Bien, en primer lugar, si también está buscando comenzar con la implementación en el aprendizaje automático, lea:
¿Cuál es la mejor manera de comenzar a aprender machine learning en Python?
Avanzar, una gran parte de la Inteligencia Artificial ahora, es el aprendizaje profundo. Y para comenzar con la implementación (con una descripción general) de DL, consulte:
- Si la tecnología como la IA reemplaza a cada trabajo, ¿sigue siendo posible el capitalismo?
- Con Google y Facebook arrojando tanto dinero al talento de IA, ¿es la verdadera preocupación de AI que la avaricia en el sector supere la verdadera paridad de innovación y nuevas ideas?
- ¿Por qué 'nadie' trabaja en hacer una IA consciente?
- ¿Cómo se detectará la IA por primera vez?
- ¿Los humanos tienen alguna posibilidad de ganar una guerra contra una civilización de máquinas de inteligencia artificial súper inteligentes como las de la matriz?
Tutoriales de aprendizaje profundo
Aprendizaje profundo | Udacity
Suponiendo que esté familiarizado con la implementación en ML y DL (he estado trabajando solo en DL y, por lo tanto, no puedo aconsejarle sobre proyectos en AI, excluyendo DL), estas son las diversas fuentes de proyectos que deberían ser útiles:
- Kaggle: ahora puede ser intimidante comenzar al principio (al menos para mí), lo mejor es comenzar con Titanic: Machine Learning from Disaster, seguido de Precios de la casa: Técnicas de regresión avanzadas y finalmente Reconocimiento de dígitos | Kaggle Todo esto tiene el propósito de hacerle entender la tubería de un proyecto ML / DL. Los dos primeros se basan exclusivamente en ML, mientras que el tercero se basa en una red neuronal convolucional y utiliza el conjunto de datos más famoso (posiblemente) para el reconocimiento de caracteres. Hay varios recursos vinculados a lo largo de cada uno de ellos que lo ayudarán en caso de que esté atascado y refiera Kernels para aprender de lo que otras personas han hecho.
- Siraj Raval (YouTube) – Hoy en día, todo (bueno: p) se trata de hacer un uso eficiente de las hermosas bibliotecas DL como TensorFlow, Keras, etc. Y este tipo es increíble. Si aún no lo conoces, mira sus videos. Ha cubierto una amplia gama de temas de CNN, LSTM, Generative Adversarial Networks (GAN) (que ahora son los favoritos favoritos) para hacer bots de juegos y lo que no. Y usa diferentes bibliotecas DL, lo cual es realmente genial.
- Github: puede utilizar los siguientes repositorios como punto de partida para su proyecto: udacity / machine-learning, jessicayung / machine-learning-nd y jessicayung / self-driving-car-nd. Contienen contenidos de Machine Learning Engineer Nanodegree | Udacity y Auto-Driving Car Engineer Nanodegree | Udacity. Personalmente, aún no los he usado, pero estoy seguro de que el contenido es realmente bueno y definitivamente planeo hacerlo en algún momento cercano.
Espero que te ayude a comenzar 🙂
