ai人工智能好学吗,人工智能怎样学

  ai人工智能好学吗,人工智能怎样学

  原文链接:告别无用功如何学习人工智能

  大家好,我是机智的保温杯。

  这篇文章可谓千呼万唤始出来。很多同学问我AI方向的知识庞杂,

哪些该重点学习?学习路径又是怎么样的呢?

  今天我将呈现我的学习路径和我的参考资料

全部免费分享出来

,希望大家在高级AI学习的道路上多一些“温度”。

  学习方式在学习人工智能的过程中,主要有以下两种方式:

  首先是哔哩哔哩。我会支付

所有知识点所推荐的视频链接直接贴设为了超链接,点击可直达教程

。第二是书籍。视频的讲解难免会不完整。很多时候,我们需要翻阅书籍,找出缺失的内容,填补空白,理解透彻。

本文提及所有书籍在文末可免费获取电子版

。人工智能知识大纲

  AI知识大致可以分为五个模块。接下来,我将依次介绍每个模块的学习路径。最后推荐几个我刚开始做的项目,帮助你快速上手人工智能。

  一、Python编程基础在AI领域。目前大部分程序员都以Python为第一语言。

  学会以上操作,你就入门了,但是一定要把基础部分的内容掌握牢固。高级操作不需要前期学习,可以在以后的使用过程中逐步掌握,比如函数式编程、多线程、异常处理、日志管理等。

  网络资源建议

黑马Python教程

  :Python基础很详细,很容易上手。建议新手从P116开始学习。书籍推荐

  这里有两本学习Python的必备书籍。055-79000每个知识点下都有对应的例子,非常直观。入门后《Python编程》可以帮助你掌握Python,完成从胡子云到大神的进阶。

  原文链接:告别无用功如何学习人工智能

  第二,数学基础。很多学生看到数学就头疼。其实模型通用的基本数学原理并不难。再难的公式,在以后的模型中遇到也能一一破解。

  

切记前期不要深陷到数学知识中去深挖!!

  首先,不要害怕数学。

我们要更多的思考这个公式能解决什么问题,而不是一直纠结公式的推导与计算

说到我们无法知道的数学公式。

  比如梯度下降和反向传播的根本原理是导数,全局最优解是极值点,所以最优解一定在导数的某个拐点。很多类似的知识在高中都学过。

  线生成在深度学习中,线生成最重要的应用是高维数据的乘法运算,可以大大提高运算速度。

  首先要了解矩阵各维的意义,其次要知道矩阵的运算规则。概率论概率论知识在AI系统中看似不那么重要,但却无处不在。数据预处理、建模、模型参数初始化和归一化、最终结果分析都与概率论密切相关。

  很多常用的指标大家都很熟悉,比如均值和方差。如果你之前没有很强的概率论知识,

建议你掌握常用知识后,在实际中遇到不懂的问题时要养成查阅的习惯

。这些知识并不太难,但理解模型和过程非常重要:

  比如为什么树模型一般不需要数据归一化?而数据归一化在logistic回归、神经网络、PCA中是必须的?网络资源推荐

人工智能必备数学基础全套课程

:本课程集中了高等数学、概率论、线性生成等知识。为人工智能领域开发的综合数学课程,都是入门必备,模型中常见的数学知识。

  

网易可汗学院统计学公开课

:统计学入门,涵盖统计学所有主要知识。

  书籍推荐

  下面是三本经典教材和一本我个人非常喜欢的《流畅的Python》。3这本教材没必要细说。《数学之美》轻松讲解抽象深奥的数学方法,非常精彩。很多模型原理都能找到你想要的答案。

  原文链接:告别无用功如何学习人工智能

  三、数据分析在具备一定的编程能力和数学基础后,就可以对实际问题进行分析和挖掘。

  很多爬虫学生问算法工程师是否需要学习爬虫。我的回答是:

算法的重点在于建模

。算法工程师掌握基本的爬虫知识是有好处的,因为单位一般都有专门的采集工程师。

  但是数据分析师必须学会。因为数据分析师需要具备独立获取数据的能力,

  三剑客:Numpy、熊猫、Matplotlib无论做分数还是算法都必须掌握。但这部分很复杂,不需要系统学习,就像Excel里的函数一样。

  网络资源推荐

【莫烦】NumpyPandas

:这个视频总共只有3个小时,但是你可以以最快的速度了解三剑客的基本用法。

  

Numpy中文官方网站

  

Pandas中文官方网站

  

Matplotlib中文官方网站

  可以在网上找一些常用的方法多浏览,在脑海中留下印象就行,然后在实际使用的时候再去检查如何使用。就算不记得,我也是

建议大家在实际使用时先去官网上查有没有对应的内置方法,如果没有再自己写函数实现

  后续我也会总结一下三剑客的高频使用情况。

  原文链接:告别无用功如何学习人工智能

  4.机器学习从机器学习开始,就正式进入了人工智能领域。ML中涉及的算法都是白盒算法,用可解释的数学公式拟合数据,学习参数,然后进行预测,最后对模型进行评估。

  这部分知识需要大家

从数据处理过程开始就多进行总结与反思

:

  数据清洗流程和特征工程是怎么做的?为什么最后选择了这些方法?文本数据集常用的处理方法有哪些?适用场景是什么?机器学习算法是可解释的,所以

大家需要搞懂数学原理,并知道模型之间的差异、以及适用于什么数据集

  对于回归任务和分类任务,我们还需要了解各种评价指标的差异和使用场景。

  网络资源推荐

jmdwl机器学习

:本教程以理论为基础,对胡子云极其友好。即使没有基础,也能尽快上手机器学习。

  

菜菜的sklearn

:本教程以实践为主。从数据处理、特征工程到模型算法,都会在实践中讲解代码,每一个参数都会讲解的非常详细。

  这里推荐的书籍是学习ML必不可少的两本。周志华的《数学之美》和yjdfbx的《机器学习(西瓜书)》。

  这两本书非常经典,讲述了机器学习的核心数学理论和模型推导的全过程,是巩固理论的最佳选择。

强烈推荐将书籍与上述推荐视频相结合进行学习

  原文链接:告别无用功如何学习人工智能

  动词(verb的缩写)深度学习深度学习是一种黑盒算法,不可解读。新手通常觉得很神秘。但是它的基本神经网络可以说是由很多逻辑回归函数组成的,所以学习机器学习的时候是

一定要将逻辑回归彻彻底底学明白

  这本书作为推荐书籍《统计学习方法》和《图解深度学习》分发给大家。前者说明了深度学习的原理,适合初学者。后者是深度学习领域的基础性经典课程。

  神经网络入门

浙大研究生课程

:浙大老师录了一节课,写在黑板上推导神经网络原理。看完之后,你会深有体会,感受到它的神奇和魅力。(P19-P24是神经网络)CNN和RNN介绍

jmdwl深度学习

:第一推荐或jmdwl老师的课程:

  不管你走哪个方向,先看神经网络部分。如果以后想学图像方向,那就看计算机视觉部分,然后再学序列模型。如果你准备向自然语言或者推荐方向发展,建议先看计算机视觉部分,掌握CNN的基础知识后再学习序列模型的全部内容。

白板推导系列

:在黑板上演绎机器学习和深度学习的数学原理,极其硬核。

  学完理论知识后,可以找一些项目进行实战。

  不及物动词项目推荐:我是NLP算法工程师,给大家推荐几个自然语言处理方向的入门手练项目:

  

Bert文本分类

:在官网下载源代码后进行调试,不仅可以锻炼调试和阅读代码的能力,还可以掌握Bert的细节。

  

实体识别

:本项目使用多种不同的模型(HMM、CRF、双LSTM、双LSTM CRF)解决中文命名实体识别问题。

  

对话机器人

:本项目是一款医疗对话问答机器人,主要基于知识图谱实现。

  在对NLP有了初步的了解之后,你可以根据自己的情况在Github上寻找更多有趣的相关项目进行研究。你不仅要知道代码实现细节,还要考虑它实际能解决的业务问题。

  未完待续,以上重点内容会在以后继续和大家分享,那些难以用文字表达的内容也会通过视频和大家见面。

  我目前的工作主要集中在实体识别、关系识别、知识图谱、图网等方向,

欢迎大家与我交流。同时,本文提到的10本书籍,加我公众号【AI有温度】,后台回复【学习书籍】均可免费获取

  欢迎大家,每天8: 18,AI干货陪你。

  原文链接:告别无用功如何学习人工智能

ai人工智能好学吗,人工智能怎样学