Si su interés principal es aprender los conceptos subyacentes en el aprendizaje profundo (DL), sí, puede implementar la mayoría de los modelos DL desde cero utilizando solo una biblioteca de álgebra lineal para ayudar con las operaciones de matriz optimizadas. Puede implementar fácilmente una red neuronal de avance en un día. El algoritmo de retropropagación en sí no es tan difícil de implementar, así que es el descenso de gradiente estocástico (SGD).
Los modelos más complejos como la memoria a largo plazo (LSTM) y las redes neuronales convolucionales (convNet) también se pueden implementar con bastante facilidad de lo que piensas. El secreto es diseñar su biblioteca de mini aprendizaje automático (ML) de manera que pueda conectar diferentes operaciones utilizando interfaces o plantillas (si codifica en C ++). De esta manera, literalmente puede construir una biblioteca mini-ML con la que puede implementar muchos más modelos en la parte superior y comprender mejor los conceptos subyacentes de ML a un nivel como ningún otro.
La construcción de una biblioteca mini-ML puede llevarle alrededor de un mes o dos, la mayor parte de ese tiempo se puede dedicar a diseñar y depurar el código. Por lo tanto, no es tan importante si desea implementar modelos desde cero. Sí, a veces esto puede verse como reinventar la rueda, pero durante el aprendizaje tenemos que practicar las cosas que necesitamos entender, incluso si eso significa construirlas desde cero.
- ¿Cuáles son los diferentes modelos de aprendizaje automático?
- ¿Cómo puede ayudar una formación en procesamiento de señales en una carrera en ciencia de datos?
- ¿Cuáles son las ventajas y desventajas de tener mi propio servidor en la nube?
- ¿Cómo puedo comenzar el trabajo de investigación sobre aprendizaje automático y cómo puedo elegir un tema o problema en el aprendizaje automático?
- ¿Hay un grupo de investigadores trabajando en la síntesis de texto EEG (conversión de pensamiento a texto)?
Por lo tanto, si lo hace, aprenderá mucho sobre DL y sus habilidades serán independientes de una biblioteca o tecnología específica.
- La mayoría de las personas que tratan la DL como una tecnología de caja negra simplemente invocando o llamando a API de alto nivel no desarrollarán una apreciación completa de la tecnología DL.
- También se hace difícil extender un modelo si no comprende muy bien sus principios de funcionamiento subyacentes.
- A veces, simplemente no existe un modelo estándar adecuado para la tarea que está tratando de resolver. Por lo tanto, debe armar sus propios modelos para resolver problemas nuevos.
Así que desafíate a ti mismo y construye una biblioteca mini-ML y puedes usarla como un proyecto para guiar tu proceso de aprendizaje y luego incluso puedes abrirla. Más tarde puede ayudarlo mientras busca una posición de ML en las empresas de tecnología.
Por lo tanto, cuanto más bajo sea, mejor será su comprensión de DL, desanimarse y ensuciarse.
Espero que esto ayude.