Podrías aprenderlo de la misma manera que alguien con otros antecedentes: ¡aprende las matemáticas y CS necesarias!
Entonces, sugeriría:
- Aprenda primero sobre regresión lineal y regresión logística. Hay una tonelada de fruta baja en todo el lugar que pueden abordar estos dos modelos, y si obtiene algo de su tiempo, deberían ser estos dos.
- Obtenga algunos libros sobre probabilidad y aprendizaje automático (no es necesario pagar mucho por los libros; los libros usados de ediciones anteriores en los libros de matemáticas deberían estar bien):
- Un libro sobre aprendizaje automático general, como el de Kevin Murphy
- Libro de Faraway sobre modelos lineales con R
- Un libro sobre probabilidad, como el “Primer curso sobre probabilidad” de Sheldon Ross
- Un libro sobre álgebra lineal, como el Álgebra lineal elemental de Larson et al.
- Lea las notas de clase para los cursos universitarios estándar sobre ciencia de datos y aprendizaje automático, por ejemplo, aquí;
- Aprenda un lenguaje de secuencias de comandos como Python (y algunas de sus bibliotecas científicas como Numpy y Pandas) y / o un lenguaje estadístico como Julia o R (podría decirse que Julia será mejor que R para lo que está haciendo). Probablemente optaría por Python si es solo uno de esos;
- Consulte algunos documentos en las principales conferencias de aprendizaje automático, como NIPS o ICML, para tener una idea de la amplitud (y profundidad) del campo; y
- Vea videos de una clase como el curso Coursera de Andrew Ng sobre aprendizaje automático. (Reconozca que muchos investigadores de aprendizaje automático consideran que estos videos son de muy alto nivel y “fáciles”, pero eso podría ser simplemente porque han pasado años aprendiendo sobre ML, así que no les gusta la idea de que se pueda enseñar en un curso )
Tenga en cuenta que gran parte del aprendizaje automático es ortogonal a campos de CS como redes y sistemas operativos, por lo que afortunadamente no necesita tener una gran cantidad de experiencia en informática y programación. Sin embargo, será importante comprender lo básico de programación y matemática / estadística para entender por qué ciertos algoritmos son exitosos para el aprendizaje automático y por qué otros no.
- ¿Cuál es el problema más interesante que ha encontrado y que utiliza la recursividad?
- ¿Cómo se calcula la probabilidad de un modelo de regresión de cresta?
- Cómo abordar problemas de cobertura de conjuntos en la programación de enteros
- ¿Cuántas matemáticas se necesitan en la codificación?
- Cómo determinar el número total de triángulos degenerados sin bucles de una longitud determinada (más de 3)
Por ejemplo, supongamos que desea crear un sistema que etiquete automáticamente las imágenes de personas en Facebook con los nombres de los usuarios. Necesitaría saber lo suficiente sobre computadoras para saber que las imágenes se representan como cuadrículas 2D con 3 colores, tal vez con una intensidad de color que varía de 0-255 (en ML o álgebra lineal, esto podría llamarse un “tensor” MxNx3). Necesitaría saber que la mayoría de los lenguajes de programación interactúan por defecto con imágenes en un nivel bastante bajo como este, de modo que escribir un programa para encontrar una cara en ese lío de píxeles no es muy trivial, y que hemos pasado décadas de investigación algoritmos de ajuste fino para realizar esta tarea. Entonces, aunque pueden existir algunas bibliotecas para facilitar la identificación de caras, la implementación de su propio algoritmo requerirá comprender lo suficiente de esa investigación para ir de píxeles a caras.
