En primer lugar, la inteligencia artificial (IA) es un campo muy amplio, lo que significa que debe especializarse lo antes posible. Personalmente, estoy más interesado en la visión por computadora (CV) y el aprendizaje automático (ML), por lo que la mayoría de mis esfuerzos en IA se limitan a esos dos. Tengo una amplia visión general del campo de la IA en sí. Dicho esto, esta discusión será menos relevante ya que la pregunta es demasiado amplia.
Así que encuentre un campo específico dentro de AI en el que necesite enfocarse, ML especialmente el aprendizaje profundo (DL) es muy popular en este momento en la comunidad de AI, así que le sugiero que elija proyectos basados en DL para llamar la atención de la comunidad de AI, lo que significa viajar en el tren DL hype.
Lo bueno de los proyectos prácticos es que actúan como guías. Dado un proyecto, uno necesita investigar y descubrir qué soluciones podría usar para resolver el problema. Al hacerlo, uno se sumerge en las teorías y en el lado práctico de las cosas. Además, luego puede agregar los proyectos a su cartera, así que asegúrese de completar lo que comienza.
- ¿AI podría escribir código?
- ¿Cuáles son los ejemplos de uso de aprendizaje automático en análisis minorista?
- ¿Google "entiende" el inglés mejor que IBM Watson?
- ¿Qué características le permiten a Amazon Alexa superar a Siri como asistente personal?
- ¿Necesitas ser extremadamente talentoso en matemáticas para convertirte en un científico de IA?
Quizás uno de los desafíos posibles es construir un sistema de ajedrez con IA. Piénsalo, ¿de dónde empiezas? Bueno, puede pensar en aplicar DL a este problema y puede ser necesario diseñar algunas características a mano, recopilar datos, diseñar la arquitectura DL y capacitarla. Entonces ese proyecto puede enseñarte:
- Ingeniería de características : a veces necesitas diseñar características, en este caso de jugar al ajedrez necesitas características que capturen la posición de una pieza y las piezas circundantes. Debe tener en cuenta que las características defectuosas afectarán a todo el sistema, por muy bueno que sea el resto, para que pueda aprender mucho sobre la ingeniería de características.
- Recopilación de datos : encontrar los datos correctos para usar no es tan fácil como parece. Es una habilidad en sí misma. También debe saber cómo limpiar los datos en caso de que algunos de ellos no sean confiables.
- Diseño de arquitecturas ML . En realidad, esto es muy difícil porque tiene que encontrar la combinación correcta de hiperparámetros para el modelo y también debe tener en cuenta varios otros modelos potenciales. Aprender de esta manera le presentará muchos conceptos en ML, como la búsqueda de cuadrícula para encontrar la arquitectura correcta.
- Entrenar modelos de ML y hacer que funcionen para ti es más arte que ciencia. No dejes que nadie te mienta, hacer que los modelos ML funcionen no es fácil.
Por lo tanto, un proyecto de este tipo lo estirará en todas las direcciones y lo obligará a moverse hacia adelante y hacia atrás en el tablero de dibujo, al final del día cuando el proyecto esté terminado, incluso puede iniciarlo como una aplicación o algo así. Esto significa que aprenderás sobre muchas cosas en IA de esta manera.
Personalmente aprendo leyendo cosas fragmentadas de Internet, rara vez termino libros de la A a la Z a menos que ese libro tenga todo lo que necesito, lo cual es casi imposible. También busco problemas reales obligándome a aprender las teorías y habilidades prácticas necesarias para resolver el problema. Luego, lanzo un producto real para que las personas lo usen en su vida diaria.
Es mucho más divertido aprender mientras se practica, codificar desde cero y construir sistemas de trabajo desde cero. Hace una mejor manera que aquellos ocupados leyendo teorías. Así que asegúrate de desafiarte a ti mismo.
Espero que esto ayude.