¿Cuál fue tu experiencia al aprender Machine Learning?

Answer 1

Fue muy divertido

Comencé a aprender ML cuando me uní a un proyecto de investigación como estudiante de doctorado que requería algún conocimiento de ML. Antes de eso, había aprendido un poco sobre el material estrechamente relacionado a través de un curso de encuesta de varios temas de inteligencia artificial que había tomado en la licenciatura, pero nunca había aplicado realmente ninguno de ellos al aprendizaje .

Desde que comencé en el verano, tuve que recoger el ML por mi cuenta por un tiempo, ya que no podría tomar clases en persona durante al menos unos meses. Comencé principalmente con este curso de Georgia Tech Udacity: Aprendizaje automático | Udacity, junto con notas de diferentes cursos en línea, especialmente en los modelos ocultos de Markov, los procesos de decisión de Markov y el aprendizaje por refuerzo.

Entonces empecé a jugar con el conjunto de datos que tenía para el proyecto. Afortunadamente, ya estaba estructurado para Matlab, con el que estaba familiarizado, por lo que realicé algunas visualizaciones básicas, hice algunos ajustes de modelos simples, etc. (la típica fase de “análisis de datos exploratorios”). Todavía no era un aprendizaje automático, solo estaba tratando de saber cómo eran los datos y qué tipos de modelos de ML realmente tendrían sentido.

Originalmente, la propuesta del proyecto (escrita por mis asesores antes de incorporarme al proyecto) quería utilizar el aprendizaje por refuerzo. No pude ver de inmediato cómo hacerlo, así que simplifiqué el problema a un MDP y luego a un HMM. En algún momento, nos dimos cuenta de que el aprendizaje por refuerzo en realidad no funciona bien para el problema, así que continué intentando con métodos de ML bastante básicos como HMM y los vecinos más cercanos a k. Terminó funcionando bastante bien.

---

Creo que hay un par de conclusiones de esta experiencia para gente nueva en ML:

• aprenda de diferentes fuentes y utilice estilos de aprendizaje que se ajusten bien a su logística.
• tener un proyecto / objetivo específico en mente mientras aprendes puede ayudarte a concentrar tus esfuerzos (“Quiero obtener una precisión de clasificación del 85% en este conjunto de datos” es mucho más útil que “Quiero aprender aprendizaje automático”)
• no se enrede con el uso de un solo método (especialmente para las personas que desean aprender todo); pasar mucho tiempo para entender el problema y elegir una técnica adecuada de LD es mucho más útil
• Saber en general lo que hay ahí afuera es útil: no puedes elegir una técnica de ML adecuada si no sabes que existe (definitivamente es cierto para mi primer año de aprendizaje de ML)
• manténgase simple cuando sea posible: no use ML en absoluto cuando las estadísticas sean suficientes; Prefiera un modelo / método más simple siempre que sea posible
• que te diviertas

Answer 2

Disfruté la experiencia de aprender / entender sobre el campo que está teniendo un gran impacto en nuestra vida cotidiana.

Soy de la electrónica de fondo. Muchos problemas no resueltos desde hace décadas utilizan técnicas convencionales de extracción de características como reconocimiento de voz, reconocimiento facial, clasificación de imágenes; Todos se han resuelto tras la llegada del aprendizaje automático.

Hay mucho que aprender. Hay tantos problemas por resolver.

Y, nuestra marcha hacia la creación de robots más como seres humanos se acelera en cierto modo mediante el aprendizaje automático.

Es tan fascinante pensar en todas estas cosas.

Answer 3

Hola.

Comencé a recoger ML como parte de mi trabajo de posgrado.

Al principio, las presiones de tiempo y la necesidad de obtener resultados llevaron al uso extensivo de Weka. En ese momento, mi comprensión de los algoritmos ML, su funcionamiento matemático interno e incluso las fortalezas y debilidades genéricas era limitada.

A medida que se adquirió más experiencia de investigación empírica, recogí pasos importantes en el proceso de ml: preprocesamiento de datos, selección de características e ingeniería de características, optimización de hiperparámetros, etc. También comienzo a realizar ML programáticamente. Para las herramientas, comencé a experimentar con otras herramientas de tipo weka como Knime y Azure ML.

Cuando enseñé minería de datos, comencé a lidiar con los fundamentos algorítmicos de ML, especialmente en la matemática fundamental. Esta es probablemente la inversa de lo que se debería haber hecho.

En este momento, estoy tratando de pensar en ML en un entorno de producción, especialmente en la implementación de modelos y sus actualizaciones posteriores. También estoy dando el salto hacia el aprendizaje profundo, con un enfoque en el texto y las señales.

Y ahí tienes. El proceso de aprendizaje nunca terminará. Tutoriales en línea, mooc, código de ejemplo y completaciones son tus amigos. Aprende a fallar rápido y no te rindas.