人工智慧入行三個要點:英語、理論、工程。
經典教材全部為英語1)翻譯總是不通順,不如原著容易理解
2)lost in translation
最重要的科研成果全部英文
1)翻譯永遠趕不上新知識產生的速度
2)有能力創新的ai人才也都會用英語發表自己的成果
社群都是英語環境
1)github
2)stackoverflow
人工智慧領軍企業的工作環境裡不開英文
線性代數(推薦 the matrix cookbook)
1)理解非線性系統的主要方式依然是通過區域性線性化
2)machine learning 演算法涉及大量的矩陣運算
概率論(初級線性代數和入門概率論應該足夠了)
1)統計機器學習基礎是概率論
2)理解複雜非線性系統的統計特性對於分析deep learning演算法至關重要
計算機演算法(推薦:the art of computer programming)
1)ai不僅僅只有deep learning
大規模資料的預處理,抽取,etc.
嵌入式系統,資源頻寬受限
2)演算法優化
訓練3天完成vs10天完成vs30天完成直接影響科研或產品投放
gpu是否跑滿,io是否是瓶頸
3)數值計算概念
收斂性,收斂速度
機器學習理論(經典bible:pattern recognition and machine learning)
1)雖然deep learning一統江湖,但是經典機器學習理論還是要知道個大概。
linear regression/classification(svm, lasso, kernel, etc)
clustering(k-means, etc)
dimensionality reduction(pca, etc)
probabilitic modeling(mixture model, em)
adaboost,etc
2)經典機器學習得到的insight在deep learning裡一再出現
restricted boltzman machine
denoising nn
機器學習理論可深可淺
1)實用不需要太深的理**底
2)理**底在科研中不可缺少
intuition比理論推導重要,但是好的intuition**於紮實的理**底。
動手很重要
1)dnn的理論框架基本確定(除非量子計算機量產,否則短期變化不大)
2)tensorflow問世,從此不用再求導數
3)模型design需要大量的實驗驗證
4)google作為大公司,堅持一切核心系統全部自主研發,擁有完善的code review 系統。
如何學習人工智慧
從基礎的資料分析 線性代數及矩陣等等入門,只有打好了基礎,後面才好學,不能沒有邏輯的看一塊學一塊。python具有豐富和強大的庫,能夠把用其他語言製作的各種模組 尤其是c c 很輕鬆地聯結在一起。比如3d遊戲中的圖形渲染模組,效能要求特別高,就可以用c c 重寫,而後封裝為python可以呼叫的擴充...
如何學習人工智慧?
1.人工智慧,涉及的範圍廣。當我們在網上搜尋資料學習時很容易走彎路,陷入漩渦迷失自己。所以第一步要確立學習路徑。2.認真學習。勤加練習,多做筆記,與人分享學習成果和心得。學習的道路是枯燥和漫長的,若不給自己找點樂子,又怎麼堅持的下去呢?3.和小夥伴溝通,一起做出一些案例,和專案。網上有些付費的課程其...
人工智慧系統
人工智慧系統 我做了乙個夢,夢中看到人如果想長生不老只要保留其思想和智慧型,並不要保留其肉體,或者是因為看了 怒火攻心2 高壓電 才做的夢,其實留下乙個大腦存在就算是永生嗎?見到仇人一定會生氣,僅此而已,那麼永生又有什麼意義?不過這不是夢的全部。在夢中我看到為了實現對農業自動噴淋系統,需要在水管入口...