¿Es una pérdida de tiempo estudiar aprendizaje automático y aprendizaje profundo si sé que soy estúpido y débil en matemáticas?

Personalmente defino estupidez como el estado de no hacer nada para mejorar.

O lo contrario, es que las personas llamadas talentosas , talentosas o brillantes son solo personas que se esfuerzan por mejorar, ya sea en el deporte, los estudios, las artes o cualquier otra cosa.

Además, supongo que hay algunas cosas a tener en cuenta para avanzar:

  • establecer objetivos simples: ¿quieres aprender piano? No establezca su objetivo de ” ser el próximo Mozart”; de lo contrario, dejará de hacerlo después de un mes. Para su objetivo preciso, comience con una introducción al aprendizaje automático.
  • trate de establecer metas personales: una buena cosa para motivarse es aprender materiales para lograr lo que desea. Intente escribir ideas sobre cómo podría aplicar los principios básicos del aprendizaje automático. Luego aprenderá de los dos proyectos que logró hacer y de los que no realizó (luego, ¿verá por qué? ¿Fue el proyecto más difícil de lo que pensó? ¿Qué necesita aprender para hacerlo?)
  • No te preocupes por el tiempo: cuando empezamos a aprender algo podemos ser realmente impacientes. Así que tratamos de ir lo más rápido posible, tratamos de ver cuál es el camino más rápido hacia nuestro objetivo. No lo hagas Una vez más, los pequeños pasos son el buen camino hacia el éxito.
  • La debilidad es un obstáculo que puedes superar: no me gustan las respuestas ingenuas como “nadie es débil en matemáticas”. Eso es absolutamente falso. No me considero débil (considerando el promedio), pero he visto personas increíblemente mejores en eso, más rápidas en comprensión y globalmente más inteligentes. Es verdad. Pero con trabajo y disciplina obtendrás el mismo conocimiento, la misma eficiencia, y eso es increíblemente gratificante. ¡Lucha por lo que quieres!

Finalmente mi mensaje es: trata de aprender tanto como puedas. Con el trabajo vendrá el conocimiento y el éxito gratificante. Aprende del fracaso, algo puede ser demasiado difícil a veces. Simplemente póngalo aparte y establezca un objetivo más fácil.

Nadie es estúpido o débil. Período.

Se necesita práctica como todo lo demás en el mundo.

Comience despacio. Un error que cometen los principiantes es sumergirse directamente en documentos que son muy abstractos y proporcionan información densa.

De hecho, saltar directamente al aprendizaje profundo sin repasar el álgebra lineal, el cálculo y la optimización es un factor adicional por el cual las personas se sienten intimidadas por las matemáticas involucradas en estas materias.

El aprendizaje profundo extrae una serie de conceptos del aprendizaje automático y, por lo tanto, es recomendable comprender primero los conceptos básicos del aprendizaje automático y luego pasar al aprendizaje profundo.

Por último, código código código! Codifique todo desde cero en lugar de usar bibliotecas que usen la abstracción al revés.

Comience con la codificación de la regresión lineal, luego codifique la regresión logística y así sucesivamente. Codifique todo esto en Python para que también se fortalezca en un lenguaje de programación. Tenga en cuenta que matlab, aunque es bueno para la creación de prototipos, no se usa directamente en la producción.

Codifique su propia propagación hacia atrás. Codifique estos pequeños bits para tener una idea de cómo funcionan estos módulos independientes.

No te sumerjas a toda costa directamente en hacer grandes proyectos. Trabaja en mini proyectos que puedes terminar en un par de horas o un día como máximo.

De ninguna manera. Hazlo.

Para empezar, creo firmemente que el aprendizaje automático ya no es el bailwick de solo doctorados en matemática matricial y cálculo diferencial.

Las herramientas para analizar datos, entrenar redes neuronales y encontrar cosas interesantes están disponibles para todos nosotros ahora. Los kits de herramientas como Tensorflow y Keras son bastante fáciles de configurar y tienen tutoriales increíblemente increíbles para que cualquiera pueda comenzar.

Si eres más una persona visual, prueba Azure Machine Learning Studio. Busque en la web los tutoriales de Azure Machine Learning l y pruébelos. Studio hace que la ciencia de datos y el aprendizaje automático sean prácticamente de arrastrar y soltar. Acabo de empezar a jugar con él, ya que, aunque soy de Microsoft, soy más un tipo de Tensorflow. Es realmente genial ver pistas que funcionan visualmente.

Por último, no soy un experto en matemáticas de ninguna manera. He estado interesado en ML por mucho tiempo. Me metí un poco en las clases de Udacity y Coursera antes de decidir realmente impulsar ML como solución a algunos problemas de seguridad en los que trabajo. Ahora, un año después, es básicamente el 100% de mi trabajo (aplicando ML a problemas de seguridad), y he conocido a un montón de personas realmente interesantes en el campo con las que colaboro.

Muy divertido. Hazlo 🙂

No es necesario que conozca las matemáticas detrás de esto, si sabe cómo funcionan los algoritmos a un alto nivel, cuándo y cómo usarlos, cuáles son los parámetros para ajustar y las estadísticas inferenciales descriptivas con las que puede comenzar.

A medida que trabajes más, desarrollarás interés por aprender más y más, muchos maestros de kaggle no saben mucho de matemática detrás de los algoritmos, pero logran buenos resultados. Los investigadores de la academia tampoco pueden lograr estos resultados.

La ciencia de datos (máquina y aprendizaje profundo) es un arte que aprenderá a elaborar durante un período de tiempo solo con experiencia.

Seguir aprendiendo .

Una persona le preguntó una vez a Stephen Hawking, ¿cuál es su coeficiente intelectual ?

Él respondió: “No tengo idea, las personas que se jactan de su coeficiente intelectual son perdedores”

Se trata de practicar. No pierdas tu tiempo sin hacerte caso, más bien comienza a trabajar duro.

Hay aprendices rápidos y luego hay estudiantes lentos. Soy un estudiante rápido, pero tiendo a olvidar las cosas muy rápido si no las reviso.

Al final, todos deben trabajar duro y practicar. Eres débil y estúpido porque nunca te tomaste la molestia de trabajar duro y pasar por el mismo problema dos veces si fallaste una vez.

No. Estudiar algo que amas y que te interesa nunca es una pérdida de tiempo. Sí, el aprendizaje automático y el aprendizaje profundo son matemáticos pesados, pero puedes aprender cómo aplicar los métodos en la práctica sin tener que entender todo lo que sucede detrás de escena.