Me gradué de Nanodegree Deep Learning (DLND) de Udacity [1] a fines del año pasado y la especialización deeplearning.ai de Andrew Ng concluyó para mí en febrero [2].
Actualmente estoy en torno al 70% a través del Nanodegree de Inteligencia Artificial de Udacity (AIND) como parte de mi Master de AI de creación propia. Mi Master de Inteligencia Artificial de Self-created [3].
Dado que la principal preocupación de su pregunta son las habilidades, responderé primero desde ese punto de vista. Luego profundizaré más para los interesados.
Respuesta corta
Haz ambos.
Si está buscando mejorar sus habilidades en el campo, recomiendo ambos cursos.
El año pasado, no tenía conocimientos de programación y nunca antes había escuchado el término aprendizaje profundo.
Gracias a una combinación de estos cursos, ahora estoy construyendo modelos de aprendizaje profundo de clase mundial semanalmente.
He tomado los cursos en el siguiente orden.
1. Udacity Deep Learning Nanodegree [4]
2. Udacity Inteligencia Artificial Nanodegree [5] Término 1 (IA tradicional)
3. Coursera deeplearning.ai Especialización por Andrew Ng
4. [Actual] Udacity Inteligencia Artificial Nanodegree Term 2 (enfoque de aprendizaje profundo)
Si tuviera mi tiempo otra vez, usaría el siguiente orden.
1. Coursera deeplearning.ai Especialización por Andrew Ng
2. Udacity Deep Learning Nanodegree
3. Udacity Inteligencia Artificial Nanodegree Término 1
4. Udacity Inteligencia Artificial Nanodegree Término 2
¿Por qué?
deeplearning.ai por Andrew Ng adopta un enfoque innovador para el aprendizaje profundo. Así es como aprendo mejor.
Los cursos de Udacity son de muy alta calidad, pero a menudo pasan directamente a proyectos de alto nivel. Una excelente manera de aprender pero muy difícil si no tienes conocimientos básicos.
Si ya tiene algún conocimiento básico de aprendizaje profundo / aprendizaje automático o ya es un programador sólido, AI Nanodegree de Udacity puede ser el lugar ideal para comenzar.
¿Por qué ambos?
Después de trabajar en ambos cursos, descubrí que se complementan entre sí de manera brillante. Donde cae el rumbo de Andrew, el AIND continúa y viceversa.
Un verdadero ejemplo me pasó ayer. Estaba atrapado en un problema en el proyecto final de AIND NLP, específicamente uno relacionado con incrustaciones de palabras.
Publiqué en los foros diciendo que tenía problemas para entender las incrustaciones de palabras.
A sugerencia de Vadim, repasé las conferencias sobre incrustaciones de palabras en la especialización de deeplearning.ai. Antes de hacer esto, buscaba horas en Internet buscando una explicación que pudiera entender.
Nota personal: ¡No descuide el material que ya ha revisado!
Al final, ambos son grandes cursos. Si tiene que elegir uno, lo favorecería con la especialización de deeplearning.ai. Hay algo en el estilo de enseñanza de Andrew que realmente encaja conmigo.
Respuesta más larga
Para aquellos interesados en una respuesta más profunda sobre mis experiencias con los cursos, siga leyendo.
Lo dividiré en ocho categorías.
- Costos y tiempo: estos cursos no son gratuitos ni fáciles.
- Requisitos previos: lo que necesita antes de comenzar.
- Opciones de soporte: qué hacer cuando te quedas atascado.
- Calidad del curso – ¿Qué tan bueno es el material?
- Presentar un proyecto – ¿Qué pasa con tu trabajo?
- Estructura del curso – ¿Cómo se desarrolla?
- Opciones de futuro: ¿qué hacer después de los cursos?
- Otros recursos de aprendizaje: ¿qué otros recursos de aprendizaje hay?
1. Costos y tiempo
La especialización deeplearning.ai requiere una tarifa de suscripción mensual de $ 64 AUD (~ $ 50 USD) para tener acceso a cada uno de los cinco cursos. Cada curso aparece como de aproximadamente 1 mes, es decir, cinco meses en total significa ~ $ 250 USD.
Si eres lo suficientemente rápido, podrías hacerlo en 1 mes.
Logré hacerlo en tres meses durante el período de vacaciones de verano. Podría haber terminado en menos de dos meses, sin embargo, la vida.
El DLND requiere un pago por adelantado de $ 750 AUD (~ $ 580 USD). Debe completar todos los proyectos asociados con la DLND dentro de los cuatro meses posteriores al inicio o tendrá que pagar nuevamente. Si lo completa a tiempo, se calcula en $ 145 USD por mes.
La Inteligencia Artificial de Udacity Nanodegree es la más larga y la más cara de las tres. Se compone de dos plazos de tres meses a $ 1000 AUD (~ $ 775 USD). Nuevamente, si completa los proyectos requeridos dentro del plazo de seis meses, el resultado es de $ 258 USD por mes.
En mi experiencia, ambos cursos de Udacity han tomado al menos 15-20 horas (a veces más) de estudio por semana para mantenerse en el camino.
Por otro lado, pude completar una semana de clases por día (6-8 horas) de la especialización deeplearning.ai. Esto se debe principalmente a que me alineé fuertemente con los métodos de enseñanza de Andrew Ng.
2. Requisitos previos
Cada curso enumera un conocimiento intermedio de Python como un requisito previo. Se requieren algunas matemáticas, pero Python debe ser su enfoque principal.
Si puede leer un script de Python en GitHub y comprender al menos el 60% de lo que está sucediendo, debería estar bien al intentar cualquiera de estos cursos.
Si Python es un punto débil para ti, pasaría un poco de tiempo practicando tus habilidades de Python antes de comenzar.
Cuando empecé la DLND, tenía tres semanas de conocimiento de Python. Nunca había programado antes de esto.
Luché durante los primeros meses, pero terminé a tiempo a medida que mi confianza crecía. Todavía me considero un principiante de Python.
En cuanto a las matemáticas, una comprensión de la escuela secundaria de cálculo, álgebra lineal y geometría es más que suficiente para completar los cursos. Esto se debe a que la mayoría de los cálculos matemáticos se cuidan entre bastidores con bibliotecas como TensorFlow y Keras.
No he tomado un solo curso de matemáticas fuera de la escuela secundaria. Usé Khan Academy [6] para mejorar mis habilidades matemáticas.
Si está considerando mudarse a un programa de IA o doctorado de aprendizaje profundo, necesitará habilidades matemáticas.
Para desarrollar la inteligencia artificial aplicada con las habilidades que aprendes de estos cursos, no se requiere una comprensión profunda de las matemáticas detrás de escena.
Si volviera a tener mi tiempo, me triplicaría en mis habilidades de Python antes de comenzar.
3. Opciones de soporte
Durante cada uno de los cursos, me topé con muchos obstáculos. Encontré las ofertas de apoyo de un valor incalculable para aclarar mi camino.
DLND y AIND tienen su propio canal Slack y foros dedicados. Dentro de los dos canales Slack hay varios otros canales dedicados a temas separados.
Hay miles de personas en ambos canales y la mayoría de los temas tienen al menos un par de cientos de usuarios. Los mentores también suelen alojar AMA y navegar por los canales para responder a cualquier pregunta que puedan.
En mi experiencia, he encontrado que los canales de Slack son bastante ruidosos. No lo uso mucho, excepto para publicar mis propias preguntas o para buscar a otros con problemas similares.
Los foros son una experiencia totalmente diferente. Es raro para mí publicar una pregunta porque muchos de los problemas que me encuentro, otros ya lo han hecho. Las respuestas no siempre son claras, pero si lo fueran, no estaría aprendiendo.
Utilizo los foros para tener una imagen mental en mi mente antes de intentar eliminar mis propios problemas.
Los foros para la especialización deeplearning.ai son una experiencia similar. La principal diferencia es que a los usuarios no se les permite publicar ningún código directamente desde las tareas. Seudocódigo está bien. Encontré los foros aquí más que suficientes para responder a mis preguntas.
Cuando te registras en AIND, se te asigna un mentor. El nombre de mi mentor es Ayushi. Ella es una ingeniera de software de la India.
El rol del mentor es proporcionar apoyo adicional cuando sea necesario y también estar allí como alguien con quien hablar. Muchas veces, al hablar con Ayushi sobre un problema que estoy enfrentando, parece haberse resuelto por sí mismo.
Nunca devalúe el poder de hablar sobre sus problemas en voz alta. Y nunca tengas miedo de pedir ayuda .
Un consejo al publicar una pregunta es comunicarla de la manera más efectiva posible. Ayude a los demás a que lo ayuden explicando detalladamente los problemas que enfrenta. Esto es algo en lo que estoy trabajando.
4. Contenido del curso
El contenido de cada curso es de clase mundial. He dicho con frecuencia en mis videos que estos son los mejores cursos que he tomado.
La DLND se divide en seis partes con cinco de las partes que tienen proyectos importantes adjuntos.
1. Introducción
2. Redes neuronales – creando tu primera red neuronal.
3. Redes neuronales convolucionales: construcción de un clasificador de razas de perros.
4. Redes neuronales recurrentes: uso de redes neuronales para generar guiones de TV.
5. Redes de publicidad generativas – construyendo un generador de caras.
6. Aprendizaje de refuerzo profundo: enseñar a un quadcopter a volar. [NUEVO]
Cada proyecto se enfoca en brindarle experiencia práctica con un determinado tipo de técnica de aprendizaje profundo. Si no has hecho mucha programación en Python antes, serán difíciles pero no imposibles de completar.
Nota: la Sección 6 es una nueva adición a la DLND y todavía tengo que intentarlo.
Deeplearning.ai de Andrew Ng se divide en cinco partes.
1. Redes neuronales y aprendizaje profundo.
2. Mejora de las redes neuronales profundas: ajuste de hiperparámetro, regularización y optimización
3. Estructuración de proyectos de aprendizaje automático.
4. Redes neuronales convolucionales
5. Modelos de secuencia
Los cursos 2 y 3 fueron sobresalientes para mí. Siento que este material faltaba en la DLND.
Los otros cursos fueron similares en estructura a sus equivalentes ofrecidos en la DLND. Completar los cursos 4 y 5 continuó aumentando mi conocimiento sobre lo que estaba cubierto en la DLND.
El AIND tiene dos términos. El término 1 se enfoca en los métodos tradicionales de inteligencia artificial y el término 2 se enfoca en el aprendizaje profundo.
Hay un curso puente al comienzo del Término 2 para aquellos que nunca han hecho un aprendizaje profundo. Desde que completé la DLND, pude saltarme esto.
Termino 1
1. Cree un agente de juego: utilice la búsqueda adversa con evaluaciones heurísticas para crear un agente de juego de resolución y aislamiento de sudoku.
2. Implemente una búsqueda de planificación: construya un sistema de logística de carga aérea utilizando la heurística del gráfico de planificación.
3. Diseñe un sistema de reconocimiento de lenguaje de señas: use los modelos ocultos de Markov para reconocer los gestos en el lenguaje de señas estadounidense.
Si no ha completado la DLND, el Término 2 de AIND consistirá en uno de los siguientes con una opción para comprar más. Había completado el DLND al registrarme, así que tengo acceso a los tres.
El contenido del Término 1 fue difícil para mí ingerir. Como ya había estado aprendiendo sobre el aprendizaje profundo y otras técnicas de aprendizaje automático, los temas cubiertos en el Término 1 son difíciles debido a mi falta de capacidad de programación.
Plazo 2
1. Concentración de la visión por computadora: construya un sistema de detección facial de puntos clave utilizando el aprendizaje profundo y OpenCV.
2. Concentración de procesamiento del lenguaje natural: construya un modelo de traducción automática para traducir del inglés al francés. [Actualmente aquí]
3. Sistema de reconocimiento de voz: construye un sistema de detección de voz.
Dentro de cada una de las concentraciones, se le lleva a través de una serie de mini-proyectos y conferencias que conducen al proyecto final.
Actualmente estoy en la segunda concentración del Término 2. He pasado por los pasos de la tubería de Procesamiento del Lenguaje Natural (preprocesamiento de texto, extracción de características y modelado) en preparación para el proyecto de traducción automática.
5. Presentar un proyecto
Enviar un proyecto para el DLND y AIND es muy similar. A través del aula de Udacity, puede enviar archivos de proyecto o un enlace a GitHub con su código.
Dentro de las 24 horas, un revisor de Udacity se comunicará con usted con su calificación (pase o necesita más trabajo). Sin embargo, esto no es una revisión ordinaria. El revisor a menudo ha dejado varios comentarios a lo largo de su código con comentarios o consejos para obtener más información al respecto.
No puedo decir lo suficiente sobre los críticos. Siempre espero escuchar su perspectiva.
Para la especialización deeeplearning.ai, todos los proyectos y mini pruebas se marcan automáticamente. Esto ahorra tiempo, ya que obtiene resultados inmediatos, sin embargo, pierde los consejos para aprender más / dónde mejorar.
6. Estructura del curso
Udacity utiliza una combinación de conferencias cortas (en su mayoría entre 2 a 8 minutos de duración) con gráficos informativos en todo momento. Una prueba basada en Python dentro del navegador generalmente sigue un tema importante.
Al final de cada hito principal, se puede ofrecer un proyecto de calentamiento como práctica opcional antes del proyecto final.
Por ejemplo, durante la concentración de NLP de la AIND se ofreció un proyecto de análisis de sentimientos antes de intentar la piedra angular de la traducción automática.
La estructura de especialización deeplearning.ai es muy similar a la famosa MOOC de aprendizaje automático de Andrew Ng en Coursera. Los videos de menos de 5 minutos son raros, el promedio sería de alrededor de 10 minutos. Los vi en velocidad de 1.5x.
Andrew usa una serie de diapositivas en la pantalla como base para su enseñanza.
Mientras introduce un tema, a menudo escribe ejemplos en la diapositiva y discute el pensamiento detrás de cada uno.
Al final de cada serie de conferencias, se requiere que los estudiantes completen un cuestionario de selección múltiple basado en la no programación. Cada prueba tiene un umbral de aprobación del 80% (se permiten múltiples intentos). Los cuestionarios cubren el conocimiento teórico cubierto en las conferencias, con una minoría de preguntas que requieren algunos cálculos matemáticos.
Después de pasar los cuestionarios, las asignaciones de programación en forma de Jupyter Notebooks están disponibles. Cada asignación de programación requiere 80% o más para pasar.
Si te encuentras con problemas en los proyectos o con cualquier material de la clase, los foros son tus amigos.
7. Opciones de futuro
Después de completar los cursos, a veces puede ser abrumador con qué hacer a continuación. Al menos, así es como me he sentido después de un hito importante.
La respuesta obvia es usar lo que has aprendido.
¿Pero cómo?
Publicaciones de blog
Cuando tengas tiempo libre, ten un sesgo hacia la escritura. Escribir sobre lo que has aprendido te ayudará a cimentarlo en tu propia mente.
Compartir su escritura con otros les ayudará a aprender.
Escribir públicamente también permitirá que otros critiquen su trabajo, lo cual es otra valiosa oportunidad de aprendizaje.
Hacer videos
Tal vez escribir no sea lo tuyo. Pero es probable que el dispositivo en el que estás leyendo esto tenga una cámara. Hablar de lo que has aprendido es tan bueno como escribir sobre él. Los videos no tienen que ser de la mejor calidad.
Además, hablar frente a una cámara lo ayudará con sus habilidades para hablar en público.
Hablar con otros sobre lo que sabes es útil en cualquier situación.
Comparte lo que has aprendido.
Practica en HackerRank o Kaggle
HackerRank [7] y Kaggle [8] proporcionan una gran cantidad de recursos para practicar las habilidades que has aprendido (y también te ayudan a aprender otras nuevas).
Kaggle es genial para obtener experiencia práctica con proyectos de ciencia de datos reales. Incluso puedes construir tu reputación para convertirte en un maestro de Kaggle. Muchos de los principales competidores de Kaggle no tendrían problemas para entrar en cualquier rol relacionado con la ciencia de la información.
HackerRank está más enfocado en mejorar sus habilidades de codificación. Trabaja a través de diferentes desafíos de codificación mientras construyes un portafolio de lo que has hecho. Use su perfil como una adición a su currículum para mostrarle a un futuro empleador de lo que es capaz.
Construir algo
¿Tengo una idea? Usa las habilidades que has aprendido para hacerlo real. Envíelo a otros, también podrían encontrarle valor. Si falla, comparte con otros lo que aprendiste en el proceso. Si es un éxito, bueno, ¡felicidades!
Todos estos llevan de vuelta a una cosa. Ser un maestro. Has pasado horas aprendiendo algo valioso y te has encontrado con muchos obstáculos. ¿Cómo pueden los demás evitar tus errores? ¿Cómo pueden obtener algo de ello?
Nota: todavía estoy tratando de hacer esto!
8. Otros recursos de aprendizaje
El espacio de aprendizaje en línea de aprendizaje profundo está explotando. Hay tanta información, es difícil saber a qué prestar atención.
En mi caso, después de que termine el AIND me dirijo a fast.ai [9]. Después de eso, he estado mirando una especialización de algoritmos y estructuras de datos en Coursera para compensar mi falta de capacidad de programación.
Para AI, sugeriría altamente los siguientes recursos. *
- Los videos de Siraj Raval en YouTube.
- El blog de Colah
- Blog de Master Learning
- Aprendizaje profundo con Python por Francois Chollet
* Si tienes más, estaré encantado de añadirlos aquí.
Veredicto final
Si estás buscando habilidades, haz todos los cursos que puedas e implementa lo que aprendiste enseñándole a alguien más sobre esto o construyendo algo.
Si desea entrar en la inteligencia artificial rápidamente y comprender lo que se necesita para hacer un corte de cada modelo de aprendizaje profundo y de lo que es capaz, comience con la especialización deeplearning.ai en Coursera.
Decida lo que decida hacer, recuerde, aprender algo es difícil por definición.
Cuando se ponga difícil, piensa en por qué empezaste.
Sígueme en YouTube y en Medium para obtener más información sobre AI, salud y contenido basado en la vida.
Notas al pie
[1] Graduándose de Udacity Deep Learning Nanodegree | 100 Días de Código VLOG 15
[2] Graduado de la Especialización en Coursera deeplearning.ai | Inteligencia de aprendizaje 22
[3] Mi propia maestría de Inteligencia Artificial
[4] Nanodegree de aprendizaje profundo | Udacity
[5] Inteligencia Artificial (AI) Nanodegree | Udacity
[6] Academia Khan
[7] HackerRank
[8] Tu hogar para la ciencia de datos
[9] fast.ai · Volviendo a enfriar las redes neuronales