Prerrequisitos:
- Como ya sabes Álgebra lineal, obtén la intuición [1] de cómo puede ser útil en el aprendizaje profundo. La mayoría de los cursos que tomas tocarán Álgebra lineal hasta cierto punto, por lo que no tendrás que presionar demasiado.
- Mejore su teoría de la probabilidad , aquí hay una buena lectura [2] para analizar. También le sugiero que tenga una experiencia práctica en probabilidad [3] [4] y estadísticas, ya que será de gran ayuda cuando lea los documentos.
- Póngase cómodo con Python . También puede hacer DL en C ++, pero será mejor si prefiere Python, ya que hay muchos recursos / bibliotecas y una gran comunidad para ayudar.
Se recomienda que haga el ejercicio de Matemáticas y estadísticas (consulte [3] y [4]) en Python. Aquí hay un buen tutorial [5]. Cuanto más profundo vayas, mejor. - Con sus antecedentes de EE, supongo que ya está familiarizado con el procesamiento de imágenes digitales. Puede ser útil en su Investigación de la visión (Detección y seguimiento de objetos).
Cursos:
- El aprendizaje automático y el aprendizaje a partir de datos son buenos cursos básicos para comenzar el aprendizaje automático.
Recomiendo Machine Learning: Andrew Ng para empezar, luego puede dedicarle tiempo a Learning from Data si lo desea; O al menos revise el material del curso. - CS231n Redes neuronales convolucionales para reconocimiento visual es un curso que DEBE tomar para usted. Aquí es donde realmente comienzas Deep Learning.
Herramientas:
- ¿Cuál es la diferencia entre embolsado y bootstrapping en ML / estadísticas?
- ¿El evento IBM Watson vs. Jeopardy perjudicó los campos de aprendizaje automático e inteligencia humana?
- ¿Cuáles son las aplicaciones más interesantes del aprendizaje automático en espacios inesperados?
- ¿Qué es mejor: un tema fundamental de doctorado de ML o uno aplicado?
- ¿Cómo se hacen análisis de datos, estadísticas y aprendizaje automático en big data?
Aprenda TensorFlow, práctico.
Nota final:
Manténgase en contacto con la comunidad DL en línea, en la plataforma que prefiera. Leer mucho; no necesariamente documentos de investigación, sino también sobre las nuevas oportunidades, hallazgos y problemas en el campo.
¡Buena suerte!
EDITAR. 1:
- Encontré este interesante curso sobre visión artificial, CS131 [6]. Desafortunadamente, las conferencias en video no están disponibles, pero puede pasar por las diapositivas.
- Otro recurso para LA, aquí.
Notas al pie
[1] http://cs229.stanford.edu/sectio…
[2] http://cs229.stanford.edu/sectio…
[3] Resolver desafíos del código matemático
[4] Modelos básicos de probabilidad y reglas Tutoriales y notas | Aprendizaje automático | HackerEarth
[5] Tutorial de Python Numpy
[6] Fundamentos y aplicaciones