Está bien porque leer solo o tomar cursos solo no te ayudará a consolidar el conocimiento. En su mayoría, la práctica le ayudará a dar sentido a esos conceptos importantes en el aprendizaje automático (ML).
Es como aprender a codificar, aunque existen algunas diferencias entre aprender ML y la programación de aprendizaje, pero sí tienen algo en común:
- Puede leer sobre ML / programación solo para aprender sobre las teorías y las mejores prácticas, pero no puede aprender programación / ML tomando cursos solo, olvidará rápidamente las cosas.
- Por lo general, necesita derivar conceptos básicos importantes en ML al igual que en la programación, necesita comprender conceptos fundamentales como estructuras de datos y algoritmos, lo que lleva más tiempo.
- Por ejemplo, derivar el algoritmo de backprop en las redes neuronales de avance (NN).
- Derivar backprop para redes neuronales convolucionales (CNN).
- Pero olvidará los conceptos después de un tiempo si no practica. Por ejemplo, en conceptos de programación en C ++ como funciones virtuales, generalmente tiene más sentido en el contexto de un proyecto de programación real.
- Puede implementar el algoritmo de backprop desde cero con unas pocas líneas de código y hacer que funcione para NN simples de retroalimentación.
- También puede extender eso a modelos más sofisticados como redes neuronales convolucionales y modelos recurrentes como redes de memoria a largo plazo (LSTM).
Es por eso que es importante entrar en ML con una mentalidad práctica, lees y experimentas y haces preguntas impulsadas por tu curiosidad y luego buscas respuestas. No solo tome cursos por el simple hecho de tomar cursos, tenga un problema en mente que le encantaría resolver usando técnicas de ML, luego comience ese proyecto y luego lea (investigue), codifique y experimente.
- En la minería de texto, ¿por qué deberíamos eliminar el término disperso de la matriz de términos del documento?
- Según muchas personas, la inteligencia artificial y el aprendizaje automático son las principales razones de los despidos de trabajo de TI. ¿Qué trabajos han sido reemplazados por estas disciplinas?
- ¿Se pueden mapear los datos de entrada circulares (como la fase de una sinusoide) en un espacio de características lineales usando un núcleo lineal usando SVM? Si no, ¿qué núcleo es óptimo para datos de entrada circulares?
- ¿Qué tan importante es el aprendizaje profundo en la conducción autónoma?
- ¿Cuáles son las formas previas para el reconocimiento en visión artificial?
No se preocupe, le toma tiempo a la mente dar sentido a muchos conceptos a la vez. El mejor enfoque después de haber realizado los cursos en línea es mantenerse ocupado con un proyecto paralelo.
Espero que esto ayude.