaje reforzado)
- A continuación, pase a las conferencias de David Silver. Puede encontrar el contenido del curso aquí: (Enseñanza)
- También puede agregar las conferencias de UC Berkley para una mejor comprensión. (CS 294 Aprendizaje de refuerzo profundo, otoño de 2017)
¡Uf!
Eso fue todo un maratón. Ahora puede comenzar su verdadero viaje de IA asumiendo el texto clásico de IA: Inteligencia artificial, un enfoque moderno http://web.cecs.pdx.edu/~mperkow…
Para video conferencias sobre inteligencia artificial :
- MIT OCW (MIT 6.034 Inteligencia Artificial, Otoño 2010 – YouTube)
- Conferencias de Pieter Abbeel (CS 188 2014 Clase de Inteligencia Artificial de Pieter Abbeel – YouTube)
Confía en mí, si has pasado por todo eso con sinceridad, estás más que preparado para poner algunas abolladuras serias en el campo y también para hacer tu camino a partir de ese momento.
Algunas fuentes para mantenerse al día con el campo:
- Open AI Blog (Blog OpenAI)
- Blog de DeepMind (Noticias y Blog | DeepMind)
- ML Mastery (Comience aquí con Machine Learning – Machine Learning Mastery)
- Algunos otros grupos a seguir serían Google Brain, FAIR, etc.
- Siga a los profesionales activos en Twitter para mantenerse al tanto de las discusiones y giros y vueltas del pie delantero
- También hay algunos boletines interesantes : Jack AI, Import AI, Machine Learning, Morning Paper, MIT Tech Review, Wild Week in AI.
Algunos errores a EVITAR :
- Por favor , no huyas de las matemáticas .
- No abstraiga innecesariamente las cosas . Lo que quiero decir es que tal vez al final va a trabajar con API de alta gama que simplemente aplicarán su tubería, pero si su proceso se rompe (lo que es casi seguro que ocurrirá durante la construcción), no sabrá cómo solucionarlo . Y esto, según los expertos, es una de las mayores barreras para fluir en el campo.
- No caigas en el vertedero de recursos . Hay una tonelada de recursos por ahí y no es práctico ni necesario para cubrir todo. A menudo te encontrarás con algo que la gente a tu alrededor está haciendo o incluso orgánicamente aterrizas que podría hacerte querer saltar barcos. Recuerde, la hierba siempre es más verde en el otro lado.
- Se persistente . Naturalmente, algunas partes de la carrera te gustarán más que otras. Pero todos sabemos lo que sucede con una descarga cuando se detiene incluso al 99%.
Nota personal: AI como campo comenzó en la década de 1960, pasó por una fase de burbuja, un invierno después de eso y ahora nuevamente. Es importante cómo lo ve, como una fiebre del oro o como una herramienta habilitadora para resolver problemas. Al final, no importa si eres débil en Matemáticas o apesta a la programación o carece de los antecedentes necesarios, si tienes tu objetivo claro de por qué empezaste, triunfarás.
Para dar una estimación, la saga completa no debería tomar más de 6 meses, conservadoramente hablando, y si es lo suficientemente dedicado es posible lograrla en 3 meses. (¡Sí, eso es verdad!)
¡Buena suerte amigo!