人工智能学习的准备阶段

首先不是随便什么人都能成为人工智能届的大牛的,我对普通程序员的定义是:拥有大学本科知识;平时事情较忙;自己能获取的数据有限。
以是本文的目的是给出一个大略的,平滑的,易于实现的学习方法,帮助“普通”程序员踏入AI领域这个门。

☞ 准备分为4个阶段

AI,也便是人工智能,并不仅仅包括机器学习。
曾经,符号与逻辑被认为是人工智能实现的关键,而如今则是基于统计的机器学习霸占了主导地位。
最近火热的深度学习正是机器学习中的一个子项。
目前可以说,学习AI紧张的是学习机器学习。
但是,人工智能并不等同于机器学习,这点在进入这个领域时一定要认识清楚。

通俗轨范员想要成为人工智能大年夜牛需要经历以下几个阶段

关于AI领域的发展历史先容推举看周志华老师写的《机器学习简介》。
下面一个问题是:AI的门好跨么?实在很不好跨。

如果你离校过久,或者以为根本不牢,最好事先做一下准备复习事情。
“工欲善其事,必先利其器”。
以下的准备事情不多,但足以搪塞后面阶段的学习。

数学:复习以下基本知识。
线性代数:矩阵乘法;高数:求导;概率论:条件与后验概率。
其他的一些知识可以在后面的学习的过程中按需再补;英文:常备一个在线英文词典,例如爱词霸,能够不吃力的看一些英文的资料网页;翻墙:可以随时随地上Google,这是一个很主要的工具。
不是说百度查的不能看,而是很多情形下Google搜出来的资料比百度搜的几十页的资料还管用,尤其是在查英文关键字时。
节省韶光可是很主要的学习效率提升。

学习人工智能的七个阶段

在学习的过程中,找到适宜自己的学习方法是关键。

学习方法的设定大略说便是回答以下几个问题:我要学的是什么?我若何学习?我如何去学习?这三个问题概括说便是:学习目标,学习方针与学习操持。

学习目标比较清楚,便是踏入AI领域这个门。
这个目标不大,因此实现起来也较为随意马虎。
学习方针可以总结为 “兴趣为先,践学结合”。
大略说便是先培养兴趣,然落后修中把实践穿插进来,螺旋式提高。
这种办法学习效果好,而且不随意马虎让人放弃。
有了学习方针往后,就可以制订学习操持,也称为学习路线。

制订科学的学习路线

我推举的学习路线如下图:

首先理解这个领域,建立起全面的视野,培养起充足的兴趣,然后开始学习机器学习的根本,选择一门由浅入深的课程来学习,课程最好有足够的实验能够进行实战。

根本打下后,对机器学习已经有了充足的理解,可以用机器学习来办理一个实际的问题。
这时还是可以把机器学习方法当作一个黑盒子来处理的。
实战履历积累往后,可以考虑连续进行学习。

这时候有两个选择,深度学习或者连续机器学习。
深度学习是目前最火热的机器学习方向,个中一些方法已经跟传统的机器学习不太一样,因此可以单独学习。
除了深度学习以外,机器学习还包括统计学习,集成学习等实用方法。

如果条件足够,可以同时学习两者,一些规律对两者是共通的。
学习完后,你已经具备了较强的知识储备,可以进入较难的实战。
这时候有两个选择,工业界的可以选择看开源项目,以改代码为目的来读代码;学术界的可以看特定领域的论文,为办理问题而想发论文。
无论哪者,都须要知识过硬,以及较强的编码能力,因此很能稽核和磨炼水平。
经由这个阶段往后,可以说是踏入AI领域的门了。

下面我来对重点环节,进行展开:

☞机器学习

机器学习的第一门课程首推Andrew Ng的机器学习 。
这门课程有以下特点:难度适中,同时有足够的实战例子,非常适宜第一次学习的人。

传统的机器学习有如下特点,知识系统化,有相对经典的书。
个中统计学习(代表SVM)与集成学习(代表adaboost)是在实践中利用非常多的技能。
下面是干系资源:

推举,机器学习:如果是在以前,机器学习方面的经典教材首推PRML,但现在周老师的书出来往后,就不再是这样了。
首先推举读周老师的书。
这本书有一个特点,那便是再难的道理也能用浅近精髓精辟的措辞表达出来。
正如周老师的名言:“表示你水平的地方是把难的东西讲随意马虎了,而不是把随意马虎的东西讲难,想把一个东西讲难实在太大略”;不推举,Pattern Recognition And Machine Learning:当前阶段不推举。
PRML因此贝叶斯的不雅观点看待很多机器学习方法,这也是它的一大特色。
但对付初学者来说,这种不雅观点实在并无必要。
而且此书没有中文翻译,当前阶段硬啃很随意马虎放弃。

☞实践做项目

学习完了根本课程,你对机器学习就有了初步理解。
现在利用它们是没有问题的,你可以把机器学习算法当作黑盒子,放进去数据,就会有结果。
在实战中你更须要去关心如何获取数据,以及怎么调参等。

如果有韶光,自己动手做一个大略的实践项目是最好的。
这里须要选择一个运用方向,是图像(打算机视觉),音频(语音识别),还是文本(自然措辞处理)。
这里推举选择图像领域,这里面的开源项目较多,入门也较大略,可以利用OpenCV做开拓,里面已经实现好了神经网络,SVM等机器学习算法。
项目做好后,可以开源到到 Github上面,然后不断完善它。
实战项目做完后,你可以连续进一步深入学习,这时候有两个选择,深度学习和连续机器学习。

☞会议论文

一样平常较好的课程都会推举你一些论文。
一些著名的技能与方法每每出身于一些主要的会议。
因此,看往年的会议论文是深入学习的方法。

在这个阶段,如果是在校学生,可以选择某个课题,以发论文为目的来学习研究。
一样平常来说,论文是事情的产物。
有时候一篇基于实验的论文每每须要你写很多代码,利用一些开源项目。
因此开源项目的学习与读会议论文的事情两者之间是有干系的。
两者可以同时进行学习。
关于在哪里看论文,可以看一下CCF推举排名,理解一下这个领域里有哪些精良的会议。
下面先容两个图像与机器学习领域的著名顶级会议:

CVPR:与另两个会议ICCV和ECCV合称打算机视觉领域的三大会。
Conference on Neural Information Processing Systems:简称NIPS,许多主要的事情揭橥在这上面,例如关于CNN的一篇主要论文便是揭橥在上面。

末了,希望此文能够帮助对AI领域理解不深,但又想进入的同学踏入这个门。
这里只说踏入,是由于这个领域的专精实在非常困难,须要数年的积累与努力。

在进行领域学习前,充分认识自己的特点,制订得当的学习方法是十分主要的。
首先得对这个领域进行充分理解,培养兴趣。
在学习时,保持着循规蹈矩的学习方针,不要年夜进的学习过难资源;结合着学习与实践相辅的策略,不要只读只看,实际动手才有造诣感。

学习某个资源时要有充分的目的,不是为了学开源项目而看代码,而是为了写开源项目而看;不是为了发论文而写论文,而是为了干工作而写论文。
如果一个学习资源对你过难,并不代表一定是你的问题,可能是学习资源的演讲或撰写人的问题。

觉得有用的朋友,点个关注,给个收藏,便是对我坚持更新,最好的支持