A mi entender, esa es una pregunta bastante amplia. Hay diferentes enfoques:
- Simplemente tratando debido a la exageración.
- Persiguiendo sistemática y seriamente el campo.
Trataré de anotar mis dos centavos en el último. Tomemos un ejemplo más simple. Considera perseguir a AI como correr una maratón.
- ¿En qué puede trabajar el estudiante de medicina durante su estudio?
- Cómo evitar el desvanecimiento del cerebro y el agotamiento durante largas sesiones de estudio
- Si ha venido a estudiar a China, ¿cuál es el motivo de su elección?
- ¿Dónde habrías estado ahora, si hubieras puesto un esfuerzo extra en tus estudios en la escuela y la universidad?
- ¿Cómo debo prepararme para los exámenes NEET y de la junta a partir de ahora? ¿Puedes darme un horario para estudiar?
En primer lugar : es un maratón bastante largo. Esto no es para desalentarte, pero tampoco para sugerir la realidad. Mucha gente con la que me he topado con la moda como entusiastas de la IA después de probar el Curso de Aprendizaje de Máquinas por Andrew Ng en Coursera. Eso definitivamente no es cierto. Por lo tanto, es importante aclarar su objetivo :
- ¿Por qué deseas perseguirlo?
- ¿Cuáles son tus motivaciones? y más importante…
- ¿Qué problemas quieres resolver? (Nota: obtener una palabra de moda para poner tu currículum vitae, no es un problema válido).
Parte 1: Comience por obtener una mejor comprensión del campo . Aspectos como los objetivos principales de la IA, los enfoques en términos de escuelas de pensamiento y, lo más importante, las aplicaciones. Hay una razón por la cual los atletas se calientan antes de un entrenamiento.
Parte 2: Una vez que hayas aclarado eso, comprométete a probarte las manos de alguien como un MOOC. Nota: antes de decidirse a sumergirse por completo, es importante probar las aguas y no con los dos pies. Recuerde, la tasa de desgaste de los principales sitios MOOC se ha cruzado en un 95%. Esto también es importante ya que los encuentros iniciales con la parte de la teoría seca y la parte de matemáticas pueden desinteresarte o intimidarte. Verás, Tony Stark es genial y casi siempre tienes que caminar antes de poder correr.
- Coursera: Machine Learning por la Universidad de Stanford
- Udemy: Inteligencia Artificial AZ ™: aprende cómo construir una IA
- Udemy: Deep Learning AZ ™: redes neuronales artificiales con manos
Parte 3: Asegurar una BASE de matemáticas . A estas alturas, ha decidido dedicar de manera integral al menos 6 meses de tiempo para perseguir la disciplina de una manera completa. Asegúrese de que está listo con los requisitos previos. Considera esto para estar preparado para el largo plazo. Un error común que he visto hacer a la gente mientras el campo de aprendizaje se ejecuta desde las matemáticas. NO huyas de las matemáticas .
Tu arsenal de matemáticas debe contener:
- Álgebra Lineal (MIT 18.06 Álgebra Lineal, Primavera 2005 – YouTube) y aquí hay una guinda (Esencia de álgebra Lineal – YouTube)
- Probabilidad (Estadísticas 110: Probabilidad – YouTube)
- Ecuaciones diferenciales (MIT Learn Ecuaciones diferenciales – YouTube)
- Aquí hay un atajo, pero no sugiero que lo tomes (The Math of Intelligence – YouTube)
Error común: algunos me sugirieron que no entrara en la parte de requisito previo, pero no funciona de esa manera.
Parte 4: Asegurar una BASE de programación . Hasta que planee hacer cálculos para un solo problema por el resto de su vida (aún no termine de completarlo) necesitará cómputo muscular. Puedes elegir tu idioma preferido, pero python es sugestivo. Puede encontrar una gran cantidad de recursos en Youtube y entre los MOOC para continuar con este.
Parte 5: Asegurar una BASE algorítmica . Mucha gente se lo pierde. Aunque una gran parte de él se puede aprender a lo largo del camino, si quieres que tu viaje sea suave, te sugiero que primero comas esta rana, preferiblemente en ese idioma que aprendiste.
- Especialización en Estructuras de Datos y Algoritmos por (Estructuras de Datos y Algoritmos | Coursera) Esta es más práctica.
- Especialización en algoritmos por la Universidad de Stanford (Algorithms | Coursera) Esta es más teórica.
- Introducción a los algoritmos de MIT OCW (MIT 6.006 Introducción a los algoritmos, otoño de 2011 – YouTube)
Hecho con la BASE.
Ahora comienza el entrenamiento real. (¡Golpea la pista rocosa!)
Puede que esto no sea perfecto, pero en mi opinión es lo suficientemente necesario para que te levantes y vueles para desafiarte con la implementación de algunos de los métodos más avanzados. Vamos a dividir el entrenamiento en tres partes:
- Aprendizaje automático
- Aprendizaje profundo
- Aprendizaje reforzado
Parte 1: Aprendizaje automático.
- Recorra las Conferencias de Stanford de Andrew Ng (Colección de conferencias | Aprendizaje automático – YouTube). Nota : Estas son mucho más completas que la versión de Coursera y en realidad cubren la parte matemática importante y las intuiciones para obtener resultados.
- Siga sus apuntes y termine los cuatro conjuntos de problemas . (Esta es la mejor manera de preparar una gran pista de aterrizaje para su vuelo) Hubo algunas discrepancias con el enlace de Stanford para el material del curso, pero puede encontrarlo en este repositorio de Github (Yao-Yao / CS229-Machine-Learning ). Basta con mirar las videoconferencias no ayudará.
- Ahora, trata de aplicar lo que aprendiste . Aquí hay una gran lista de reproducción de Youtube para eso (Aprendizaje automático con Python – YouTube).
- Si quieres más, sigue un libro de texto. Sugiero Elementos de Aprendizaje Estadístico como una guía completa para este.
Parte 2: Aprendizaje profundo
- Dependiendo de su capacidad en términos de intensidad, comience con un MOOC si prefiere obtener una comprensión general. Definitivamente me atrevería a responder por la Especialización en Aprendizaje Profundo de Ng.
- De vuelta a los negocios. Para una comprensión completa, vaya al curso en línea de Hugo Larochelle . (Hugo Larochelle) Trata de cubrir todo lo que puedas de los contenidos del curso.
Nota: Una parte importante de Deep Learning será romper tu cabeza en los papeles, especialmente en los casos con modelos relativamente más nuevos. No te alejes de eso. - Siga el Libro de Aprendizaje Profundo de los maestros del campo, a saber, Ian Goodfellow, Yoshua Bengio y Aaron Courville. Hazlo. Período. (Aprendizaje profundo)
- A continuación, puede elegir una dirección si desea especializarse, por ejemplo:
- CS231n para la visión por ordenador. (CS231n: Redes neuronales convolucionales para reconocimiento visual)
- CS224d para el procesamiento del lenguaje natural (CS224d: Aprendizaje profundo para el procesamiento del lenguaje natural)
- También hay un curso de PNL por Oxford y DeepMind. (https: //machinelearningmastery.c…)
- De nuevo es hora de ensuciarse las manos . No pude encontrar un mejor lugar para comenzar que Fast.ai (Deep Learning For Coders-36 horas de lecciones gratis)
- Algunos otros recursos si desea probar son (Tutoriales de Aprendizaje Profundo) y (Aplicaciones Creativas de Aprendizaje Profundo con TensorFlow | Kadenze).
Parte 3: Aprendizaje de refuerzo
- Nivel 1: Pruebe este curso de Udacity sobre el aprendizaje por refuerzo, no debería tomar mucho tiempo. (Aprendizaje reforzado)
- Siguiente salto a las conferencias de David Silver. Puedes encontrar los contenidos del curso aquí: (Enseñanza)
- También puede agregar las conferencias de UC Berkley para una mejor comprensión. (Aprendizaje de refuerzo profundo CS 294, otoño de 2017)
¡Uf!
Eso fue todo un maratón. Ahora puede comenzar su verdadero viaje de inteligencia artificial al asumir el texto clásico de inteligencia artificial : Inteligencia artificial con un enfoque moderno http://web.cecs.pdx.edu/~mperkow…
Para video conferencias sobre inteligencia artificial :
- MIT OCW (MIT 6.034 Inteligencia Artificial, Otoño 2010 – YouTube)
- Conferencias de Pieter Abbeel (clase de inteligencia artificial CS 188 2014 de Pieter Abbeel – YouTube)
Confía en mí, si has pasado por todo eso con sinceridad, estás más que preparado para poner algunas abolladuras serias en el campo y también para hacer tu camino desde ese momento.
Algunas fuentes para estar al día con el campo:
- Open AI Blog (OpenAI Blog)
- Blog DeepMind (Noticias y Blog | DeepMind)
- Maestría en ML (comience aquí con aprendizaje automático – Maestría en aprendizaje automático)
- Algunos otros grupos a seguir serían Google Brain, FAIR, etc.
- Sigue a profesionales activos en Twitter para mantenerte al tanto de las discusiones y giros.
- También hay algunos boletines de noticias interesantes : Jack AI, Import AI, Aprendizaje automático, Morning Paper, MIT Tech Review, Wild Week in AI.
Algunos errores a EVITAR :
- Por favor , no huyas de las Matemáticas .
- No abstraiga innecesariamente las cosas . Lo que quiero decir es que tal vez al final vaya a trabajar con API de alto nivel que simplemente aplicará su canalización pero si su proceso se rompe (lo cual es casi seguro que se generará) no sabrá cómo solucionarlo . Y esto, según los expertos, es uno de los mayores obstáculos para el flujo en el campo.
- No caigas en el vertedero de recursos . Hay un montón de recursos por ahí y no es práctico ni necesario cubrir todo. A menudo te encontrarás con algo que la gente a tu alrededor está haciendo o incluso con el que aterrizas orgánicamente, lo que podría hacer que desees saltar barcos. Recuerda, la hierba es siempre más verde en el otro lado.
- Ser persistente Naturalmente, te gustarán algunas partes de la carrera más que otras. Pero todos sabemos lo que sucede con una descarga cuando se detiene en incluso el 99%.
Nota personal: la IA como campo comenzó en la década de 1960, pasó por una fase de burbuja, un invierno después de eso y ahora otra vez. Es importante cómo lo ve, como una fiebre del oro, o como una herramienta habilitadora para resolver problemas. Al final, no importa si usted es débil en Matemáticas o chupa en la programación o carece de los antecedentes necesarios, si tiene claro su objetivo de por qué comenzó, triunfará.
Para dar una estimación, toda la saga no debería tomar más de 6 meses, hablando de manera conservadora, y si es lo suficientemente dedicado, es posible lograrlo en 3 meses. (¡Sí, eso es verdad!)
¡Buena suerte amigo!
