¿En qué orden debo aprender el aprendizaje automático, el aprendizaje profundo, el procesamiento del lenguaje natural y la inteligencia artificial?

Aprenda IA para tener una idea de cómo hacer que las máquinas tomen decisiones a partir de un puñado de reglas que se introducen en el sistema: haga demostraciones de teoremas, agentes de juegos, etc.

Luego, aprenda los algoritmos de Machine Learning para ver cómo las máquinas pueden hacer su propia ‘inteligencia artificial’ si se les dan los datos correctos para aprender y las instrucciones correctas sobre qué (características) aprender de los datos: crear sistemas de clasificación, predictores meteorológicos, etc.

Finalmente, aprenda Deep Learning para experimentar el poder de la computadora moderna. Usted le da una gran cantidad de datos a la máquina y la ve aprender por sí misma, sin ninguna otra intervención humana: haga redes neuronales profundas para la identificación de imágenes y la comprensión del lenguaje natural, lea sobre el éxito de AlphaGo, etc.

El procesamiento del lenguaje natural no se encuentra realmente en el orden anterior. Es un campo separado que involucra el estudio computacional de la liguística que requiere mucha ayuda de los algoritmos AI / Machine Learning / Deep Learning. Por lo tanto, puede estudiarlo en cualquier momento que desee, pero su experiencia en PNL dependerá mucho de lo bueno que sea con las áreas mencionadas anteriormente.

¡Buena suerte!

Pruebe una vez los siguientes 6 sencillos pasos:

Para aprender el aprendizaje automático, debes ser mejor que el promedio en matemáticas. Estas son las matemáticas que debe aprender teniendo en cuenta el objetivo final para estar preparado.

• Álgebra lineal-Álgebra lineal– MIT 18.06 Álgebra lineal por Gilbert Strang
• Teoría de la probabilidad-Probabilidad y estadística – MIT 6.041 Análisis de sistemas probabilísticos y probabilidad aplicada por John Tsitsiklis
• Cálculo
• Cálculo de variaciones.
• Teoría de grafos
• Métodos de optimización (multiplicadores de Lagrange)
• Cualquier lenguaje de programación ampliamente utilizado para ML como python, MATLAB o C ++.

PD: recomendaría Python aquí como lenguaje y recomendaría los siguientes enlaces:

• Aprendizaje automático con texto en scikit-learn (PyCon 2016)
• Aprendizaje automático en Python con scikit-learn

Una vez cumplidos estos requisitos, puede por fin comenzar a considerar Machine Learning.

¿6 PASOS FÁCILES para utilizar el APRENDIZAJE DE MÁQUINAS?

Este es el lugar donde comienza la diversión. Ahora, se espera que la base comience a echar un vistazo a algunas informaciones. La mayoría de las empresas de aprendizaje automático tienen básicamente el mismo proceso de trabajo:

PASO 1.) Fabrica tus fundamentos de aprendizaje automático estudiando material relacionado con el tema:

a.) Las conferencias de Andrew Ng’s Machine Learning son un gran comienzo:

Colección de conferencias | Aprendizaje automático: YouTube

b.) Certificado de aplicaciones y minería de datos de Stanford:

Certificado de Posgrado en Minería de Datos y Aplicaciones

c.) Escuela de verano de aprendizaje automático:

https://www.youtube.com/playlist …

d.) Un enlace a la lista de reproducción completa está aquí (Lecture Collection | Machine Learning)
https://www.youtube.com/view_pla …

e.) Introducción a la Inteligencia Artificial por el Prof. Deepak Khemani IIT Madras

http://nptel.ac.in/courses/10610 …

e.) “La mejor introducción de aprendizaje automático que he visto hasta ahora”.

PASO 2.) Tome un curso en línea

Lo principal que aconsejo a alguien que necesita ingresar al aprendizaje automático es tomar el curso en línea de Andrew Ng.

Creo que el curso de Ng es especialmente directo y excepcionalmente eficiente, por lo que es un conocimiento extraordinario para alguien que necesita ingresar a ML. Me sorprende cuando las personas me revelan que el curso es “excesivamente fundamental” o “excesivamente superficial”. En el caso de que me revelen que solicito que aclaren el contraste entre la Regresión logística y el SVM, PCA lineal frente a la factorización matricial, regularización o descenso de gradiente. He hablado con aspirantes que afirmaron años de encuentros de LD que no sabían la respuesta a estas preguntas. En su mayor parte, se aclaran claramente en el curso de Ng. Hay muchos otros cursos en línea que puede tomar después de este, pero ahora está en su mayor parte preparado para pasar a la siguiente etapa.

Vea mi publicación anterior 10 mejores videos, profesores y cursos sobre aprendizaje automático para principiantes y avanzados

PASO 3.) Algunas sugerencias de libros

Mi paso posterior sugerido es obtener un libro de ML decente (mi lectura más abajo), leer las secciones de introducción principales y, después de eso, pasar a cualquier parte que incorpore un algoritmo, usted está interesado. Cuando haya descubierto ese algo, salte a él, vea cada uno de los puntos de interés y, en particular, impleméntelo. En el paso anterior del curso en línea, a partir de ahora habría actualizado algunos algoritmos en Octave. Sea como fuere, aquí estoy buscando ejecutar un algoritmo sin ninguna preparación en un lenguaje de programación “real”. En cualquier caso, puede comenzar con una simple, por ejemplo, Regresión logística regularizada en L2, o k-means, pero también debe impulsarse a actualizar todos los más intrigantes, por ejemplo, SVM. Puede utilizar una implementación de referencia en una de las muchas bibliotecas existentes para asegurarse de obtener resultados equivalentes.

• El razonamiento bayesiano y el aprendizaje automático de David Barber
• El aprendizaje automático de Kevin Murphy: una perspectiva probabilística
• Los elementos del aprendizaje estadístico de Hastie, Tibshirani y Friedman
• Reconocimiento de patrones y aprendizaje automático de Bishop
• Aprendizaje automático de Mitchell

También hay numerosos libros excelentes que llaman la atención sobre un tema específico. Por ejemplo, Sutton and Re-Inforcement Learning es una obra de arte. Además, el libro Deep Learning (accesible en la web) prácticamente se está convirtiendo en un ejemplo antes de ser distribuido. Sea como fuere, necesita un par de esos libros para reunir una comprensión equilibrada y hasta cierto punto del campo.

Vea mi publicación anterior 10 eBooks gratuitos de lectura obligatoria sobre conceptos básicos de aprendizaje automático.

También puede ir específicamente a un trabajo de investigación que presente un algoritmo o enfoque que le interese y salte a él.

PASO 4.) Algoritmos más esenciales

Se confía en usted para conocer los aspectos básicos de un algoritmo esencial.

Vea mi anterior post 15 algoritmos que los ingenieros de aprendizaje automático deben saber.

En cualquier caso, aparte de los algoritmos, también es fundamental saber cómo configurar sus datos (selección de características, transformación y compresión) y cómo evaluar sus modelos. Tal vez, para empezar, podría ver nuestro Aprendizaje automático en el ejercicio de instrucción scikit-learn en SciPy 2016. Se condensa una gran parte de los rudimentos al presentar la biblioteca scikit-learn, que puede resultar útil para la ejecución y otros exámenes. :

PASO 5.) Juega con algunos conjuntos de datos enormes que son de acceso abierto.

Descubra un conjunto de datos que le parezca especialmente interesante o sobre el que tenga hipótesis y compruebe si tiene razón.

Datos del gobierno de EE. UU. http://www.data.gov/

Ferrocarril Catering y Turismo Corporación http://www.irctc.co.in

PASO 6.) Participa con un equipo de personalización o aprendizaje automático centrado en el producto.

El grupo que busca debe estar cargado de ingenieros a quienes desea instruir y aprender. Esto lo mejorará para convertirse en un buen ingeniero de aprendizaje automático. Del mismo modo, al dividir un grupo de productos, descubrirá rápidamente cómo la ciencia y la hipótesis del aprendizaje automático varían de la capacitación. Específicamente, cómo la conducta del cliente le mostrará algo nuevo cada día.

Aprendizaje automático, aprendizaje profundo, procesamiento del lenguaje natural e inteligencia artificial.

Todas estas son ramas de la ciencia de datos.

El aprendizaje automático y la PNL funcionarán juntos cuando comience a aprender ciencia de datos. ¿Cómo?

En el aprendizaje automático, realizará la limpieza de datos, el procesamiento previo y la clasificación. Mientras que hacer esto requiere

• Tokenización de datos
• Detener la eliminación de palabras
• Parte del etiquetado de voz
• Extracción de entidad sustantiva
• Análisis de oraciones, etc.

PNL te ayudará aquí. Cuando haces clasificación numérica, clasificación de texto o realizas alguna recomendación; PNL ayuda a hacerlo mejor

Según yo, lo que haces con el aprendizaje automático y la PNL es la inteligencia artificial. Haces que la máquina piense usando datos históricos y desarrolles IA para eso.

El aprendizaje profundo es el siguiente nivel del aprendizaje automático, que involucra algoritmos complejos, red neuronal multinivel.

Se han aplicado diversas arquitecturas de aprendizaje profundo, como redes neuronales profundas, redes neuronales profundas convolucionales, redes de creencias profundas y redes neuronales recurrentes a campos como la visión por computadora, el reconocimiento automático del habla, el procesamiento del lenguaje natural, el reconocimiento de audio y la bioinformática donde se ha demostrado que producen resultados de vanguardia en diversas tareas.

Todavía necesito explorarlo más.

Editar1

Después de la sugerencia de Ankur Jaiswal, buen recurso para aprender algunos recursos útiles

Aprendizaje automático – Tutoriales de scikit-learn

PNL – Libro NLTK

Una vez que haya terminado con esto con confianza,

Aprendizaje profundo: https://www.udacity.com/course/d …

Sugiero lenguaje de programación python.

Edit2

Con respecto a la solicitud de flujo anónimo, recomendado –

1. Obtenga una comprensión básica de ML y PNL
2. Practica la práctica práctica de ML junto con PNL
3. Después de confiar en ML y NLP, entienda la red neuronal un poco mejor.
4. Proceder al aprendizaje profundo

1. ML: aprenda los conceptos básicos de las redes neuronales, como el paso hacia atrás, el paso hacia adelante, la pérdida de computación, el sobreajuste, la reducción, la regularización, etc.
2. Aprendizaje profundo: una vez que esté familiarizado con los conceptos básicos de las redes neuronales, puede proceder a las redes neuronales profundas, que es esencialmente de lo que se trata el aprendizaje profundo. En el aprendizaje profundo, se encontrará con temas como CNN, RNN, LSTM, codificadores automáticos, etc. Cada uno de ellos tiene sus propios méritos y encuentra sus propias aplicaciones.
3. PNL: una vez que se sienta cómodo con ANN y DNN, puede proceder a aprender PNL. Ahora se puede argumentar que no hay necesidad de aprender aprendizaje profundo o NN para comenzar con PNL con lo que estoy completamente de acuerdo. Puede comenzar con PNL con cierto conocimiento de probabilidad básica y podrá llegar a modelos de lenguaje básicos como modelos de n-gramo, pero con los avances en el aprendizaje profundo, las redes neuronales profundas han encontrado su camino en la PNL con bastante fuerza. El modelo de lenguaje que utiliza RNN está dando resultados de vanguardia, por lo que sería mejor si tiene algún dominio sobre el aprendizaje profundo antes de saltar a la PNL.
4. En lo que respecta a la IA, los tres temas anteriores se encuentran bajo AI, ¿no? Si estudias sinceramente los tres temas anteriores, supongo que definitivamente recorrerás un largo camino en el campo de la IA.

Para concluir, lea los tutoriales, lea libros, blogs, documentos. Aprende un lenguaje de programación (python). Aprenda a codificar en un marco DL como (flujo de tensor, keras, pytorch). Revise algunos buenos repositorios de github y vea cómo codifican los expertos. A menos que aplique lo que ha aprendido, no tendrá la sensación real de ello.

Registrarse para cursos en

1. Coursera | Cursos en línea de las mejores universidades. Únete gratis
2. Udacity – Clases gratis en línea y nano grados

Leer blogs en

1. Tutoriales Archives – PyImageSearch
2. Dominio del aprendizaje automático
3. Blog de Andrej Karpathy

Siga los cursos en YouTube por

1. [1] Curso de Andrew Ng sobre ML
2. [2] CSE 231n Stanford en DL
3. [3] Curso de Dan Jufrasky sobre PNL

Mucha suerte y feliz aprendizaje.

Aclamaciones

Notas al pie

[1] http: // Machine learning W1 01: W …

[2] http: // cs231n : https: //www.youtu …

[3] http: // Dan Jurafsky y Chris Mann …

1. álgebra lineal: domina esto.
2. Probabilidades y estadísticas
3. aprendizaje automático estadístico, por ejemplo, Hastie, Tibshirani, Friedman
4. recuperación / búsqueda de información y PNL
5. Optimización convexa, por ejemplo, Boyd
6. AI: aprendizaje por refuerzo, modelos de generación probabilística, por ejemplo, LDA, Laplace Approx, etc.
7. El aprendizaje profundo, por ejemplo, Goodfellow, Bengio y Courville es un buen punto de partida.

Depende de tus objetivos. Si su objetivo es procesar el lenguaje natural, podría tener sentido aprender PNL y aprender el aprendizaje automático necesario en el camino. Sin embargo, si su objetivo es hacer el aprendizaje automático en general, probablemente se beneficiará más si dedica más tiempo a los principios básicos del aprendizaje automático desde el principio.

El aprendizaje profundo es un subconjunto del aprendizaje automático que ha ganado una popularidad sustancial en los últimos años. Generalmente consiste en redes neuronales con varias capas. Como los modelos profundos se encuentran entre los modelos menos conocidos (incluso por expertos) y complejos, tiene sentido aprender sobre el aprendizaje profundo después de haber aprendido sobre el aprendizaje automático en general.

Comprender las redes neuronales requiere comprender algoritmos de aprendizaje automático más fundamentales, como el perceptrón y la regresión logística, el último de los cuales requiere cierta comprensión de las funciones de pérdida, gradientes y similares.

Si bien hay resultados legítimamente impresionantes en el aprendizaje profundo, muchos parecen perseguirlo debido a todo el zumbido que lo rodea, no porque sea necesariamente apropiado para los problemas en los que trabajan. Es posible diseñar un modelo profundo sin comprender fundamentalmente el aprendizaje automático, pero esto puede ser una instancia de conocer la información suficiente para ser peligroso, un obstáculo no limitado al aprendizaje profundo, pero podría decirse que está muy bien representado en él.

Sí, tiene razón en que la IA será un campo caliente 3 años después. No estoy seguro de dónde está conectada la Psicología y la IA a menos que tengamos un subconsciente programado y una conciencia que nunca supe. Los otros 5 están conectados ya que forman una estructura de árbol. DL y NLP son básicamente campos de aplicación de AI. DL utiliza técnicas de aprendizaje automático por lo general. La PNL es más frecuente que no, basada en modelos de probabilidad.

* Importante * ¡ Aprenda al menos 1 lenguaje de programación y conceptos de matemática probabilística, matemática vectorial y estadística antes de comenzar!

Teoría de IA : esto lo ayudará a comprender los motivos y los requisitos del campo elegido. Sí, dije teoría porque es crucial saber el “ por qué ” antes de “ aplicar “.

Aprendizaje automático : esto lo ayudará a aplicar los diversos algoritmos, aprender el enfoque, aprender el cómo y el por qué, etc. Aprender las redes neuronales, retocar con él.

Lo que estoy diciendo: mi sugerencia sería elegir una forma y apegarse a ella, sin eliminar por completo las otras opciones.

Lo que quiero decir: si comienza con las redes neuronales, quédese con él, pero no olvide (digamos) la lógica difusa. Aprende todo, pero gana experiencia en uno.

Una vez que haya terminado con los conceptos básicos de ML, le sugiero que se concentre en comprender y aplicar los conceptos de ML para crear / desarrollar aplicaciones y programas que sean específicos para sus necesidades. Básicamente, le pido que codifique, codifique, codifique y codifique.

¿Es esa la única forma? ¡NO!

¿Funciona así? ¡Funcionó para mí!

Esto le permitiría pensar fuera de la caja porque, según yo, de eso se trata la IA, un método pseudo-realista para resolver problemas de la vida real de una manera inteligente y predictiva.

Una vez que esté completamente cómodo con los conceptos básicos, puede optar por aplicar sus conocimientos en aprendizaje profundo o procesamiento del lenguaje natural. Te sugiero que te quedes con uno, lo aprendas, te vuelvas muy bueno en eso, porque al final ‘ ser un Jack ‘ es el rasgo más inútil de la historia. La experiencia es todo lo que importa al final.

PD Jack mencionado anteriormente es de ‘Jack de todos los oficios, maestro de ninguno’. Sí, soy cojo.

PPS Sí, sé que Jack no es una persona. A no ser que….

Disfruta tu viaje. Te frustrará mucho, pero al final vale la pena.

Contestaré esto como un compañero de aprendizaje y, por lo tanto, esto no puede calificarse como una opinión experta. Hace solo un año que estoy asociado con el campo de la ciencia de datos, y esta respuesta se basa únicamente en mi experiencia.

Si estuviera en su lugar, habría comenzado con Machine Learning. Es una excelente introducción al campo, le da una buena idea sobre cómo sería cualquier otro campo en su lista, y también le interesa.

Después de esto, recomendaría pasar alrededor de una semana para aprender el arte del raspado, la limpieza y el procesamiento de datos, no se preocupe si no sabe el significado de estos términos ahora, los sabrá una vez que haya terminado con ML.

A continuación, vaya al procesamiento del lenguaje natural.

Por lo que he leído, ML y NLP son dos subcampos principales de IA, por lo que una vez que haya terminado con estos, puede continuar con los otros aspectos de la IA que desea aprender.

Lo primero que hay que entender es que la IA es un objetivo , y ML y DL (aprendizaje profundo) son los medios .
ML y DL proporcionan modelos y marcos para lograr IA.
Los modelos DL son un tipo específico de modelos ML que intentan aprender diferentes niveles de abstracciones para representar datos.
PNL se centra en un tipo específico de IA que tiene que ver con el lenguaje natural con una estructura.

Teniendo en cuenta estos antecedentes, este puede ser un enfoque posible:

1. Primero, comprende los objetivos de alto nivel de la IA.
2. Luego, equípese con los medios enfocándose en ML y luego DL. DL implica modelos complejos que se basan en conceptos de ML. Por lo tanto, primero ML y luego DL.
3. Luego, aprenda cómo se utilizan las técnicas ML y DL para lograr los objetivos de PNL.
4. Vuelva a visitar la IA que usa mucho ML, DL y NLP.

Tenga en cuenta que, en gran medida, ML, DL y NLP van de la mano. DL es un tipo específico de ML. NLP usa ML y DL para lograr sus objetivos como análisis, reconocimiento de entidades, respuesta a preguntas, etc. NLP involucra otros pasos mientras usa modelos ML como su núcleo. Por lo tanto, la PNL se puede aprender en una etapa posterior a ML y DL.

El aprendizaje automático no es un tema para aprender por separado como Roman mencionó. Es solo un tema. La aplicación del aprendizaje automático se realiza en AI, NLP, DL.

Recomiendo aprender en el siguiente orden

1. AI
2. PNL
3. DL

Los lugares donde puede obtener cursos relacionados con ellos son.

AI – Inteligencia Artificial

PNL – Tutorial de aprendizaje automático y procesamiento del lenguaje natural | ChalkStreet

DL – Aprendizaje profundo | Udacity

Espero que esto ayude.

El procesamiento del lenguaje natural es uno de los diferentes subcampos de la inteligencia artificial , que se refiere a las interacciones entre las máquinas y los lenguajes humanos. Ahora, el aprendizaje automático brinda a las computadoras la capacidad de aprender sin ser programado explícitamente. El aprendizaje automático puede ser útil a veces para realizar el procesamiento del lenguaje natural. Y el aprendizaje profundo es una rama del aprendizaje automático, que utiliza múltiples capas de procesamiento, como el funcionamiento de las redes neuronales en nuestro cerebro.

Por lo tanto, le sugiero que comience con conceptos básicos de IA , pase a PNL , luego profundice en APRENDIZAJE DE MÁQUINAS y finalmente profundice en APRENDIZAJE PROFUNDO . 🙂

Lo principal es comenzar. Antes de perder el tiempo eligiendo el pedido, debe

• Lea un libro básico sobre cualquiera de los temas anteriores.
• Practica la programación
• Revise sus matemáticas, estadísticas, estructura de datos, etc.

Para más detalles, consulte estas respuestas

• La respuesta de Shehroz Khan a ¿Qué recursos debo usar para comenzar a aprender Machine Learning durante el verano con mi educación actual?
• La respuesta de Shehroz Khan a Después de aprender Python, ¿debería comenzar ahora el procesamiento del lenguaje natural o en primer lugar ir al aprendizaje automático?

El aprendizaje profundo (aprendizaje estructurado profundo, aprendizaje jerárquico o aprendizaje automático profundo) es una rama del aprendizaje automático basado en un conjunto de algoritmos que intentan modelar abstracciones de alto nivel en los datos mediante el uso de múltiples capas de procesamiento, con estructuras complejas o compuestas de otro modo. Múltiples transformaciones no lineales.

El procesamiento del lenguaje natural (PNL) es una de las tecnologías más importantes de la era de la información. Comprender las expresiones complejas del lenguaje también es una parte crucial de la inteligencia artificial. Las aplicaciones de PNL están en todas partes porque las personas comunican casi todo en idioma: búsqueda web, publicidad, correos electrónicos, servicio al cliente, traducción de idiomas, informes de radiología, etc.

Te mostraré en código:

/// construir es comenzar a aprender, destructor es terminar de aprender

struct ML {

DL dl;

};

struct AI {

Ml ml;

PNL nlp;

~ AI () {throw “si realmente puedes completar el aprendizaje de IA, procesa esta excepción y vuelve aquí, porque este es un tema abierto que aún no ha terminado”; }

};

principal() {

AI();

}

Hola amigos,

¡Mira el nuevo video sobre Machine Learning!
#what_is_machine_learning

Enlace oficial del canal –
https://www.youtube.com/channel/ …

Por favor no olvides SUSCRIBIRTE.

https://t.co/fOAE2hCYGP

Escribí una respuesta similar sobre los recursos en CV, ML, DL aquí:

La respuesta de Anil Sharma a ¿Cuáles son los mejores materiales y programas de estudio en línea para comenzar a aprender IA en 2017? ¿Cuál es la mejor guía de programa sobre qué estudiar primero y cómo fluir y construir?

Esto también ayudará a cumplir los requisitos previos necesarios para comprender los fundamentos de IA.

Espero que ayude.

El aprendizaje automático es el núcleo de la inteligencia artificial. Deberías comenzar aquí.

El aprendizaje profundo y el procesamiento del lenguaje natural son subtemas en el aprendizaje automático.

La Inteligencia Artificial es la capacidad de las máquinas para resolver sus propios problemas (no a través de las instrucciones aprobadas por el programador en el código).