Un desglose completo de cómo se puede aprender el aprendizaje automático este año de manera efectiva
Trabajo como científico de datos desde hace más de dos años. Con el tiempo, aprendí y estudié principalmente aprendizaje automático (ML). Para mí, es probablemente la parte más fascinante del trabajo.
El aprendizaje automático es un GRANDE espacio, hay mucho que aprender y comprender. Sin embargo, hacerlo paso a paso hace que todo el proceso sea menos abrumador y mucho más fácil de manejar.
En este artículo, quiero repasar los pasos que seguiría si tuviera que aprender ML desde cero nuevamente. ¡Entremos en ello!
El aprendizaje automático gira en torno a algoritmos, que son esencialmente una serie de operaciones matemáticas. Estos algoritmos se pueden implementar mediante varios métodos y en numerosos lenguajes de programación, pero sus principios matemáticos subyacentes son los mismos.
Un argumento frecuente es que no es necesario saber matemáticas para el aprendizaje automático porque la mayoría de las bibliotecas y paquetes modernos abstraen la teoría detrás de los algoritmos.
Sin embargo, yo diría que si quieres convertirte en un ingeniero de aprendizaje automático o científico de datos de alto nivel, necesitas conocer al menos los conceptos básicos de álgebra lineal, cálculo y estadística.
Por supuesto, hay más matemáticas que aprender, pero es mejor empezar con lo básico y siempre podrás enriquecer tus conocimientos más adelante.
No es necesario que comprenda todos estos conceptos a un nivel de maestría, pero debería poder responder preguntas como qué es una derivada, cómo multiplicar matrices y qué es la estimación de máxima verosimilitud.
Esa lista que acabo de escribir es la base de casi todos los algoritmos de aprendizaje automático, por lo que tener esta base sólida lo preparará para el éxito a largo plazo.
Algunas de las cosas clave que te recomiendo que aprendas son:
- Cálculo multivariable
- Matrices y sus operaciones.
- Vectores propios y valores propios
- Distribuciones de probabilidad
- Incertidumbre estadística (intervalos de confianza, intervalos de predicción, etc.)