Lea sobre una amplia gama de trabajos de investigación , lo que significa que scholar.google será su amigo (otros servicios de búsqueda podrían ser útiles). Algunas palabras clave para buscar son redes neuronales artificiales (obviamente), redes Hopfield y Neocognitrons.
El truco sería comprender los conceptos básicos de las ANN, que implican:
- las interconexiones entre las neuronas;
- el proceso de aprendizaje y actualización de pesos entre las interconexiones; y
- Las funciones de activación que convierten las entradas ponderadas en activaciones de salida.
Para la programación y el trabajo práctico en aprendizaje profundo, comience en Redes neuronales convolucionales (LeNet). Es un módulo de Python para el aprendizaje profundo.
- ¿Cómo se evalúa si uno tiene una buena palabra incrustada?
- ¿Cuáles son las características del texto en la minería de datos?
- ¿Qué temas del conjunto de datos son buenos para interactuar?
- ¿Se puede usar una máquina de Boltzmann profunda para la clasificación de imágenes en una base de datos que tiene solo mil imágenes y tiene características de imagen de valor real como unidades de entrada (en lugar de unidades de píxeles binarios)?
- ¿Cuáles son las ventajas y desventajas de usar R vs. C ++ para el aprendizaje automático?
La mayoría de los anteriores son solo lo básico, hay mucho más que aprender y hacer; Uno de sus objetivos debe ser llegar a un nivel en el que pueda programar / implementar redes neuronales en GPU a través de CUDA u OpenCL.
