Puede comprender los conceptos básicos de NN en 2 horas. Pero una comprensión más profunda requiere al menos matemática de nivel universitario y algo de conocimiento de ciencias de la computación (aprendizaje automático), dependiendo de qué tan profundo desee profundizar. A medida que profundices, encontrarás que todo se trata de matemáticas . Aquí hay varios niveles:
Nivel 1: NN Básico
Objetivo: conocer los aspectos generales de cómo funciona NN.
- ¿Cuál es la relación de las redes de creencias profundas con el aprendizaje profundo, si existe?
- ¿Cómo podemos probar si una máquina tiene sentimientos o no?
- ¿Cuáles son las 5 mejores ciudades del mundo para el aprendizaje automático y la experiencia de aprendizaje profundo en el mundo a partir de 2017?
- ¿Cómo validan las personas su código de red neuronal?
- ¿Qué campo es bueno para los estudiantes de electrónica y comunicación, aprendizaje automático o inteligencia artificial?
- Leer algunos blogs o mirar videos para comenzar es suficiente
- Tal vez se requieren algunos conocimientos matemáticos y estadísticos si desea comprender algunas ecuaciones
- Vota esta respuesta
Nivel 2: Teoría concreta de NN
Objetivo: desea derivar las ecuaciones del algoritmo usted mismo.
- A partir de una o dos conferencias de cursos en línea se recomienda. (Andrew NG’s en Coursera.org es famoso)
- Las diapositivas de los cursos de aprendizaje automático pueden ayudarlo a comprender y recordar mejor (Google: CMU Machine learning Andrew Mitchell, Machine learning Berkley, MIT …)
- Se requieren conocimientos de álgebra, probabilidad y estadística. Pero puede estudiar solo la parte que ve en NN.
- Conocer los conceptos básicos del aprendizaje automático será de gran ayuda. Aún así, puede estudiar solo los conceptos involucrados en NN.
Nivel 3: teoría NN + Aplicaciones
Objetivo: implementar modelos NN para entrenar y predecir en aplicaciones similares a la tarea
- Puede programar en Python / Matlab / R u otros idiomas (bibliotecas disponibles)
- Sepa cómo los parámetros NN influyen en el resultado que obtiene. Eso es matemática más profunda.
- Comprender los pasos antes y después de NN (por ejemplo, PCA)
Nivel 4: Aplicar NN en aplicaciones industriales
Objetivo: Basic NN no puede garantizar la precisión y el rendimiento óptimos. Desea aplicar NN en escenarios avanzados como reconocimiento de voz / escritura a mano y bioinformática.
- Derivados de NN, como RNN, DNN
- Más conocimiento de aprendizaje automático, como
- Comprenda ROC, matriz de confusión … que indican qué tan bueno es su modelo.
- Técnicas y principios para la evaluación del modelo (sobreajuste, validaciones cruzadas: K-fold, dejar uno fuera, qué son y cuándo usar qué)
- Selección de funciones, reducción de ruido, etc.
- Poder usar Matlab para hacer experimentos rápidos (cajas de herramientas de GUI disponibles) antes de implementar en otros idiomas.
- Conocimiento del dominio. Debe comprender los datos en los que está trabajando. Por ejemplo, si desea clasificar la imagen de fMRI cerebral, necesitará algunos conocimientos de fMRI para comprender lo que representan los valores. Es posible que desee visualizarlos primero en Matlab.
- ¿Aún no es suficiente? Ahora necesita leer documentos de conferencias. Eres un genio ahora.
Nivel 5: Recuerde publicar una respuesta aquí …
