machine learning
чтобы обучаться, логично особых мощностей не требуется но есть нюанс.
90% работы - это работа с данными, оставшиеся - выбор тулчейна и настройка окружения... Когда занимаешься решением реальных проблем, то собственно создание ИИ это вопрос исследования и борьба с жабой (та что деньги не дает тратить зря), так как реальные задачи почему то не хотят решаться с использованием 'однослойного перцептрона из 10 нейронов', почему то хотят многомегабайтовые сети и гигабайты обучающих данных.
И вот тут всплывает наверх то что на процессоре искать ответ сложно (читай невозможно), а у работы с видеокартами куча ньюансов и ограниченный выбор фреймворков (например железо от nvidia чаще поддерживают).
Если с небольшим объемом данных можно обойтись любым инструментом, каким бы он неэффективным не был, пусть даже в экселе что то ковыряешь, то с большими данными приходится ломать голову и искать способы оптимизации хранения и обработки данных.
Т.е. знания в machine learning это вот эта борьба, а не умение использовать фреймворк и загружать туда картинки.
p.s. выбирайте ноутбук не по его производительности, а по удобству использования. К примеру если нужно его часто таскать с собой в рюкзаке - берите максимально легкий, даже если это будет планшетник переросток (была у меня модель digma cite e200 с 4гб ram, жутко удобная вещь, хоть и слабая, покупалась за 14т.р. жаль сейчс такие не делают), тяжелые же задачи запускайте на сервере, по сети, арендованном или стоящем у вас дома.
Если вам ноутбук нужен чтобы стоял на столе и не двигался - то не покупайте его, лучше возьмите стационарник
Простой
