Depende de la definición de trabajar en el aprendizaje profundo: si la intención es jugar con diferentes arquitecturas para resolver un problema específico, entonces no necesita muchos conocimientos matemáticos para comenzar a trabajar en el aprendizaje profundo. La mayoría de los kits de herramientas en estos días vienen con ejemplos de diferentes arquitecturas, diferenciación automática y funciones de pérdida predefinidas. Por lo tanto, todo lo que se necesita es definir la arquitectura y el boom de la red: tiene un modelo poderoso que espera ser entrenado. Debe conocer los conceptos básicos de la multiplicación de matrices y un conocimiento superficial de la regla de la cadena (también conocida como retropropagación) para poder definir una buena arquitectura. También debe tener algunos conocimientos de aprendizaje automático para descubrir qué arquitectura se adapta a su problema y datos. Pero aparte de eso, el aprendizaje profundo es tan plug and play como el aprendizaje automático puede obtener.
Si desea desarrollar nuevos algoritmos, debe profundizar en las estadísticas y la optimización: cuáles son las causas de las soluciones subóptimas, por qué funciona una determinada arquitectura, por qué algunas funciones de pérdida son adecuadas para ciertos tipos de problemas, y así en. Esto lo ayudará a desentrañar la caja negra del aprendizaje profundo y luego podrá comenzar a escribir algoritmos novedosos que aborden su problema específico.
- ¿En qué medida se utilizan las técnicas de optimización del aprendizaje automático, como el descenso de gradiente, en el modelado financiero?
- ¿Cuál es el mejor clasificador que puedo usar en 'Reconocimiento facial en tiempo real' después de extraer funciones usando 'Alexnet'?
- ¿Qué modelo da un error de predicción más bajo cuando se usa R?
- ¿Qué área de la PNL es más prometedora y gana más tracción en la industria: la PNL sobre los datos de voz frente a texto?
- ¿Qué tan bueno es Irlanda para la visión por computadora?
