Bueno, personalmente creo que es mejor comenzar con el aprendizaje automático (ML) y luego pasar a la visión artificial (CV).
Aunque hay una gran cantidad de superposición entre ellos porque a medida que aprende ML, se encontrará con problemas de CV como MNIST, CIFAR-10, CIFAR-100 o conjuntos de datos ImageNet que están simultáneamente en CV y ML.
En la actualidad, los modelos de ML como las redes neuronales convolucionales (CNN) se usan ampliamente en problemas de CV como:
- Clasificación de imagen / reconocimiento
- Detección de objetos
- Segmentación de imagen
Por lo tanto, estos campos son casi inseparables; por lo tanto, tiene sentido aprenderlos juntos o uno aprende uno y luego aprende el otro. El orden no parece importar mucho, pero comenzar con ML podría ser la mejor opción.
- ¿Qué tan rápido puedo aprender a dirigir un coro? ¿Qué pasos necesito para llegar allí?
- ¿Es posible que un niño de 22 años aprenda la codificación desde cero?
- ¿Cuál es el marco de backend más fácil de usar y aprender?
- ¿Cuáles son algunos trucos de dribble que un principiante debe aprender en el fútbol?
- Si no hay una manera de aprender más en la escuela, ¿cuál es la mejor manera de hacerlo en casa?
Le aconsejaría que aprenda los principios fundamentales de ML antes de aprender más sobre los sistemas de visión artificial.
Después de aprender ML, puede ampliar su enfoque a las técnicas de visión por computadora en 3D que son más difíciles de entender en comparación con los conceptos en ML, por eso es mejor comenzar con ML y luego con CV.
Aunque personalmente comencé con el CV primero, ya que en el momento en que estaba aprendiendo el CV, el aprendizaje profundo (DL) no era el centro de atención como lo es ahora. Me di cuenta rápidamente una vez que me di cuenta de lo poderosos que parecían los métodos de ML después de que DL emergiera a la luz central en 2012.
Así que comencé un proyecto relacionado con ML, en enero de 2016, para poder aprender más sobre ML.
Creo que puedes hacerlo bien incluso si los hiciste ambos al mismo tiempo. Apuesto a que los estudiantes en CV aprenden acerca de ML y los estudiantes en ML aprenden también sobre CV.
Aunque veo que en un futuro no muy lejano, el CV se reducirá a solo un área de aplicación de ML. Tiene sentido porque CV se trata de máquinas que ven y ML se trata de máquinas que aprenden.
Es importante construir máquinas que aprendan a ver, lo que hará del CV un subcampo de ML una vez que los algoritmos de ML se vuelvan lo suficientemente avanzados como para aprender cualquier problema computacional.
Aunque como están las cosas, el CV es solo un campo independiente en el que puede aplicar ML.
No hay problema si decide aprenderlos simultáneamente porque como dije anteriormente, muchos proyectos de ML terminan siendo proyectos de CV y viceversa.
Al igual que si decidiera construir un sistema de reconocimiento de imágenes que aprende de las imágenes, ese proyecto se realizará simultáneamente en CV y ML.
Espero que esto ayude.