Dicen que no hay tal cosa como una pregunta estúpida …
Con eso en mente, observo que quieres comenzar con AI / ML. Tal vez deberías comenzar aquí: veamos cómo las cosas que preguntas están conectadas entre sí:
- La inteligencia artificial (IA) es un campo base que se ocupa de la inteligencia artificial , no es necesario el aprendizaje automático.
- Machine Learning es un subconjunto de inteligencia artificial que se ocupa de permitir que las máquinas aprendan (y, en última instancia, “razonen”) sin ser programadas explícitamente. Comienza con la creencia de que si tiene muchos datos (etiquetados o no) y un método de optimización basado en minimizar una función de costo / pérdida, puede habilitar un algoritmo para aprender (crear los llamados “modelos”) y luego aplicar el aprendizaje a nuevos datos (predicción / inferencia), principalmente para poder hacer cosas como etiquetar / clasificar, puntuar, (des) comprimir, asociar, agrupar, analizar, crear, etc.
- Neural Networks es un subconjunto de Machine Learning , se trata de lograr la tarea de Machine Learning mediante el uso de conceptos como funciones de activación (generalmente neuronas o unidades más complejas como gru, lstm) conectadas a través de un “gráfico”, un método para ajustar los coeficientes (generalmente retropropagación) y un método de optimización (generalmente alguna forma de descenso de gradiente estocástico adaptativo, con impulso). Una red neuronal generalmente consta de una capa de entrada, una capa de salida y capas ocultas (cero, uno o muchos)
- El aprendizaje profundo es un subconjunto de redes neuronales en las que normalmente tienes más de una capa oculta. Lo principal de Deep Learning es que puede lograr muy buenos resultados cuando hay una gran cantidad de datos (generalmente etiquetados).
- Convolutional Nets es un subconjunto de Deep Learning que ha sido exitoso para tareas de visión por computadora. Le permite mirar un conjunto de píxeles adyacentes + canales juntos y amenazarlos como información de entrada para realizar tareas como detectar y reconocer clases de objetos o dar sentido a los datos de la imagen.
Sin embargo, la web profunda no está conectada con los términos anteriores … no tiene nada que ver con AI / ML.
- ¿Qué es la red profunda?
- ¿Es segura la web profunda?
- ¿Por qué hay tanta pornografía infantil hardcore en la web oscura o en la web profunda?
- ¿Cuáles son algunas cosas interesantes que uno puede encontrar en la 'web profunda'?
- Cómo encontrar enlaces y sitios web en la Web profunda
Ahora, para darle una respuesta a su pregunta: aprenda los conceptos básicos del Aprendizaje automático porque primero debe comprender cómo manejar los datos, cómo evaluar modelos, tipos de algoritmos, etc. Luego, continúe con las Redes neuronales, particularmente Aprendizaje profundo (pero no necesariamente redes convolucionales, eso puede ser demasiado limitado, ya que solo es exitoso en tareas de visión por computadora y ahora está bastante superpoblado). Explore primero todo el aprendizaje profundo, incluidas las redes de alimentación directa (FFNN), el aprendizaje por refuerzo (RL), las redes recurrentes (RNN), las redes convolucionales (CNN), los codificadores automáticos (AE), etc. Comience con datos reales o generados, pero trate de aplicar todo aprende algo para asegurarse de comprender qué algoritmo funciona mejor.
Otras tres cosas en particular son muy importantes y usted necesita datos reales y objetivos reales para profundizar en ellos: 1. ingeniería de datos, y particularmente ingeniería de características, 2. ajuste de hiperparámetros, y 3. una evaluación estándar / cruzada validación … porque te adaptarás muy rápido y con poco ajuste, y tienes que entender cuándo sucede, por qué sucede y cómo lidiar con eso.
Si desea comenzar con un curso en línea, tome el conjunto de cursos deeplearning.ai que acaba de lanzar el profesor Andrew Ng. Cubre todo lo anterior, desde los conceptos básicos de ML hasta Deep Learning y más allá.
Espero que esto ayude. ¡Buena suerte!
