Depende de lo que quieras hacer con el aprendizaje automático. Si desea comprender correctamente el aprendizaje automático (especialmente desde una perspectiva teórica, lo que puede proporcionar una gran cantidad de información sobre cómo cambiar los algoritmos de ML en la realidad y, por lo tanto, diferentes algoritmos en la práctica) su experiencia puede estar un poco lejos. Ninguna cantidad de conocimiento de Python le dará las herramientas necesarias para comprender adecuadamente la regularización, por ejemplo.
Como mínimo absoluto, necesita lo siguiente para tener una buena base para comprender verdaderamente / realmente ML:
- Cálculo de variable única (y algo de optimización)
- Cálculo multivariable (y algo de optimización)
- Álgebra lineal
- Probabilidad (discreta y continua) y Estadística
- Curso de introducción a algoritmos (o / y optimización)
Si realmente quiere comprender ML correctamente, las siguientes clases adicionales pueden ser útiles:
- ¿Puedo solicitar puestos de trabajo en Data Science si he aprendido el campo con MOOC?
- ¿Cuáles son los desafíos en el procesamiento de grandes cantidades de datos (2017)?
- ¿Qué es la ciencia de datos? Estoy interesado en los conceptos de minería de datos ¿Alguien podría sugerir por dónde empezar?
- Cómo convertirse en un científico de datos como estudiante
- ¿Cuál es el punto de CRM-DBA, big data / data science, piratería de datos y minería de datos?
- Análisis real
- Análisis funcional
- Optimización (convexa y no convexa)
- Teoría estadística del aprendizaje (y estadística)
- Inferencia y modelos gráficos probabilísticos
Si tuviera todo esto en su haber, probablemente estaría listo para comprender el ML al máximo y tal vez incluso ampliar el campo en el momento actual. Si tuvieras todo eso más toda la experiencia del programador que dices que tienes, podrías codificar todas tus nuevas ideas muy rápido y probarlas muy rápido y usarlas para mejorar tu teoría. Pero supongo que saber todo esto llevaría algún tiempo.