Incluso el pensamiento de aprender Inteligencia Artificial es un gran paso hacia este campo. La inteligencia artificial es una de las tendencias más interesantes en los últimos 2 años. Después de prevalecer durante una buena cantidad de tiempo, todavía tiene mucho por explorar.
Creo que el “por qué” te motiva, mientras que el “cómo” suele asustar a las personas para que no hagan algo en particular. Así que te recomendaría que encuentres una razón para aprender IA, ya que te mantendrá motivado. Descubrir una razón no es algo que pueda hacer por ti, pero sin duda puedo hacer una lista para seguir un camino que podría hacer que la IA sea interesante para ti.
Inteligencia artificial
Según el padre de la Inteligencia Artificial, John McCarthy, se trata de “La ciencia y la ingeniería para hacer máquinas inteligentes, especialmente programas informáticos inteligentes”. La Inteligencia Artificial es una forma de hacer que una máquina piense inteligentemente.
- Cómo aprender a voltear casas.
- ¿Cuál es la mejor manera de aprender los géneros en alemán que no involucran colores?
- ¿Alguien puede aprender a nadar a los 25 años?
- ¿Cómo puede un profesional de software aprender cosas rápidamente en un nuevo entorno / proyecto?
- Comencé a aprender programación HTML hace una semana con un tutorial. Desde cero, creé una página de inicio de sesión similar al primer Facebook con aproximadamente 80 líneas de código. ¿Es un comienzo decente? ¿Cuáles son algunos consejos?
La IA se logra al estudiar cómo piensa el cerebro humano y cómo los humanos aprenden, deciden y trabajan mientras intentan resolver un problema, y luego utilizan los resultados de este estudio como base para desarrollar software y sistemas inteligentes.
Resumen de habilidades requeridas-
- Matemáticas (por ejemplo, álgebra lineal, cálculo y probabilidad)
- Estadísticas (por ejemplo, pruebas de hipótesis y estadísticas de resumen)
- Herramientas y técnicas de aprendizaje automático (supervisadas, no supervisadas, semi supervisadas).
- Habilidades de ingeniería de software (por ejemplo, computación distribuida, algoritmos y estructuras de datos)
- Minería de datos
- Limpieza de datos y munging.
- Visualización de datos (por ejemplo, ggplot y d3.js) y técnicas de informes
- Técnicas de datos no estructurados.
- Idiomas R y / o SAS
- Bases de datos SQL y lenguajes de consulta de bases de datos.
- Python (más común), C / C ++ Java, Perl
- Plataformas de big data como Hadoop, Hive & Pig.
- Herramientas en la nube como Amazon S3
¿Qué es Python?
Python es un lenguaje de programación de código abierto creado para verse bien y ser fácil de leer. Python es un lenguaje de propósito general, lo que significa que se puede usar para construir casi cualquier cosa, que se facilitará con las herramientas / bibliotecas adecuadas.
¿Qué aprender en Python?
- Introducción a Python para Data Science
- Python intermedio para la ciencia de datos
- Importando datos en Python
- Fundación pandas
- Pensamiento estadístico en Python
- Python Data Science Toolbox
- Introducción a las bases de datos en Python
- Manipular DataFrames con pandas
- Introducción a la visualización de datos con Python
- Visualización interactiva de datos
- Análisis de red en Python
- Fusionando DataFrames con pandas
Fundamentos de la IA
1. Fundamentos de la Informática y Programación.
- Los fundamentos de la informática son importantes para los ingenieros de Machine Learning que incluyen estructuras de datos (pilas, colas, matrices multidimensionales, árboles, gráficos, etc.), algoritmos (búsqueda, clasificación, optimización, programación dinámica, etc.), computabilidad y complejidad (P vs .NP, problemas NP-completos, notación big-O, algoritmos aproximados, etc.), y arquitectura de la computadora (memoria, caché, ancho de banda, puntos muertos, procesamiento distribuido, etc.).
2. Probabilidad y estadística
- Muy relacionado con esto está el campo de las estadísticas, que proporciona varias medidas de tendencia central (media, mediana, varianza, etc.), distribuciones (uniforme, normal, binomial, Poisson, etc.) y métodos de análisis (ANOVA, pruebas de hipótesis, etc.) que son necesarios para construir y validar modelos a partir de datos observados. Muchos algoritmos de aprendizaje automático son esencialmente extensiones de procedimientos de modelado estadístico.
3. Modelado y evaluación de datos
- El modelado de datos es el proceso de estimar la estructura subyacente de un conjunto de datos determinado, con el objetivo de encontrar patrones útiles (correlaciones, agrupaciones, vectores propios, etc.) y / o predecir propiedades de instancias nunca vistas (clasificación, regresión, detección de anomalías, etc.) .). Una parte clave de este proceso de estimación es evaluar continuamente qué tan bueno es un modelo dado.
4. Aplicación de algoritmos y bibliotecas de aprendizaje automático.
- Las implementaciones estándar de los algoritmos de aprendizaje automático están ampliamente disponibles a través de las bibliotecas / paquetes / API (por ejemplo, scikit-learn, Theano, Spark MLlib, H2O, TensorFlow, etc.), pero su aplicación implica la elección de un modelo adecuado (árbol de decisiones, vecino más cercano, neuronal). net, máquina de vectores de soporte, conjunto de múltiples modelos, etc.), un procedimiento de aprendizaje para ajustar los datos (regresión lineal, regresión logística y otros métodos específicos del modelo), así como la comprensión de cómo los hiperparámetros afectan el aprendizaje.
5. Ingeniería de Software y Diseño de Sistemas.
- Al final del día, el software de salida o entrega de un ingeniero de Machine Learning es típico. Y a menudo es un componente pequeño que se ajusta a un ecosistema más grande de productos y servicios. Debe comprender cómo estas diferentes piezas trabajan juntas, comunicarse con ellas (mediante llamadas de biblioteca, API REST, consultas de base de datos, etc.) y crear interfaces adecuadas para su componente de las que otros dependerán. Puede ser necesario un diseño cuidadoso del sistema para evitar cuellos de botella y permitir que sus algoritmos se amplíen bien a medida que aumentan los volúmenes de datos. Las mejores prácticas de ingeniería de software (que incluyen análisis de requisitos, diseño de sistemas, modularidad, control de versiones, pruebas, documentación, etc.) son invaluables para la productividad, la colaboración, la calidad y la capacidad de mantenimiento.
Objetivos y aplicaciones de la IA
Los objetivos principales de la IA incluyen la deducción y el razonamiento, la representación del conocimiento, la planificación, el aprendizaje, la percepción y la capacidad de manipular y mover objetos. Los objetivos a largo plazo de la investigación en IA incluyen el logro de la creatividad, la inteligencia social y la inteligencia general (nivel humano).
La IA ha influido mucho en diferentes sectores, que tal vez no reconozcamos. Ray Kurzweil dice: “Muchos miles de aplicaciones de IA están profundamente integradas en la infraestructura de todas las industrias”. John McCarthy, uno de los fundadores de AI, dijo una vez que “tan pronto como funciona, ya nadie lo llama AI”.
PNL
El procesamiento del lenguaje natural, a menudo abreviado como PNL, se refiere a la capacidad de una computadora para entender el habla humana a medida que se habla. La PNL es un componente clave de la inteligencia artificial (IA) y se basa en el aprendizaje automático, un tipo específico de IA que analiza y utiliza patrones en los datos para mejorar la comprensión del habla del programa.
El desarrollo de aplicaciones de PNL se está volviendo difícil y tedioso a medida que las computadoras procesan comandos solo en un lenguaje de programación que es preciso y altamente estructurado. Con la diversidad entre nosotros, los lenguajes humanos no son precisos, ya que usan slangs y varían geográficamente.
La investigación empresarial está siendo ampliamente operada utilizando PNL en estos días, mientras que digo que esto es solo el comienzo de una nueva fase en el campo de la IA. Los enfoques actuales de la PNL se basan en el aprendizaje automático, un tipo de inteligencia artificial que examina y utiliza patrones en los datos para mejorar la comprensión del programa.
Curso Recomendado –
Un curso que abarcaría los siguientes temas.
- Programación R o Python
- Análisis exploratorio de datos con Python, R
- Regresión lineal, sus variaciones.
- Árboles de decisión, conjunto y clasificación
- Agrupamiento
- Regresión de series de tiempo
- Bases de datos y ecosistema de big data
- Visualización de datos, narración de historias, cuadros de mando, Tableau
- Construcción de productos de ciencia de datos a escala de producción y su despliegue
- Ingeniería de Big Data
- Aprendizaje profundo y flujo tensorial
Descargo de responsabilidad: Soy co-fundador de @GreyAtom y ayudo a los talentos de ingeniería a poner en marcha su carrera en tecnologías emergentes.
El programa insignia altamente selectivo de GreyAtom apunta a ser mentor profesional y novedoso en el inicio de su carrera en Data Science. Los estudiantes construyeron proyectos sobre conjuntos de datos reales y declaraciones de problemas proporcionados por nuestra industria y socios contratantes. El programa se basa en el aula y está muy orientado a la práctica. GreyAtom es un ecosistema donde los estudiantes pueden aprovechar lo mejor de la academia, los profesionales de la industria y las personas influyentes.
Algunos enlaces rápidos
- Programa – http://www.greyatom.com/full-sta…
- Converse con el consejero académico: le invitamos a compartir todas sus dudas, las inseguridades que prestan atención a lo que haremos con nuestro mejor esfuerzo para guiarlo hacia su trayectoria profesional de éxito. https://calendly.com/greyatom/co…