¿Qué se aprende después del Aprendizaje Automático?

Answer 1

Hola anonimo

Es genial ver que la gente se siente emocionada por el aprendizaje automático y por lo que puede hacer. Así que, en primer lugar, felicitaciones por su paso cero en este campo.

Ahora vengo a tu pregunta. Las redes neuronales y el aprendizaje profundo son parte del aprendizaje automático. Así que mientras aprendes de forma automática, también aprenderás sobre redes neuronales y, si no, hazlo primero. El aprendizaje profundo es en cierto modo redes neuronales avanzadas. Pero antes de continuar con el aprendizaje profundo, le sugiero que resuelva algunos problemas básicos de aprendizaje automático. Estos incluirán clasificación de dígitos manuscritos (MNIST), clasificación de datos Iris, análisis de sentimiento en críticas de películas, etc. Intente implementar los algoritmos desde cero. Le sugiero que elija Python mientras lo implementa, ya que proporciona varias bibliotecas y marcos de aprendizaje automático y también un buen soporte comunitario. Pero puedes elegir el idioma que quieras.

Después de hacer estos problemas, puede comenzar con NLP y Deep Learning en paralelo. Para un aprendizaje profundo, sugeriría el curso de Stanford, CNN para reconocimiento visual por Andrej Karpathy y el curso de Google sobre Udacity. Para PNL, puede ir con el curso de Stanford en coursera (solo hay clases disponibles. Para las asignaciones de este curso, google).

Después de la PNL y el Aprendizaje profundo, puede comenzar a aprender el curso de Inteligencia artificial de Berkeley edX. Aquí aprenderá sobre diferentes estrategias de búsqueda, aprendizaje por refuerzo, HMM, etc. Este es un gran curso.

Ahora, una vez que haya terminado con NLP, Deep Learning y AI course, aprenda sobre Deep Reinforcement Learning, que es el algoritmo detrás de AlphaGo, Learning to playing Atari games de Google Deepmind.

Ya que hay mucho que aprender, no olvide seguir resolviendo problemas en el aprendizaje automático usando estas técnicas. Este es un campo impresionante. Hay mucho en este campo y continuará durante al menos 10-20 años a partir de ahora. Necesitarás un poco de paciencia. No se olvide, las grandes cosas se realizan no por la fuerza sino por la perseverancia. La mejor de las suertes.

Answer 2

El aprendizaje automático es un área tan vasta que casi no se puede saber todo lo que contiene.

Hacer un curso no te hará experto en ML.

He estado trabajando en ML desde el último año y medio y todavía me considero un principiante.

Intente resolver el problema de la vida real basándose en los conceptos que aprendió del curso.

Prueba los problemas de Kaggle.

Trabajar en un problema práctico te dará una mejor comprensión del tema.

Consiga un libro e intente comprender las matemáticas detrás de varios algoritmos de ML.

A continuación se presentan algunos de los buenos libros:

1) El aprendizaje automático de una perspectiva probabilística -Kevin Murphy

2) Reconocimiento de patrones y aprendizaje automático-CM Bishop

3) Los elementos del aprendizaje estadístico: Hastie, Friedman, Tibshirani

Luego obtenga una visión general de varios sub-campos de aprendizaje automático y lo que está involucrado en eso.

Después de eso, puede elegir cualquier área especializada en la que esté interesado, como Visión computacional, Aprendizaje profundo (un tema candente en la actualidad).

Answer 3

Idealmente, si estás aprendiendo ML, entonces habrías aprendido literalmente cualquier cosa para resolver cualquier problema informático, y más allá. Confíe en mí para 2025, ML incluso le permitirá cultivar papas en Marte y entregar un bebé en 1 mes con 9 madres.

Así es como funciona ML. Identificas un problema o un área problemática. Trate de resolverlo utilizando todas y cualquiera de las técnicas de ML existentes, por supuesto que podría resolverlo en su conjunto de datos altamente curado con buenos conjuntos de aprendizaje y pruebas, pero una solución generalizada o “útil en la vida real” simplemente no es posible utilizando esas técnicas de ML

Por otro lado, habría un completo imbécil en algún lugar que no habría sabido nada acerca de ML, pero enfrentó ese problema similar. Habría utilizado técnicas completamente ortogonales a todas las técnicas de LD existentes. Pero su idea funciona en la vida real: realmente puedes resolver el problema de alguien con ella.

Ahora viene el golpe maestro de ML. Esta nueva técnica es ahora parte de ML. De hecho, incluso si este tipo intentara vender su solución diciendo que es una solución que no es de ML, entonces, literalmente, nadie en este mundo se preocuparía, pero solo si dice que ha encontrado una nueva sucursal de ML para resolver este problema y pone en una conferencia en ML (digamos ICML), entonces solo el mundo se dignaría a notarlo.

Esto es lo que es ML, ya no es ciencia, es política y extorsión. No estoy diciendo que ML desde el principio fue una obra del mal, pero a medida que las cosas se han ido desarrollando a lo largo de las décadas, esto es en lo que se ha convertido. Simplemente ponga todos los problemas que puedan resolverse calculando las caídas bajo ML, y cualquier nueva técnica para resolverlos del presente presente y futuro corresponderá a ML.

Las ideas completamente ortogonales del canon de ML, incluso cosas como Big data, etc. ahora se consideran parte de ML. Incluso la acumulación de datos sin aprender como en algunas técnicas de Big Data ahora se considera ML, porque en realidad se trabaja en la vida real.

No existe una definición científica de ML en 2016, solo puede dar una definición política ahora, ML es el cuerpo de conocimiento de todas las soluciones de trabajo del pasado, presente o futuro. Cualquier cosa que funcione y pueda resolverse con una computadora es ML, o no permitiremos que se convierta en algo común. ML no tiene fronteras, es menos ciencia, más ciencia política y aún más religión ahora.

Estoy seguro de que el primer día de su clase, su instructor le presentará algunos problemas que ML está resolviendo. Justo cuando la clase haya terminado, repase y pregunte cómo resolverlo de una manera que no sea de LD.