Parece que ha cubierto el terreno básico en dos de las herramientas más importantes para avanzar; ¡eso es bueno!
Personalmente, comenzaría leyendo el “Aprendizaje automático” de Tom Mitchell; por ejemplo, puede obtener una copia usada aquí. Así es como me presenté al tema, y la parte que más me gustó es que es una introducción muy amable: hay matemáticas allí, pero solo la cantidad necesaria. La mayor parte del libro es solo texto y diagramas, que hacen hincapié en lograr que el lector entienda cómo funcionan los algoritmos de ML; La intuición detrás de su maquinaria.
Una vez que se sienta cómodo con el lenguaje y los conceptos utilizados en la literatura de aprendizaje automático, puede continuar con un tipo de libro más práctico, por ejemplo, Aprender de los datos.
- ¿Qué método de aprendizaje profundo es el más adecuado para PNL?
- Cómo construir un sistema de recomendación a escala industrial
- ¿Cuál es la diferencia entre un conjunto de entrenamiento y un conjunto de prueba?
- ¿Qué son los algoritmos del sistema de recomendación? ¿Y cómo implementar en Java?
- En los modelos gráficos, ¿cuál es la diferencia entre un gráfico de clúster y un gráfico de factores?
En cualquier caso, si solo te estás preparando para entrar en el tema, te desaconsejaría decididamente que busques libros incondicionales, como “Reconocimiento de patrones y aprendizaje automático” de Christopher Bishop o “Aprendizaje automático: una perspectiva probabilística” de Kevin Murphy. Sin faltar el respeto a estos autores, son grandes nombres en su campo, es solo que personalmente encontré que sus libros son un poco pesados en matemáticas; algo que no estás buscando al presentarte a un nuevo conjunto de conceptos. Estos libros son, en mi opinión, buenos como material de referencia para investigadores de ML.
Además de la lectura de libros, asegúrese de implementar al menos 1 mini-proyecto durante el verano. Podría ser cualquier cosa, desde el reconocimiento facial hasta la detección de entidades con nombre en texto libre. Consulte el repositorio de UCI Machine Learning para obtener algunos conjuntos de datos gratuitos que puede descargar para practicar. Casi siempre, primero comience con los algoritmos más simples, antes de intentar implementar / incorporar los más complicados: ¡las cosas simples a menudo son muy útiles!
Finalmente, ¡buena suerte! No olvides compartir con la comunidad lo que terminaste haciendo, tu experiencia, etc. 🙂