人工智能…好吧，目前看來(lái)，這項(xiàng)尖端技術(shù)現(xiàn)在是最流行的，同時(shí)也是一項(xiàng)會(huì)對(duì)人類(lèi)產(chǎn)生決定性影響的技術(shù)。我們對(duì)人工智能的力量和它們?cè)趲缀跞魏涡袠I(yè)中的有效使用方式感到驚訝�，F(xiàn)在的機(jī)器人就像 100 年前的飛機(jī)。那么接下來(lái)會(huì)是什么?這個(gè)問(wèn)題引發(fā)了許多情緒，從極大的興趣、鼓勵(lì)、成為這一過(guò)程的組成部分的渴望，到最后的恐懼、困惑和無(wú)知。是什么阻止了你參與人工智能的發(fā)展，成為了一個(gè)被動(dòng)的旁觀者?

你可以想象，轉(zhuǎn)變成人工智能開(kāi)發(fā)者是一條漫長(zhǎng)而艱難的道路，但這并不意味著你不能完成這個(gè)目標(biāo)。我要對(duì)懷疑者說(shuō)一句話(huà)：即使你在編程、數(shù)學(xué)、工程方面沒(méi)有任何經(jīng)驗(yàn)，你也可以在家里從頭開(kāi)始學(xué)習(xí)人工智能，并開(kāi)始將你的知識(shí)應(yīng)用于實(shí)踐，創(chuàng)建簡(jiǎn)單的機(jī)器學(xué)習(xí)解決方案，這些將是你成為人工智能開(kāi)發(fā)者邁出的第一步。

幾年前，Kaggle 的用戶(hù)調(diào)查顯示，在人工智能這個(gè)領(lǐng)域工作的人中，只有 30% 的人在學(xué)校學(xué)習(xí)過(guò)機(jī)器學(xué)習(xí)或數(shù)據(jù)科學(xué)。相反，66% 的受訪者是自學(xué)的。超過(guò)一半的受訪者說(shuō)他們使用網(wǎng)絡(luò)課程學(xué)習(xí)新的學(xué)科。所以，這只意味著一件事：

停止做夢(mèng)，開(kāi)始行動(dòng)吧!

如果你決定這樣做，本文將成為你邁出第一步的絕佳輔助工具。在這里，我將展示我眼中成為人工智能開(kāi)發(fā)者的最有效的學(xué)習(xí)路徑。你知道，網(wǎng)上有很多資料可以選擇，但我試著幫助你區(qū)分什么才是真正重要的。

你準(zhǔn)備好了嗎?

Part I. 首先，獲得開(kāi)始學(xué)習(xí)人工智能所需的基本技能

 

 

人工智能是最復(fù)雜的研究之一，正確的學(xué)習(xí)策略尤為重要。我的意思是，你需要為學(xué)習(xí)做準(zhǔn)備，你要先掌握一些基本的技能。如果你已經(jīng)知道一些基本技能，那么你可以跳過(guò)這一階段。但在其他情況下，我建議至少花幾天或者一周時(shí)間來(lái)了解你需要學(xué)習(xí)領(lǐng)域的基礎(chǔ)知識(shí)。

同時(shí)，你不需要在每件事上都成為大師。你只需要花點(diǎn)時(shí)間去了解一些基本概念就好。如果你想更深入地學(xué)習(xí)，現(xiàn)在先不要著急。不管怎樣，它將有助于你在之后遇到問(wèn)題時(shí)更好地在谷歌上搜索答案。

#1 抽象思維

抽象思維對(duì)于變得更聰明和獲得解決問(wèn)題的能力來(lái)說(shuō)很重要。你擁有抽象思維嗎?如果沒(méi)有，是時(shí)候改變這種情況了。

獲得良好的解決問(wèn)題能力和邏輯推理能力是你現(xiàn)在的首要任務(wù)。機(jī)器學(xué)習(xí)是圍繞著尋找數(shù)據(jù)中的模式來(lái)進(jìn)行的。例如，與設(shè)計(jì)服務(wù)架構(gòu)和調(diào)試服務(wù)架構(gòu)相比，數(shù)據(jù)科學(xué)家花了更多的時(shí)間來(lái)生成假設(shè)、在數(shù)據(jù)陣列上準(zhǔn)備和執(zhí)行無(wú)休止的實(shí)驗(yàn)。

在專(zhuān)家的心目中，道路和谷歌地圖的交叉點(diǎn)、自動(dòng)取款機(jī)分析系統(tǒng)的時(shí)間序列中的的現(xiàn)金提取統(tǒng)計(jì)數(shù)據(jù)都會(huì)被轉(zhuǎn)換成圖表。沒(méi)有用抽象的形式表現(xiàn)普通事物的技巧是不行的。所以，說(shuō)到思考，我們需要優(yōu)先保證思考的深度，這是解決問(wèn)題的方法。

如何學(xué)會(huì)深度思考?對(duì)你所看到的一切事物進(jìn)行提問(wèn)。也許提高抽象思維能力的最好方法是提高你的精神耐力，開(kāi)始更多地思考事情。以下是一些有趣的視頻，或許可以幫到你：

• What is a Thought? How the Brain Creates New Ideas

• 4 Ways of Thinking About Abstract Objects

• Creative thinking—how to get out of the box and generate ideas

順便說(shuō)一下，提高你的數(shù)學(xué)技能也有幫助，因?yàn)閿?shù)學(xué)是一種抽象的思維方式。在統(tǒng)計(jì)數(shù)據(jù)中尋找模式也可以提高你在這方面的能力。所以，注意下一個(gè)技能。

#2 基本的數(shù)學(xué)素養(yǎng)

 

 

人工智能和機(jī)器學(xué)習(xí)這類(lèi)職業(yè)需要你具備基本的數(shù)學(xué)知識(shí)。這里的關(guān)鍵詞是「基本」。你需要閱讀或更新基礎(chǔ)理論，無(wú)需閱讀整個(gè)教程，只需關(guān)注關(guān)鍵概念：

數(shù)據(jù)分析用到的線性代數(shù)：標(biāo)量、向量、矩陣和張量

數(shù)學(xué)分析：導(dǎo)數(shù)和梯度

概率論基礎(chǔ)

為了快速學(xué)習(xí)線性代數(shù)和數(shù)學(xué)分析，我推薦以下課程：

Khan Academy 提供關(guān)于線性代數(shù)和數(shù)學(xué)分析的簡(jiǎn)短實(shí)踐課程。

麻省理工學(xué)院公開(kāi)課：這個(gè)軟件上有很好的 ML 數(shù)學(xué)學(xué)習(xí)課程。

Artificial Intelligence：「Machine Learning and Predictive Analytics」，帶你輕松走向人工智能的無(wú)限可能。

#3 如果你想研究機(jī)器人的話(huà)，就要學(xué)物理

 

 

對(duì)所有的工程領(lǐng)域來(lái)說(shuō)，對(duì)科學(xué)的扎實(shí)理解很重要。物理學(xué)特別有用，因?yàn)樗鼮闄C(jī)器人學(xué)提供了能量、電路、力學(xué)、材料科學(xué)和其他關(guān)鍵課題的基礎(chǔ)知識(shí)。然而，所有的科學(xué)都是有用的，因?yàn)樗鼈兘虝?huì)我們?nèi)绾螌��?shù)學(xué)應(yīng)用于實(shí)際問(wèn)題。

在哪里學(xué)物理?不要驚慌。這里有一個(gè)很棒的 YouTube 頻道，你可以在上面學(xué)習(xí)工程物理。享受你的學(xué)習(xí)吧!

#4 統(tǒng)計(jì)方法

 

 

統(tǒng)計(jì)方法是數(shù)學(xué)學(xué)習(xí)的重要基礎(chǔ)之一，它可以讓你更加深入了解機(jī)器學(xué)習(xí)算法的原理，用于分析數(shù)據(jù)和數(shù)據(jù)集的主要技術(shù)有：

平均值

標(biāo)準(zhǔn)偏差

回歸分析

樣本尺寸測(cè)定

假設(shè)檢驗(yàn)

Free statistical analysis courses on EdX

Key Types of Regressions: Which One to Use?

Statistical Methods for Machine Learning

#5 算法，從頭到尾!

 

 

注意!我們現(xiàn)在已經(jīng)進(jìn)入學(xué)習(xí)人工智能最基本的領(lǐng)域。用「必不可少」來(lái)形容算法遠(yuǎn)遠(yuǎn)不夠。如果你想成為人工智能領(lǐng)域的研究者，你必須成為算法方面的專(zhuān)家。你應(yīng)該在這方面有出色的問(wèn)題解決和分析技巧。所以不要回避前面的步驟，它將幫助你高效地完成給定的任務(wù)。

算法似乎太枯燥、復(fù)雜，難以掌握。在某種程度上，這是真的。然而，如果你真的、瘋狂地，深深地想成為一個(gè)人工智能專(zhuān)家，你必須更新你的知識(shí)，沒(méi)有其他的捷徑可走。你可以用我以前的一篇文章來(lái)簡(jiǎn)化這個(gè)任務(wù)——「Top 10 Machine Learning Algorithms for Data Science」——這里我用簡(jiǎn)單的語(yǔ)言解釋了十大最常見(jiàn)算法的核心原理。

但這還不夠，所以我建議你再往前走一步�？纯催@些有用的東西：

Steven S Skiena 的「The Algorithm Design Manual」

Daniil Korbut 的「Machine Learning Algorithms: Which One to Choose for Your Problem」

Daniel P.Clark 的「Visualizing Algorithms Before Implementation」

以上這些都是準(zhǔn)備工作。如果你已經(jīng)掌握了所有這些基本技能，你可以自信地開(kāi)始教機(jī)器學(xué)習(xí)啦。

Part II. 開(kāi)始學(xué)習(xí)最重要的部分——人工智能

 

 

就這樣，我們來(lái)到了最有趣的部分。有了學(xué)習(xí)人工智能所必需的知識(shí)基礎(chǔ)，你就可以容易地理解下面的要點(diǎn)，像嬰兒學(xué)走路一樣一步一步更接近你的夢(mèng)想。是的，沒(méi)錯(cuò)，這些只是蹣跚學(xué)步。請(qǐng)記住，這是不可能速成的。

#1 計(jì)算機(jī)科學(xué)、程序設(shè)計(jì)(關(guān)注 python)

 

 

人工智能開(kāi)發(fā)人員的工作的一個(gè)重要部分是處理基于計(jì)算機(jī)科學(xué)的應(yīng)用程序，包括編程語(yǔ)言，如 python 和編碼。所以，在這一步上要有耐心，讓自己對(duì)學(xué)習(xí)保持超群的關(guān)注和專(zhuān)注，因?yàn)槟阋獙W(xué)習(xí)很多東西。

為什么是 Python?根據(jù)所有的民意調(diào)查，Python 現(xiàn)在是人工智能和數(shù)據(jù)科學(xué)領(lǐng)域最流行的語(yǔ)言。此外，這個(gè)工具很容易學(xué)習(xí)和使用。它里面有很多庫(kù)可以調(diào)用，網(wǎng)上也可以找到大量的在線課程和資料。所以你可以選擇符合你喜好的學(xué)習(xí)方式。

初學(xué)者必學(xué)資源：

A Beginner's Guide to Python for Data Science——綜合指南，也適用于那些夢(mèng)想在人工智能領(lǐng)域工作的人。

Automate the Boring Stuff with Python——這本書(shū)證明了一個(gè)事實(shí)：編程的主要內(nèi)容不是語(yǔ)法知識(shí)，而是理解如何讓機(jī)器執(zhí)行你的指令。

How to Think Like a Computer Scientist——另一個(gè)很好的開(kāi)源書(shū)籍項(xiàng)目，指導(dǎo)你像專(zhuān)業(yè)人員一樣編程。

Learn Python the Hard Way—一本優(yōu)秀的手冊(cè)書(shū)，解釋了基礎(chǔ)知識(shí)和更復(fù)雜的應(yīng)用程序。

The Python Tutorial——官方文檔。

您還可以學(xué)習(xí)其他語(yǔ)言，如 C++/R/Java，但對(duì)我個(gè)人而言，Python 是 AI 和數(shù)據(jù)科學(xué)最合適的工具。想知道為什么嗎?閱讀我以前的文章，我在其中詳細(xì)解釋了關(guān)于這一點(diǎn)的所有內(nèi)容：Python vs R. Choosing the Best Tool for AI, ML & Data Science。

#2 學(xué)習(xí)人工智能本身

 

 

Francesco Corea 開(kāi)發(fā)的人工智能知識(shí)地圖

想象一下你是如何理解上面的計(jì)劃的，我會(huì)像 Andrew Ng 那樣說(shuō)「如果你不明白，請(qǐng)不要擔(dān)心」。只需要看到整個(gè)畫(huà)面，了解每個(gè)元素的位置。順便說(shuō)一句，Andrew 是人工智能領(lǐng)域最有影響力的人之一，你會(huì)經(jīng)�？吹竭@個(gè)名字的。他參與創(chuàng)建了在線機(jī)器學(xué)習(xí)網(wǎng)站 Coursera，現(xiàn)在是斯坦福大學(xué)的副教授。

好吧，我們回到主題，人工智能是一個(gè)廣泛的研究領(lǐng)域，包括許多理論、方法、技術(shù)和實(shí)踐，以及以下基本概念：

 

 

機(jī)器學(xué)習(xí)

器學(xué)習(xí)是實(shí)現(xiàn)人工智能的過(guò)程。這是計(jì)算機(jī)在沒(méi)有人為干預(yù)的情況下學(xué)習(xí)的能力。人工智能在沒(méi)有機(jī)器學(xué)習(xí)的情況下是可能的，但這將需要一百萬(wàn)行具有復(fù)雜規(guī)則和條件的代碼。換句話(huà)說(shuō)，機(jī)器學(xué)習(xí)不是為每個(gè)特定的任務(wù)寫(xiě)下詳細(xì)的指令，而是使用一種自己學(xué)習(xí)尋找解決方案的算法。

機(jī)器學(xué)習(xí)主要有四種類(lèi)型：有監(jiān)督、無(wú)監(jiān)督、半監(jiān)督和強(qiáng)化學(xué)習(xí)。在有監(jiān)督的機(jī)器學(xué)習(xí)中，該算法通過(guò)處理和分類(lèi)、標(biāo)記大量數(shù)據(jù)來(lái)學(xué)習(xí)如何識(shí)別數(shù)據(jù)。在無(wú)監(jiān)督的機(jī)器學(xué)習(xí)中，算法識(shí)別大量未標(biāo)記數(shù)據(jù)中的模式和類(lèi)別——通常比人腦更快。

學(xué)習(xí)什么?到哪里學(xué)?

• Beginner' Guide to Machine Learning with Python

• Intro to Machine Learning—free courses from Udacity

• How to Become a Machine Learning Engineer: 15 Steps

神經(jīng)網(wǎng)絡(luò)

 

 

迄今為止，人工智能發(fā)展最快的部分可能是神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)和人工智能的研究應(yīng)該從數(shù)學(xué)的兩個(gè)分支——線性代數(shù)和概率論開(kāi)始。這是人工智能不可動(dòng)搖的支柱。神經(jīng)網(wǎng)絡(luò)是一種機(jī)器學(xué)習(xí)，幫助智能機(jī)器在特定情況下找到正確的連接來(lái)糾正任務(wù)或做出預(yù)定的決定。

以下是一些很好的學(xué)習(xí)資料：

Neural Network in Python——這是一個(gè)很好的教程，你可以從一開(kāi)始就構(gòu)建一個(gè)簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)。里面有很多有用的插圖，你會(huì)了解梯度下降的原理。

How to build your own Neural Network from scratch in Python。

Implementing a Neural Network from Scratch in Python——一份簡(jiǎn)介。

Machine Learning for Beginners: An Introduction to Neural Networks——關(guān)于神經(jīng)網(wǎng)絡(luò)如何工作以及如何在 Python 中從頭開(kāi)始實(shí)現(xiàn)它的一個(gè)很好的簡(jiǎn)潔教程。

深度學(xué)習(xí)

深度學(xué)習(xí)試圖模擬新皮質(zhì)神經(jīng)元層的活動(dòng)。人工神經(jīng)網(wǎng)絡(luò)(ANNs)——一種已經(jīng)這樣做的算法。人工神經(jīng)網(wǎng)絡(luò)由相互作用的人工神經(jīng)元組成。它們是分層排列的——每一層都對(duì)某些符號(hào)做出反應(yīng)，例如，識(shí)別圖像時(shí)圖形的彎曲和邊界。學(xué)習(xí)被稱(chēng)為深度，因?yàn)橛写罅康膶哟巍?/p>

A practical guide to Deep Learning in 6 months

Efficient BackProp by Yann LeCun and others

認(rèn)知計(jì)算

人工智能使用認(rèn)知計(jì)算來(lái)模擬通常由人類(lèi)執(zhí)行的過(guò)程，解釋圖像和語(yǔ)言，然后可以根據(jù)反應(yīng)順序說(shuō)話(huà)和行動(dòng)。人工智能和機(jī)器學(xué)習(xí)中有很多方法是從自然界的生物得到的靈感。而且，雖然早期的人工智能專(zhuān)注于制造模擬人腦的機(jī)器的宏偉目標(biāo)，但認(rèn)知計(jì)算正朝著這個(gè)目標(biāo)努力。

認(rèn)知計(jì)算是一種建立在神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的基礎(chǔ)上，應(yīng)用認(rèn)知科學(xué)的知識(shí)來(lái)構(gòu)建模擬人類(lèi)思維過(guò)程的系統(tǒng)。然而，認(rèn)知計(jì)算并沒(méi)有專(zhuān)注于單一的技術(shù)，而是涵蓋了幾個(gè)學(xué)科，包括機(jī)器學(xué)習(xí)、自然語(yǔ)言處理、視覺(jué)和人機(jī)交互。

Cognitive Computing: A Brief Guide for Game Changers by Peter Fingar

計(jì)算機(jī)視覺(jué)

 

 

人工智能是基于圖像識(shí)別以及對(duì)圖像或視頻中發(fā)生的事情的深入研究。當(dāng)機(jī)器能夠處理、分析和理解圖像時(shí)，它們可以單獨(dú)解釋圖像，并就輸入的處理和使用提供自己的決策。

• Multiple View Geometry in Computer Vision

• Computer Vision: Models, Learning, and Inference

• Beginner' Guide to Computer Vision

人工智能的話(huà)題非常深刻，到目前為止我們只觸及了表面。現(xiàn)在是走向?qū)嵺`的時(shí)候了。

Part III. 練習(xí)技巧

 

 

好吧，如果你準(zhǔn)備開(kāi)始長(zhǎng)征，那么我祝賀你!現(xiàn)在你已經(jīng)具備了一定的知識(shí)基礎(chǔ)。對(duì)于我個(gè)人來(lái)說(shuō)，這個(gè)階段最有效的學(xué)習(xí)方案是兩種方式：參加 Kaggle 競(jìng)賽，選擇要處理的數(shù)據(jù)集并實(shí)踐這個(gè)過(guò)程。

參加 Kaggle 比賽

Kaggle 經(jīng)常舉辦數(shù)據(jù)分析競(jìng)賽。我建議先參加沒(méi)有獎(jiǎng)品的比賽，因?yàn)樗鼈兪亲钊菀椎�，�?duì)初學(xué)者更友好。隨著時(shí)間的推移，你可以轉(zhuǎn)向更復(fù)雜的任務(wù)。如果這種練習(xí)方法適合你，閱讀關(guān)于如何參加 Kaggle 比賽的指南——The Beginner's Guide to Kaggle。

數(shù)據(jù)集實(shí)踐：

• Practice Machine Learning with Small In-Memory Datasets

• Tour of Real-World Machine Learning Problems

• Work on Machine Learning Problems That Matter To You

• Top 10 Great Sites with Free Data Sets

適度的休息和一些自驅(qū)力

 

 

能已經(jīng)猜到了，你有很多東西要學(xué)。但是如果你有你的目標(biāo)，你真的對(duì)所有這些東西感興趣，你會(huì)很高興地走上這條艱難的學(xué)習(xí)道路。

現(xiàn)在，讓我們記住學(xué)習(xí)人工智能需要注意的所有要點(diǎn)：

準(zhǔn)備和獲取知識(shí)庫(kù)

學(xué)習(xí)人工智能的關(guān)鍵知識(shí)

練習(xí)技能

相信自己會(huì)是勝利者

最后，多一點(diǎn)動(dòng)力，因?yàn)閯?dòng)力永遠(yuǎn)不嫌多，對(duì)吧?

每個(gè)人在拳擊場(chǎng)上都有恐懼感。你很害怕。你的對(duì)手也很害怕。但是，真正的區(qū)別是有的人會(huì)向前走，有的人則會(huì)后退一步。

當(dāng)然，你的任務(wù)是選擇第一個(gè)選項(xiàng)——向前走吧。為此，戰(zhàn)勝你的恐懼，投入到對(duì)你有價(jià)值的事情上去。

恐懼可以成為做更多事情或者做得更好、不斷前進(jìn)、不斷改進(jìn)的不竭動(dòng)力。這樣做，恐懼就會(huì)變成你的朋友。

Via：https://towardsdatascience.com/how-to-get-started-as-a-developer-in-ai-9116a2326d5f

作者：skura

標(biāo)簽： 人工智能 機(jī)器學(xué)習(xí)

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請(qǐng)聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點(diǎn)！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請(qǐng)與原作者聯(lián)系。