El aprendizaje automático es un tema central para todos los campos enumerados en la pregunta (DL, NLP, AI). Al menos por sus métodos de vanguardia para 2016.
Echemos un vistazo a las conexiones.
TL; versión DR :
- ¿Crees que llegará un día en que las máquinas de IA tengan sensibilidad? ¿Crees que esas máquinas deberían tener derechos si sucediera?
- ¿Qué es la conciencia y en qué se diferencia de la inteligencia?
- ¿Es necesario entrenar una red neuronal para análisis de texto?
- ¿Creer en la IA hace que sea seguro que estamos viviendo en una simulación?
- ¿Los métodos de aprendizaje automático solo son adecuados para fines de clasificación?
El aprendizaje automático es el tema más amplio que incluye el aprendizaje profundo y el 99% de la PNL. Definitivamente debe sentirse cómodo con sus conceptos y métodos principales antes de continuar.
PNL no es realmente un desafío, si está buscando aplicaciones en la industria. Viene naturalmente en el transcurso de ML hecho correctamente.
El aprendizaje profundo puede ser muy exigente matemáticamente y técnicamente, depende de su objetivo real. La implementación de algoritmos de los últimos documentos a menudo es difícil, incluso utilizando marcos potentes como TensorFlow. Proceda cuando esté preparado.
La IA no debe estudiarse antes de obtener una experiencia significativa de ML. Es un concepto muy, muy engañoso que nadie entiende desde el principio. Explico esto en la versión larga.
Versión larga
Cuando comienzas a estudiar aprendizaje automático, estudias muchos conceptos básicos de matemática y programación que serán necesarios en todas partes a lo largo del camino. Pero como el tema es tan vasto, puede ser abrumador. Otra pregunta importante es “¿cómo sé que estoy listo para avanzar más?”, Porque puedes profundizar en ML como quieras.
Si elige seguir los cursos introductorios de ML, elija los que tengan el currículo de algoritmo más amplio. Si quieres leer libros, obtén estos dos:
- Libro matemáticamente pesado muy resistente, preferiblemente PRML
- Libro muy técnico con énfasis en programación.
¿Por qué? A menudo sentirás cierto tipo de confusión. Cuando tenga una pregunta “¿por qué?”, Obtenga el primer libro y contendrá la respuesta, tal vez en una forma oscura, pero la encontrará la mayor parte del tiempo. Cuando tenga una pregunta “¿cómo?”, Obtenga el segundo libro y escriba un código.
La transición al aprendizaje profundo puede ser difícil ya que necesitará leer muchos documentos para mantenerse a la vanguardia y no siempre puede encontrar una implementación conveniente de una nueva arquitectura. Pero todo se vuelve más fácil realmente rápido una vez que está familiarizado con TF, Keras o Theano.
La conexión entre estos dos es obvia. Deep Learning es parte de ML. Los mismos principios, las mismas métricas, pero mucho más exigentes en términos de hardware y mucho tiempo. Además, mucho más divertido. Tendrá que leer un par de libros nuevos, “Aprendizaje profundo” de Goodfellow, Courville, Bengio es el mejor, use las citas para ampliar su conocimiento sobre temas particulares.
En inteligencia artificial
Muchas personas te dicen que comiences a estudiar IA de matemáticas, programación o neurociencia. Eso es a veces un consejo sólido, pero si no sabes nada al respecto, excepto lo que lees en los medios, tu camino será mucho más largo de lo que podría ser. Los malentendidos masivos de lo que realmente es la IA, dónde está ahora y cómo se desarrolla provienen de la imagen de los medios y publicaciones populares al respecto. Hace sesenta y seis años, Alan Turing escribió un artículo “Maquinaria de computación e inteligencia”, comience con él. Hágase las mismas preguntas que él hace allí, encuentre los puntos débiles en su filosofía y avance desde allí. Lea sobre los “años dorados de la inteligencia artificial” – 1956–1974. John McCarthy fue una mente brillante y uno de los pioneros de la IA. Lee sobre sus resultados. Tu primer objetivo debe ser adquirir una visión clara de lo que se supone que es la IA y dónde está ahora. Después de eso: aprendizaje de refuerzo, agentes de actuación, programación neuronal, ahí es donde comienza la verdadera diversión.
Resumen
Desde una perspectiva práctica, es mejor construir una base algorítmica amplia y decidir a partir de ahí si desea pasar a DL o aprendizaje de refuerzo, si desea aplicarlo a la visión por computadora o PNL, etc., ya que la lista que ha incluido en la pregunta es Un compromiso muy largo.