¿Qué cursos deben tomar los antecedentes de EE para el aprendizaje profundo?

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:

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

Para ser eficiente en el aprendizaje profundo, en primer lugar, le recomendaría que comience con un curso básico de aprendizaje automático, dado que conoce los conceptos básicos de codificación y ha tomado algún curso de nivel universitario en algoritmos (generalmente todas las universidades imparten al menos un curso basado en Introducción a la codificación y algoritmos básicos para todos los departamentos, por lo que supongo que usted sabe los conceptos básicos de cómo codificar). Este curso podría ser un curso en su universidad, pero si desea buscarlo en línea, entonces el curso de Andrew Ng en coursera.com es bastante bueno. Incluso algunos de los profesores de IIT enseñan el curso introductorio de aprendizaje automático tomando referencias de este curso en línea.

Una vez que haya completado este curso, puede pasar a cursos de pregrado sobre Probabilidad y Procesos estocásticos; Técnicas de optimización numérica y estadísticas. Estos cursos lo ayudarán a construir una buena base matemática para usted y aumentarán sus habilidades analíticas en gran medida, lo cual es imprescindible si desea obtener buenos resultados en el aprendizaje profundo.

Una vez que conozca los conceptos básicos, es aconsejable hacer un curso sobre estructuras de datos, esto le ayudaría a mejorar sus habilidades de programación, lo que puede ser útil. Luego tienes cursos como Procesamiento de imágenes, Visión por computadora. Estos son los dos campos en los que se ha demostrado que el aprendizaje profundo brinda buenos resultados, por lo que al realizar estos cursos puede aprender cómo se usa el aprendizaje automático para aplicaciones en el mundo práctico y usarlo para cualquier campo de aplicación que elija.

Después de esto, hay artículos y tutoriales en línea en todo Internet que puede consultar. En particular, hay dos bibliotecas: TensorFlow y Theano, muy útiles en estos días y que se emplean ampliamente para proyectos basados ​​en el aprendizaje profundo. Recientemente ha surgido otra biblioteca, llamada Keras, aunque no muy famosa pero muy poderosa en la construcción de redes neuronales profundas. Revisar la documentación de estas bibliotecas podría ser de gran ayuda.

Luego hay algunos cursos de Aprendizaje Automático Avanzado que se imparten en las diversas escuelas de posgrado, pero nuevamente, el número de tales escuelas es menor y es bastante difícil encontrar dichos cursos en línea también. Si puedes encontrar uno, ¡es bueno!

Saludos! ¡Sigue aprendiendo y evolucionando!

Inteligencia artificial, el 99% de los campos relacionados con la informática tienen este curso. Te da la comprensión básica de lo que es la IA y cómo funciona. Una vez que haya terminado con eso, es posible que desee explorar algunas áreas interesantes como Machine Learning, intente hacer Andrew Ng. curso de coursera, te dará lo que necesitas saber antes de sumergirte en el aprendizaje profundo.

Luego intente leer artículos básicos de lo que es el aprendizaje profundo y tome cualquier curso de los sitios MOOC … Hice uno avanzado de Udacity pero que requiere programación de Python.

More Interesting

¿Es posible usar el servicio de reconocimiento facial de Facebook desde su API?

¿Podría el aprendizaje automático haber evitado la crisis financiera?

¿Podría la IA volverse autónoma y aprender y adaptarse de manera no supervisada a través del aprendizaje profundo?

¿Cómo elegiría el marco de aprendizaje profundo adecuado para un proyecto?

¿Qué hace que los parámetros del modelo sean variables latentes?

¿Qué es la curva de recuperación de precisión (PR)?

¿Cuáles son los principales avances en el procesamiento del lenguaje natural en 2015?

¿Qué desafíos interesantes existen para los desarrolladores / programadores que se pueden lograr en unos meses?

¿Cómo se compara Python con R para el análisis de datos y el aprendizaje automático?

¿Qué sucede cuando los conjuntos de datos de entrenamiento y los conjuntos de datos de prueba son los mismos en un proyecto de aprendizaje automático?

¿Cuál es la diferencia entre un sistema recomendado basado en la utilidad del sistema y un sistema recomendado basado en el contenido del sistema?

¿Cuáles son algunos puntos de referencia significativos descubiertos para el equilibrio de la máquina? (específicamente: clasificación, segmentación y desarrollos de sensores)

¿Cuáles son los 10 problemas principales en Machine Learning para 2014?

¿El sobreajuste en un conjunto de datos implica que el modelo realmente puede aprender y generalizar sobre ese conjunto de datos, pero desafortunadamente demasiado entrenado?

¿Cómo se debe contactar a los autores de los libros blancos (y cómo hacer que respondan)?