Incluso la idea de aprender Inteligencia Artificial es un gran paso hacia este campo. La Inteligencia Artificial es una de las tendencias más interesantes de los últimos 2 años. Después de prevalecer durante una buena cantidad de tiempo, todavía tiene mucho en sí mismo para explorar.
Creo que “por qué” te motiva, mientras que “cómo” generalmente asusta a las personas de hacer algo en particular. Por lo tanto, te recomendaría que encontraras una razón para aprender IA, ya que te mantendrá motivado. Encontrar una razón no es algo que pueda hacer por usted, pero seguramente puedo enumerar un camino a seguir que podría hacer que la IA sea interesante para usted.
Inteligencia artificial
- ¿Cuándo veremos una pistola de hombro inteligente capaz de apuntar a un objetivo?
- ¿Por qué los modelos que funcionan mejor durante el entrenamiento dan resultados más pobres durante la implementación?
- ¿Por qué hablamos de robots e inteligencia artificial que toman nuestros trabajos, cuando todo lo que existe son algoritmos e inteligencia de máquina rudimentaria?
- ¿Cuál sería el impacto en el mundo si la inteligencia artificial se volviera común en cada dispositivo y computadora?
- ¿Cuál es un área tecnológica para la que el aprendizaje automático sería perfecto, pero no está explotado?
Según el padre de Inteligencia Artificial, John McCarthy, es “La ciencia y la ingeniería de hacer máquinas inteligentes, especialmente programas informáticos inteligentes”. La Inteligencia Artificial es una forma de hacer que una máquina piense de manera inteligente.
La IA se logra al estudiar cómo piensa el cerebro humano y cómo los humanos aprenden, deciden y trabajan mientras intentan resolver un problema, y luego usan los resultados de este estudio como base para desarrollar software y sistemas inteligentes.
Resumen de habilidades requeridas
- Matemáticas (por ejemplo, álgebra lineal, cálculo y probabilidad)
- Estadísticas (por ejemplo, pruebas de hipótesis y estadísticas resumidas)
- Herramientas y técnicas de aprendizaje automático (supervisadas, no supervisadas, semi supervisadas).
- Habilidades de ingeniería de software (por ejemplo, computación distribuida, algoritmos y estructuras de datos)
- Minería de datos
- Limpieza de datos y munging
- Visualización de datos (por ejemplo, ggplot y d3.js) y técnicas de informes
- Técnicas de datos no estructurados.
- Idiomas R y / o SAS
- Bases de datos SQL y lenguajes de consulta de bases de datos
- Python (más común), C / C ++ Java, Perl
- Grandes plataformas de datos como Hadoop, Hive y Pig
- Herramientas en la nube como Amazon S3
¿Qué es python?
Python es un lenguaje de programación de código abierto hecho para que se vea bien y sea fácil de leer. Python es un lenguaje de propósito general, lo que significa que se puede usar para construir casi cualquier cosa, lo que se facilitará con las herramientas / bibliotecas adecuadas.
¿Qué aprender en Python?
- Introducción a Python para Data Science
- Python intermedio para ciencia de datos
- Importar datos en Python
- Fundación Pandas
- Pensamiento estadístico en Python
- Caja de herramientas de ciencia de datos de Python
- Introducción a las bases de datos en Python
- Manipulación de marcos de datos con pandas
- Introducción a la visualización de datos con Python
- Visualización interactiva de datos
- Análisis de red en Python
- Fusionar marcos de datos con pandas
Fundamentos de IA
1. Fundamentos y programación de la informática
- Los fundamentos informáticos importantes para los ingenieros de Machine Learning incluyen estructuras de datos (pilas, colas, matrices multidimensionales, árboles, gráficos, etc.), algoritmos (búsqueda, clasificación, optimización, programación dinámica, etc.), computabilidad y complejidad (P vs NP, problemas completos de NP, notación big-O, algoritmos aproximados, etc.) y arquitectura de la computadora (memoria, caché, ancho de banda, puntos muertos, procesamiento distribuido, etc.).
2. Probabilidad y estadística
- Estrechamente relacionado con esto está el campo de la estadística, que proporciona varias medidas de tendencia central (media, mediana, varianza, etc.), distribuciones (uniforme, normal, binomial, Poisson, etc.) y métodos de análisis (ANOVA, prueba de hipótesis, etc.) que son necesarios para construir y validar modelos a partir de datos observados. Muchos algoritmos de Machine Learning son esencialmente extensiones de procedimientos de modelado estadístico.
3. Modelado y evaluación de datos
- El modelado de datos es el proceso de estimar la estructura subyacente de un conjunto de datos dado, con el objetivo de encontrar patrones útiles (correlaciones, grupos, vectores propios, etc.) y / o predecir propiedades de instancias nunca antes vistas (clasificación, regresión, detección de anomalías, etc. .). Una parte clave de este proceso de estimación es evaluar continuamente qué tan bueno es un modelo dado.
4. Aplicación de algoritmos y bibliotecas de aprendizaje automático
- Las implementaciones estándar de los algoritmos de Machine Learning están ampliamente disponibles a través de bibliotecas / paquetes / API (por ejemplo, scikit-learn, Theano, Spark MLlib, H2O, TensorFlow, etc.), pero su aplicación efectiva implica elegir un modelo adecuado (árbol de decisión, vecino más cercano, neuronal net, máquina de vectores de soporte, conjunto de modelos múltiples, etc.), un procedimiento de aprendizaje para ajustar los datos (regresión lineal, regresión logística y otros métodos específicos del modelo), así como comprender cómo los hiperparámetros afectan el aprendizaje.
5. Ingeniería de software y diseño de sistemas
- Al final del día, la salida o entrega típica de un ingeniero de Machine Learning es software. Y a menudo es un componente pequeño que encaja en un ecosistema más grande de productos y servicios. Debe comprender cómo funcionan estas piezas diferentes, comunicarse con ellas (mediante llamadas a la biblioteca, API REST, consultas de bases de datos, etc.) y crear interfaces apropiadas para su componente de las que dependerán otros. Puede ser necesario un diseño cuidadoso del sistema para evitar cuellos de botella y permitir que sus algoritmos se escalen bien con el aumento de los volúmenes de datos. Las mejores prácticas de ingeniería de software (incluido el análisis de requisitos, el diseño del sistema, la modularidad, el control de versiones, las pruebas, la documentación, etc.) son invaluables para la productividad, la colaboración, la calidad y el mantenimiento.
Objetivos y aplicaciones de la IA
Los objetivos principales de la IA incluyen la deducción y el razonamiento, la representación del conocimiento, la planificación, el aprendizaje, la percepción y la capacidad de manipular y mover objetos. Los objetivos a largo plazo de la investigación de IA incluyen el logro de la creatividad, la inteligencia social y la inteligencia general (nivel humano).
La IA ha influido mucho en diferentes sectores, que tal vez no reconozcamos. Ray Kurzweil dice “Muchos miles de aplicaciones de IA están profundamente integradas en la infraestructura de cada industria”. John McCarthy, uno de los fundadores de AI, dijo una vez que “tan pronto como funciona, ya nadie lo llama AI”.
PNL
El procesamiento del lenguaje natural, a menudo abreviado como PNL, se refiere a la capacidad de una computadora para comprender el habla humana tal como se habla. La PNL es un componente clave de la inteligencia artificial (IA) y se basa en el aprendizaje automático, un tipo específico de inteligencia artificial que analiza y utiliza patrones en los datos para mejorar la comprensión del habla de un programa.
El desarrollo de aplicaciones NLP se está volviendo difícil y tedioso ya que las computadoras procesan comandos solo en un lenguaje de programación que sea preciso y altamente estructurado. Con la diversidad entre nosotros, los lenguajes humanos en sí mismos no son precisos, ya que usan jergas y varían geográficamente.
La investigación empresarial está siendo ampliamente operada utilizando PNL en estos días, mientras digo que esto es solo el comienzo de una nueva fase en el campo de la IA. Los enfoques actuales de la PNL se basan en el aprendizaje automático, un tipo de inteligencia artificial que examina y utiliza patrones en los datos para mejorar la propia comprensión de un programa.
Curso recomendado
Un curso que abarcaría los siguientes temas.
- Programación R o Python
- Análisis exploratorio de datos con Python, R
- Regresión lineal, sus variaciones.
- Árboles de decisión, conjunto y clasificación
- Agrupamiento
- Regresión de series de tiempo
- Bases de datos y ecosistema de Big Data
- Visualización de datos, narración de historias, tablero, Tableau
- Creación de productos de ciencia de datos a escala de producción y su implementación
- Ingeniería de Big Data
- Aprendizaje profundo y flujo tensorial
Descargo de responsabilidad: soy cofundador de @GreyAtom y ayudo a los talentos de ingeniería a iniciar su carrera en tecnologías emergentes.
El programa insignia altamente selectivo de GreyAtom tiene como objetivo orientar a los profesionales que trabajan y los más novedosos en el inicio de su carrera de ciencia de datos. Los estudiantes crearon proyectos a partir de conjuntos de datos REALES y declaraciones de problemas proporcionadas por nuestra industria y socios de contratación. El programa se basa en el aula y está fuertemente orientado a la práctica. GreyAtom es un ecosistema donde los estudiantes pueden aprovechar lo mejor de la academia, profesionales de la industria y personas influyentes.
Algunos enlaces rápidos
- Programa – http://www.greyatom.com/full-sta…
Chatee con un consejero académico: le invitamos a compartir todas sus dudas e inseguridades, a las que haremos todo lo posible para guiarlo hacia su camino profesional hacia el éxito. https://calendly.com/greyatom/co…
