Matemáticas. Supongo que esa debería ser tu habilidad práctica número uno para repasar. Nuevas herramientas brillantes pasan todos los días, pero los fundamentos aún permanecen intactos.
Una vez que haya dominado las matemáticas detrás del aprendizaje automático, supongo que la computación paralela y la computación en la nube son las dos habilidades prácticas más importantes que debe saber cuando se trata de implementar su algoritmo. Dicho esto, si solo está buscando implementar estos algoritmos, hay herramientas como el tensorflow y la antorcha que proporcionan API de alto nivel que lo ayudan a paralelizar el trabajo sin conocer demasiado los fundamentos de la computación paralela. También le permiten elegir si desea usar la GPU mientras computa, y usar estas herramientas es tan fácil como presionar un botón. Los sistemas de computación en la nube como AWS también le proporcionan API de alto nivel para que incluso un programador promedio pueda pasar sin conocer muchos de los detalles sangrientos internos de su implementación.
TL; DR: el aprendizaje automático está llegando rápidamente a este punto en el que no sería necesario conocer muchos trucos prácticos para que el algoritmo funcione de manera eficiente. Mi mejor apuesta sería aprender las matemáticas detrás de los algoritmos, y aprenderlo bien.
- Cómo utilizar mejor la fase de refutación en una conferencia de primer nivel
- ¿Cuáles son algunos posibles temas de investigación en neurociencia computacional que se centran en datos neuronales?
- ¿Por qué no hay investigador libre en informática?
- Si los poderes informáticos aumentaran diez veces, ¿cómo afectaría la investigación actual de IA?
- ¿Cuáles son algunos temas candentes en la investigación en nanotecnología?
