Para la investigación de aprendizaje profundo, una formación científica y de ingeniería típica debe incluir las matemáticas necesarias. En resumen, esto es:
- Álgebra lineal
- Cálculo multivariable (vector)
- Probabilidades y estadísticas
- Optimización básica
- Digo “básico”, porque> 95% del trabajo tiende a usar variantes simples de descenso de gradiente (por ejemplo, RMSprop, Adagrad, Adadelta). Esto es algo que puede recoger por su cuenta en un par de tardes. Sin embargo, creo que el campo está comenzando a moverse lentamente más allá de esto. Ver https://arxiv.org/pdf/1301.3641
Creo que una educación en física o ingeniería eléctrica es especialmente adecuada para la investigación de aprendizaje profundo. Esto es especialmente cierto ya que tiende a existir una buena dosis de conceptos de procesamiento de señales que se incorporan a las arquitecturas de aprendizaje profundo (por ejemplo, eliminación de ruido, convoluciones, etc.) y para el procesamiento de datos. Si las redes de dominio del tiempo más biológicamente realistas (redes de picos) comienzan a despegar eventualmente, verá que el aprendizaje profundo continuará pareciéndose más a la neurociencia / física / EE, y menos a la ciencia de la computación.
- ¿Es demasiado tarde para sumergirme en Data Science, ya que se están desarrollando poderosas herramientas de aprendizaje automático y ya hay muchos científicos de datos hábiles?
- ¿En qué medida se puede utilizar el aprendizaje automático y la IA en la detección y el tratamiento del cáncer?
- ¿Cuándo es importante utilizar convoluciones cruzadas de canales y cuándo no?
- ¿Cuál es la diferencia clave entre backprop y backprop truncado a través del tiempo?
- ¿Por qué Andrew Ng renuncia a Baidu?