Haré algunas suposiciones antes de responder. La primera es que por “aprender mucho” te refieres como desarrollador o investigador en lugar de como usuario. El segundo es que con “absolutamente sin antecedentes” quiere decir en estas áreas, pero que tiene los requisitos previos: programación y matemáticas.
Si no tiene estos requisitos previos, deténgase aquí. Para empezar, eso es lo que necesitas: programación y matemáticas. Para la investigación y el desarrollo necesita un conocimiento bastante amplio en ambos. Algoritmos, estructuras de datos, álgebra lineal, por nombrar algunos.
Si tiene todo eso, honestamente, primero debe reducir su lista. Supongo que por “aprender mucho” te refieres a especializarte y para ser franco, todos esos campos tienen especializaciones dentro de ellos. No creo que nadie pueda ser un especialista en uno de los campos, y mucho menos en los tres.
- ¿Los científicos de datos y el ingeniero de aprendizaje automático necesitan saber implementar algoritmos ML / DL desde cero o simplemente usar las bibliotecas existentes en producción?
- Cómo detectar y eliminar valores atípicos de ese conjunto de datos
- ¿Por qué se usan CNN para PNL?
- ¿Qué tan importante es Octave como primer paso en Machine Learning? ¿Se utiliza en la industria?
- ¿Cómo tratan SVM y ANN los valores atípicos?
AI es donde puedo ayudarte menos. Hace mucho tiempo escribí mi propia implementación de algoritmos de inteligencia artificial, principalmente de videojuegos. Coursera y Harvard en línea tienen algunos cursos introductorios. A falta de una mejor respuesta de otra persona, comience por allí y retírela desde allí.
¡ML es parte de AI! Pero creció tanto que se convirtió en algo propio y se usa casi indistintamente hoy en día. Para ingresar a ML, revise el curso de Andrew Ng en Coursera. Hay muchos cursos y libros, pero recomendaría ensuciarse las manos lo antes posible y, a falta de una mejor opción, Kaggle tiene muchos materiales y problemas difíciles de resolver. Sin embargo, desde una perspectiva de I + D, deberá excavar, encontrar documentos, repositorios de códigos o un grupo para trabajar.
Data Science es un grupo de técnicas que implica la manipulación de datos (a menudo a escala), aprendizaje automático, procedimientos estadísticos, diseño experimental y técnicas de comunicación. Busca el curso Stanford StatLearning y tómalo. Es tan bueno para la ciencia de datos como para el aprendizaje automático desde la perspectiva del usuario. Data Science a escala en Coursera parece ser interesante para problemas en grandes conjuntos de datos. Data Science Specialization también en Coursera es un curso bastante bueno para conjuntos de datos no grandes y pierde algunos conocimientos importantes importantes como el aprendizaje automático. A menudo digo que es un enfoque más académico. El analista de datos Nanodegree en Udacity parece ser un tipo de curso más corporativo. Esto lo mantendrá ocupado durante mucho tiempo, pero es importante resolver problemas de la vida real. Eso te presentará nuevos problemas y te hará buscar nuevas soluciones. Este ciclo continuo de solución de problemas es de lo que se trata la ciencia de datos.
Para terminar, déjame volver al principio. No creo que sea posible tener un conocimiento profundo de todas estas cosas. Lo que puede hacer es aprender sobre ellos, encontrar su lugar y seguir mejorando.
La mejor de las suertes.
