He realizado el curso básico de aprendizaje automático del profesor Andrew Ng en Coursera. Soy un estudiante de último año de ingeniería eléctrica. Quiero hacer mi carrera en aprendizaje automático. ¿Qué debo estudiar a continuación o cómo debo seguir con mi plan de carrera?

Aquí hay un plan si prefiere una carrera en ingeniería:

Como se encuentra en el último año, creo que es posible que desee centrarse en trabajar para obtener un buen trabajo de ingeniería de software, tratando de encontrar un puesto de trabajo relacionado con Machine Learning (ML). Esos puestos de trabajo se encuentran en una amplia gama de áreas: optimización de anuncios, clasificación de motores de búsqueda, personalización y recomendaciones de productos, ingeniería analítica.

Aprender del trabajo real es quizás la forma más efectiva. Aprender la teoría y los algoritmos de ML es importante, pero es solo una pequeña parte de la ingeniería de ML en la práctica. Para tener éxito, también necesitará adquirir buenas habilidades generales de programación e ingeniería de software. La mejor manera de aprenderlos es en un trabajo real.

http://mlthirst.wordpress.com le dará alguna idea sobre algunos de los elementos esenciales para el aprendizaje automático.

Algunos de los buenos recursos de libros para sumergirse justo después del curso de Andrew Ng son el reconocimiento de patrones y el aprendizaje automático de Bishop [Reconocimiento de patrones y aprendizaje automático (ciencia de la información y estadísticas): Christopher M. Bishop: 9780387310732: Amazon.com: libros] . Más matemáticamente, pero una buena lectura es Clasificación de patrones de Duda y Hart [Clasificación de patrones (2ª edición): Richard O. Duda, Peter E. Hart, David G. Stork: 9780471056690: Amazon.com: Libros].

Un recurso muy práctico para explorar el aprendizaje automático en su máxima expresión es Programming Collective intelligence de Segaran [Programming Collective Intelligence: Building Smart Web 2.0 Applications: Toby Segaran: 9780596529321: Amazon.com: Books].

Además, el reciente aumento en Big Data ha colocado el aprendizaje automático a gran escala en un cruce importante. Apache mahout http://mahout.apache.org/ , y Pentaho http://www.pentaho.com/&nbsp ; puede ser explorado a este respecto.

Pero, sobre todo, los fundamentos del aprendizaje automático se encuentran en las estadísticas, la optimización y el álgebra lineal. Y, por lo tanto, uno debe ser experto en esto para explorar el aprendizaje automático hasta el límite en un tiempo rápido y con un concepto sólido. En mi humilde opinión, las escuelas de verano de Machine Learning son un buen lugar para conocer el estado actual del arte y obtener una amplitud de ML teórica y aplicada en un tiempo rápido, pero una persona puede extraer lo mejor de ella solo después de tener una buena base inicial de ML, Optimización y estocástico.

Si desea investigar, debe obtener un doctorado de una buena escuela en ML, como Stanford, MIT, CMU, UIUC, pero si desea trabajar en la industria, le sugiero que obtenga una maestría en análisis / datos ciencia que ahora puede obtener en persona o en línea de un número creciente de escuelas, incluidas Stanford y Northwestern; consulte http://www.kdnuggets.com/education/&nbsp ; y participar en algunas competiciones en Kaggle y KDD Cup

Hay muchas formas de orientar su carrera hacia el aprendizaje automático. Una ruta directa es obtener nanogrado de Udacity y comenzar a buscar trabajo.

Como eres de un entorno eléctrico, te recomiendo que vayas a desarrollar una red inteligente. En India, hay muy pocas personas que puedan usar sus conocimientos sobre IA / ML hacia el desarrollo de redes inteligentes. ML y Deep Learning se pueden usar para predecir la energía de energía renovable y los valores pronosticados pueden ayudar a regular la variación de carga automáticamente, lo que puede resultar en un manejo efectivo del voltaje y las fluctuaciones de carga. Si está interesado, puede completar su Maestría en ingeniería eléctrica (especializada en ML y red inteligente) y luego unirse como ingeniero de I + D en cualquiera de las empresas. ¡Espero que esto ayude!

¡Feliz aprendizaje!

Estoy respondiendo esta pregunta desde una perspectiva mucho más estrecha, a saber, ¿cuáles son algunos buenos libros / referencias más allá de la clase de ML de Andrew Ng sobre Cousera?

Este enlace -> brain of mat kelcey me parece extremadamente útil.

Descargo de responsabilidad: no he leído todos los libros enumerados allí (tal vez el 40%).

Es un buen curso, pero no obtendrá un trabajo como ingeniero de aprendizaje automático con esos antecedentes en el campo. Tome los cursos básicos de matemática, realice una maestría en aprendizaje automático (Carnegie Mellon es bueno) o encuentre una pasantía en la que pueda aprender prácticas de aprendizaje automático (como un laboratorio de aprendizaje automático o un departamento de I + D industrial). La ingeniería eléctrica debe ser una buena especialidad para postularse a esos programas y haberte brindado los antecedentes suficientes para comprender tus cursos en una maestría. Los puestos de ingeniero de aprendizaje automático generalmente requieren una maestría o doctorado en ese campo o uno relacionado con experiencia en el diseño de nuevos algoritmos. Un curso Coursera apenas rasca la superficie de lo que se espera que haga en ese tipo de posición.

Estás mirando esto desde una perspectiva incorrecta. No solo haces una carrera directa en un nicho (que se está volviendo BTW convencional).

Por lo general, hay dos formas de abordar AI / ML (o como me gusta llamarlo MalAI )

• Convertirse en un investigador o aficionado / emprendedor que hace y / o prueba diferentes enfoques para diferentes aplicaciones (Académico / Industrial / Trivial).
• Trabajando en una empresa / producto para darles una ventaja usando herramientas / marcos asistidos por MalAI en sus productos / servicios. Esto es más de una clavija cuadrada con un enfoque de agujero cuadrado. Aquí no hay mucha experimentación (excepciones …), pero el objetivo es seguir adelante en lugar de comenzar desde cero para obtener resultados tangibles. Podría haber ahorros en los costos, proporcionando nuevas funciones a los usuarios o aumentando la productividad de los empleados / clientes en general.

Entonces, dependiendo de lo que elija, su plan se modifica. Siempre puedes balancear en ambos sentidos o tener los dos pies en ellos también.

Recomendaré comenzar a aplicar lo que sea que sepa, que lo ayude a revisar y comprender mejor su concepto, intente las preguntas de kaggle y vea algunos conjuntos de datos abiertos e intente ajustar modelos en él, sus modelos fallarán y se sentirá frustrado, pero nada mejor que mejorarlo. precisión de los modelos, eso es la verdadera felicidad.

Sugeriría seguir este enlace que puede aprender en 90 días.

Los mejores recursos sobre DL:

Una guía completa sobre cómo comenzar con el aprendizaje profundo

Los 13 mejores videos, tutoriales y cursos de aprendizaje profundo en Youtube

7 mejores cursos en línea para aprender aprendizaje profundo

Los mejores recursos sobre AL:

6 sencillos pasos para comenzar a aprender inteligencia artificial

Los 10 mejores videos, profesores y cursos sobre aprendizaje automático para principiantes y avanzados

15 algoritmos que los ingenieros de aprendizaje automático deben saber

10 libros electrónicos gratuitos que debes leer sobre conceptos básicos de aprendizaje automático

Los 10 mejores cursos de inteligencia artificial y aprendizaje automático