Gracias por compartir xocas y por abrir el tema..
Yo no pase una época de búsqueda de información sobre los temas en cuestión. Mi problema fue encontrar una aplicación. No del punto de vista de la potencia de una PC, sino del punto de vista de la potencia de un microcontrolador y su aplicación.
Y me explico porque....
La mayoría de las aplicaciones que encuentro son por ejemplo sortear elementos por color, lo cual lo hace valido pero requiere tener hardware que no todos tienen (sensores de color) seran baratos pero no los poseo.
Si voy a un manejo de un video y reconocimiento de formas, tengo que irme a la potencia de una PC, es cierto que puedo hacerlo con un hardware dedicado, pero en que cabeza cabe hacer algo dedicado cuando una PC, que es facilmente reemplazable si falla, lo puede realizar tambien.
¿Entonces en que puntos de aplicacion yo me podria a pensar en usar una red neuronal/IA?
Lo que veo que le presentan utilidad es para sortear o diferenciar casos según los datos de los sensores. Datos que de otra forma serian un poco "complicado" de generar una separación simple.
----------------
Por supuesto que mis ganas de aprender no se quedan unicamente en lo necesario para el microcontrolador.
No requieres de una máquina muy potente cuando ya entrenaste los modelos. Un clasificador puede ser tan simple como y = m*x+b, por lo tanto lo único que requieres obtener las constantes m y b usando datos de entrenamiento.
Pero un caso práctico, el cual podrías pensar para el uso en un sistema embebido es la localización.
Imagina que quieres realizar un sistema que sea económico en cuanto al hardware para saber en todo momento donde se encuentra una persona mayor dentro de un edificio e incluso determinar que tipo de actividades está realizando. Recordemos que los GPS tienen bastantes limitaciones como para ser empleados en este tipo de casos y pues no le vas a montar una raspberry pi a una persona mayor para saber donde está.
Entonces se puede optar por alternativas como el uso del BLE. Para lo único que necesitarías un sistema potente sería para obtener el modelo y los parámetros del modelo para que el sistema pueda estimar la posición del individuo en base a la potencia que recibe cada uno de los, por así decirlo, sensores BLE colocados en el edificio. Hay muchas fuentes de interferencia, que de manera normal seríamos incapaces de modelar y suprimirlas todas por métodos convencionales, por lo que el Aprendizaje automático es de las mejores opciones.
Ahora imagina que tiene problemas de movilidad, y se quiere desplazar de un lugar del edificio a otro. Conociendo su posición actual, el mismo sistema podría calcular la mejor ruta para llegar al destino, aquí entra la parte de la Inteligencia Artificial.
También llevo algo de rato viendo también lo de la AI y Aprendizaje Automático. Las fuentes de cursos que inicialmente usé se encuentran en edx, cursera y Udacity, cuando todo era gratuito.
Mi experiencia con cursos en estas plataformas, en el lado del la AI y Aprendizaje Automático
EDX: Todo muy bien integrado, recientemente cambiaron sus políticas de acceso a los cursos, pero los cursos siguientes tiene una buena relación entre teoría y práctica, con excepción del primero, que es principalmente pura teoría. Son por así copias casi exactas de lo que las Instituciones ofrecen en sus cursos.
Learning From Data (Machine Learning)(CaltechX)
Artificial Intelligence (BerkeleyX)
Machine Learing for Data Science and Analytics (ColumbiaX)
Introducción a la visión por Computador: desarrollo de aplicaciones con OpenCV
Artificial Intelligence (ColumbiaX)
Machine Learning (ColumbiaX)
Coursera: Al igual que EDX hay un balance entre teoría y práctica, con excepción de Probabilistic Graphical Models y Game Theory
Machine Learning for Data Analysis
Paractical Machine Learing
Machine Learning
Introduction to Data Science
Probabilistic Graphical Models
Game Theory
Udacity: Va más a la parte práctica que teórica.
Intro to Artificial Intelligence
Artificial Intelligence for Robotics
Machine Learning: Supervised Learning
Deep Learning
Intro to Machine Learning
Natural Language Processing.
PD: Si no quieres obtener algún certificado, no hay necesidad de pagar para obtener acceso a los vídeos.
En otra plataformas lo que he visto es que van más por el uso de frameworks y librerías, más que tocar la parte teórica, por lo que pueden crear una idea falsa de su aplicabilidad. Igual no me imagino usando TensorFlow, numpy, sckilearn o pandas en un microcontrolador, pero si puedo pensar en implementar un control difuso, un clasificador o una red neuronal usando valores de los parámetros precalculados, pero que puedan ser actualizados.