Creo que la mejor manera de estudiar el aprendizaje automático es algo como esto:
- Al principio, para obtener una comprensión precisa de cómo funcionan los algoritmos clave, intente reimplementarse a sí mismo con los ejemplos de juguetes en Numpy (un convump Numpy, un perceptrón multicapa Numpy, un LSTM Numpy).
- Para familiarizarse con las aplicaciones prácticas, consulte los ejemplos de Keras proporcionados con el repositorio de Keras. Intente modificarlos, adáptelos a nuevos datos y ajuste las arquitecturas del modelo hasta que obtenga el mejor resultado posible en el problema que elija.
- Entérate de la investigación y las aplicaciones de la ciencia de datos del mundo real ingresando a las competencias de Kaggle. Forme un equipo con otras personas, tal vez gane una competencia!
- Por fin, puede comenzar a leer libros teóricos (por ejemplo, el libro de aprendizaje profundo de Goodfellow, Bengio y Courville) y trabajos de investigación para desarrollar una comprensión más abstracta y matemática de los procesos que ha estado practicando.
En general, es mucho más fácil asimilar el lado teórico del aprendizaje automático cuando ya estás familiarizado con su práctica, y no al revés. Una buena comprensión proviene de la confrontación con los problemas del mundo real, no de la confrontación con los MOOC y los libros.