Hoja de ruta de Aprendizaje Automático Recomendaciones de la Comunidad 2023

Hoja de ruta Aprendizaje Automático Recomendaciones Comunidad 2023

Hoja de Ruta

En el último artículo, Parte 1 de esta hoja de ruta, discutimos brevemente las herramientas y direcciones iniciales para el aprendizaje automático. Discutimos un plan simple que ayudaría a los principiantes a establecer una base sólida. Después de hablar sobre esto, al final del artículo, dije que estaba realizando algunas encuestas en LinkedIn para averiguar qué sugerencias tenía la comunidad para los recién llegados.

Por ejemplo, he preguntado a los grupos de aprendizaje automático en LinkedIn sobre dónde debería comenzar un entusiasta, el mejor recurso para la teoría del aprendizaje automático, álgebra lineal, estadísticas, etc., y el mejor punto de partida para un entusiasta. Después de tomarme el tiempo para consolidar todos estos resultados, finalmente los presento a través de este artículo. Así que sumerjámonos en el artículo sin perder más tiempo.

¿Cómo empezar el viaje?

En la última hoja de ruta, sugerí que las personas empezaran con la programación Python y aprendieran matemáticas a medida que avanzaran (si ya conocían matemáticas básicas). Pero también quería saber qué pensaban que sería un buen lugar para empezar. Les pregunté sobre cursos de aprendizaje automático en lugar de programación Python básica porque pensé que sería mejor.

• En busca de un método generalizable para la adaptación de dominio sin fuente
• Desbloqueando el éxito con el software de SCM todo lo que necesitas saber
• Codey La IA Generativa de Google para tareas de codificación

Les pregunté a los grupos dónde comenzó su viaje como mi primera pregunta. ¿Qué recurso siguieron? ¿En qué área se enfocaron? ¿Comenzaron con los fundamentos básicos como Matemáticas o se sumergieron directamente en el aprendizaje automático o el aprendizaje profundo? Ahora, después de adquirir experiencia e ideas, ¿qué recomiendan para las personas que quieren comenzar desde cero?

Antes de hablar más, veamos cómo resultaron las encuestas.

Cuando miras los resultados de la encuesta, puedes ver que la mayoría de las personas comenzaron tomando clases en línea o presenciales. Pensé que eso era normal y que la segunda encuesta sería igual. Pero cuando les pedí sus sugerencias, sugirieron comenzar haciendo proyectos.

También, aproximadamente la misma cantidad de personas dijo que las personas deberían comenzar con matemáticas. Después de ver esto, reflexioné sobre algunas razones y lo que dijo la comunidad. Aquí hay algunas razones por las que las personas podrían no recomendar comenzar con clases de ML, sino más bien con proyectos.

• Los proyectos brindan a los principiantes entrenamiento práctico y les ayudan a aprender de sus errores, y facilitan que las personas trabajen juntas, especialmente en sitios como Kaggle.
• Aunque los cursos aún dan un lugar claro para comenzar, la mayoría de los cursos se consideran demasiado vagos o académicos y deben actualizarse según las demandas actuales.
• Los estudiantes que no tienen antecedentes en matemáticas necesitan matemáticas bien organizadas y estadísticas básicas para entender qué está sucediendo detrás de escena.
• Las evaluaciones deberían incluir preguntas de opción múltiple y proyectos en vivo.

Además de estas, puede haber múltiples razones diferentes. Sin embargo, estos puntos contribuyen a la mayoría de las razones.

¿Dónde empezar a aprender Python?

Ahora volvamos a la hoja de ruta que dibujamos. En esa hoja de ruta, puedes ver la importancia horizontal de Python, Matemáticas y SQL. Comenzando con Python, examinaremos de cerca cada aspecto antes de pasar al siguiente nivel de conceptos.

Python es uno de los puntos de partida más recomendados para cualquier entusiasta del aprendizaje automático, ya que proporciona una amplia flexibilidad para experimentar. Con Python, puedes extraer datos, limpiarlos y preprocesarlos, entrenar un modelo con los datos limpios, implementarlo en una aplicación web y monitorear el estado de la aplicación implementada utilizando paneles personalizados. Puedes trabajar en un proyecto de principio a fin solo con Python y nada más.

Además de su flexibilidad, Python es uno de los lenguajes más sencillos de entender. Todo lo que necesitas recordar es el dos puntos (:) y las indentaciones, y luego estás listo para empezar.

Ahora que hemos discutido por qué Python es una buena recomendación, consideremos qué se recomienda como punto de partida.

La Especialización Python para Todos de la Universidad de Michigan es el punto de partida más recomendado para principiantes. Esta es una especialización de 5 cursos en Coursera que se puede comprar o auditar. Personalmente he tomado el curso de Django del Prof. Charles Severence, y no hace falta pensarlo dos veces sobre su estilo de enseñanza. Puedes encontrar más detalles sobre el curso aquí.

Junto con esto, la gente recomendó sus listas de reproducción favoritas de YouTube de diferentes canales, como CodeWithHarry, CodeBasics, Codanics, Corey Schafer, Telusko, etc. También se recomendaron fuentes como DataCamp, CS50 de la Universidad de Harvard y libros de Python publicados por Packt y otras editoriales.

¿Dónde aprender Matemáticas?

Las Matemáticas son una de las áreas más amplias para discutir. Nos enfocamos en tres aspectos: Álgebra Lineal, Cálculo y Estadística. Pregunté más sobre Álgebra Lineal y Estadística para el nivel principiante, ya que el cálculo a nivel de escuela secundaria (especialmente la regla de la cadena) es suficiente para la mayoría de las partes iniciales de tu viaje.

Álgebra Lineal

La mayoría de nuestro aprendizaje automático es una combinación de Álgebra Lineal y Estadística. La mayoría de lo que hacemos en ML es convertir datos de alta dimensionalidad en dimensiones inferiores interpretables. Utilizamos Álgebra Lineal para visualizar y manipular estos datos de alta dimensionalidad.

A continuación se presentan las recomendaciones de los entusiastas de ML,

Una de las principales recomendaciones para aprender Álgebra Lineal en profundidad es el curso MIT OCW, 18.06 Álgebra Lineal, impartido por el Prof. Gilbert Strang. Sin embargo, la profundidad del curso está fuera del alcance de las personas que recién comienzan su viaje en ML. Los resultados de la encuesta pueden reflejar que los cursos de Khan Academy o DeepLearning.ai son un mejor punto de partida para principiantes.

Junto con esto, una de las recomendaciones más comunes para Álgebra Lineal es la lista de reproducción del canal 3Blue1Brown. Por supuesto, si tienes menos tiempo, recomiendo seguir con 3Blue1Brown. Es uno de los recursos más recomendados para el álgebra lineal.

Probabilidad y Estadística

La Probabilidad y la Estadística son fundamentales para el aprendizaje automático y la carrera profesional de cualquier profesional de ML a largo plazo. Aunque las etapas iniciales no requieren un conocimiento profundo, a largo plazo, las personas comenzarán a enfrentarse al muro de la estadística (asumiendo que trabajarás en el campo técnico de ML en lugar de entrar en roles de gestión). Por lo tanto, obtener una base básica y comprender la visión estadística de cada modelo es una de las cosas clave a tener en cuenta a medida que avanzas en el campo.

Entonces, echemos un vistazo a lo que recomienda la comunidad,

Según las recomendaciones de la comunidad, un número igual de personas ha votado por StatQuest y el curso de Probabilidad y Estadística de DeepLearning.AI. Dado que ya hemos discutido la especialización de Coursera, veamos la lista de reproducción de StatQuest.

El punto más importante destacado de esta lista de reproducción es la simplicidad con la que Josh Starmer enseña. Divide los temas en pequeñas partes y los explica de manera simplificada. Esto hace que tu aprendizaje sea más modular y conveniente.

Para obtener más información sobre por qué las personas recomiendan Statquest, puedes ver la siguiente discusión de Reddit. Aquí tienes un pequeño fragmento de la conversación:

Lenguaje de Consulta Estructurado (SQL)

SQL es uno de los temas controvertidos para un científico de datos. Dependiendo del lugar y dominio en el que trabajes, puedes usar SQL completamente o incluso no tocar SQL durante meses. Para profundizar más, si trabajas en un equipo más enfocado en muestras de tipo Imagen, Video o Habla, rara vez usarás SQL; sin embargo, en algunas áreas de sistemas de recomendación y otras aplicaciones, es posible que debas trabajar con SQL. Por lo tanto, depende de la aplicación. (Recuerda que esta guía se centra más en el aprendizaje automático que en la ciencia de datos o la ingeniería de datos. Por lo tanto, esta discusión será breve).

Sin embargo, en las entrevistas, definitivamente se hablará de SQL. Por lo tanto, es mejor tener una idea básica al respecto. Aquí están las recomendaciones que da la comunidad:

Las recomendaciones son bastante directas, con la mayoría de las personas recomendando el curso SQL for Data Science en Coursera y una minoría aconsejando a las personas que comiencen con DataCamp en los comentarios. No he probado el curso, ya que trabajé con DataCamp para aprender SQL, por lo que no puedo dar una opinión precisa sobre el curso o las recomendaciones. Si quieres saber más sobre mis recomendaciones, puedes encontrarlas en la parte 1 de esta guía.

Por último… Aprendizaje Automático.

No creo que necesites una introducción a esta sección, ya que probablemente hiciste clic en este artículo para obtener la guía de aprendizaje automático. Por lo tanto, veamos las recomendaciones para comenzar el viaje de aprendizaje automático.

No hay necesidad de confusión aquí. Cualquiera que quiera comenzar con el aprendizaje automático y no quiera seguir el camino altamente teórico con todas las matemáticas y estadísticas complejas puede comenzar directamente con la especialización de Aprendizaje Automático en Coursera impartida por el Prof. Andrew Ng. Este es uno de los mejores puntos de partida; cualquiera puede explicar por qué es el mejor.

Más adelante en el viaje, si deseas una introducción más teórica, el Prof. Andrew Ng tiene una lista de reproducción de CS229 en YouTube. Por lo tanto, no necesitas buscar en otros lugares. Para obtener más información, puedes consultar los diversos recursos disponibles o, una vez más, consultar la parte 1 de esta serie.

Bonus: ¿Trabajo o Estudios de Posgrado en Aprendizaje Automático?

Como estudiante recién graduado, tuve dificultades para tomar esta decisión. Estaba completamente confundido acerca de qué elegir, un máster en Aprendizaje Automático o Ciencia de Datos o conseguir un trabajo y aprender cosas prácticamente. Y, en realidad, esta es la confusión de muchos estudiantes que eligen trabajar en Aprendizaje Automático. Por lo tanto, pensé que esta también sería una de las preguntas que necesitan más de una sugerencia. (Y la respuesta a esta encuesta fue masiva. Casi 500 profesionales trabajadores votaron al final de la encuesta). Entonces, ¿qué recomendaron finalmente los profesionales?

A partir de esto, se puede ver que se recomienda a las personas trabajar más que seguir estudios superiores. Sin embargo, también hay un inconveniente. Conseguir un trabajo después de una licenciatura es muy difícil, especialmente porque las personas con una maestría también se postularán para el mismo puesto. (Fui rechazado por la misma razón en algunas de mis entrevistas el año pasado). Por otro lado, una persona que ingresa al ámbito profesional después de una maestría necesita más tiempo para adaptarse al entorno de producción, ya que estará acostumbrado a un entorno más académico. Por lo tanto, la decisión debe tomarse después de mucha consideración y evaluación de lo que es mejor para ti.

Con esto, he cubierto todas las áreas del plan de trabajo. Me llevó tres semanas realizar estas encuestas y consolidar los resultados de múltiples encuestas. Si encuentras este artículo valioso, regístrate para recibir notificaciones cuando aparezcan más artículos interesantes en la web.

Mientras tanto, he comenzado a realizar la especialización en NLP y a trabajar en proyectos interesantes. Basado en mi aprendizaje, planeo crear una serie de artículos sobre NLP (¡Ya está hecho!). ¡No olvides registrarte en el sitio para recibirlos directamente en el buzón de correo!

Para conocer las últimas novedades de mi viaje en ML y ciencia de datos, no olvides suscribirte y seguirme en LinkedIn e Instagram. ¡Gracias por leer hasta el final. ¡Eres increíble! ✌️

We will continue to update Zepes; if you have any questions or suggestions, please contact us!