OK … ML es parte de AI y AI es fusión de potencia informática con conceptos estadísticos. En AI decimos “aprender”, en estadística, lo mismo es la estimación de parámetros. En las estadísticas tenemos que trabajar en los parámetros para lograr la predicción, pero en la IA la predicción es automática. Usted sabe que las decisiones se basan en predicciones y la implementación de decisiones es una programación inteligente, es por eso que la investigación de operaciones tiene una programación lineal no lineal. Después de toda la simulación, el algoritmo, la programación, las estadísticas nacen en las matemáticas, por lo que al hacer cualquier programa de computadora siempre, estás haciendo matemáticas en herramientas digitales. Por lo tanto, la programación de análisis y preducciones de datos, basados en datos que usan computadoras, se trata de estadísticas con herramientas digitales.
Tener facilidad de aprendizaje, en la academia, es importante enmarcar el conocimiento en las materias. Pero para resolver problemas del mundo real necesita esfuerzos y conocimientos multidisciplinarios. Experto en dos temas es más valioso que dos; tema único super expertos. En los libros teóricos, la discriminación ocurre de manera inhabitual, pero los libros aplicados se dedican a minimizar la discriminación entre dos temas. Entonces, primero lea los conceptos de modelado estadístico y matemático y luego comprenderá la verdad última. Luego, elija modelos lineales y no lineales, luego la teoría de matrices, etc.
Le ayudará a pensar adecuadamente en la materia.
- ¿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?
- Si quiero desarrollar una carrera en aprendizaje automático e inteligencia artificial, ¿debería comenzar con chatbots?
- Cómo probar la idoneidad de diferentes funciones del núcleo en un proceso gaussiano (GP) en el modelado de una función
- ¿Cómo podemos usar el ingenuo clasificador de Bayes para el análisis del sentimiento sementico de los datos de Twitter?
- ¿Qué piensan los pequeños equipos de ciencia de datos sobre la plataforma Dato y el pensamiento de Carlos Guestrin detrás de la democratización del aprendizaje automático?
Intente comprender la diferencia entre palabras genéricas y lables. Me preguntaste sobre el trabajo de laboratorio y yo respondí sobre genéricos. En mi comprensión, las estadísticas, las matemáticas, la física, la electrónica, la química y la biología son materias genéricas. Todas las asignaturas modernas son subconjuntos de cualquiera desde arriba o intersección de subconjuntos de asignaturas genéricas anteriores. Entonces es difícil usar la discriminación aquí. Sé robusto
Los conceptos estadísticos necesitan más tiempo para comprender y obtener información interna. En India, enseñar matemáticas es un proceso muy cruel, nos centramos solo en el cálculo del problema, no en la comprensión y los conceptos, es por eso que enfrenta este problema, la mayoría de los indios lo hacen. Lea algunos libros clásicos que hablan sobre conceptos, no cálculos. Los métodos de estadística de SP Gupta son buenos, después de este libro entenderás que es un buen libro. Y lea el cálculo de Thomas, es esencial comprender la formulación matemática en el cálculo.
Sin estadísticas solo genios pueden entender ML e IA. Todos somos hombres comunes, así que sé sincero y constante, estás en buen estado. Después de la maestría en India, la mayoría de los estudiantes están confundidos y necesitan de 3 a 4 años para ser productivos. Si algún cuerpo no está de acuerdo con mi opinión, entonces debe ser genio o mentiroso.
Espero haber explicado lo suficiente.
