精华内容
下载资源
问答
  • 人工智能入门
    2021-12-17 10:37:44

    行业认知

    AlphaGo >> AlphaGo Master > > AlphaGo Zero,人工智能在不停的进步。2017是人工智能元年。2030年抢占人工智能制高点。要注意人工智能和机器人不可以划等号。机器人是多种人工智能技术的结合。

    • 图像:人脸支付、票据识别、色情识别
    • 语音:会议记录、实时字幕、语音笔记
    • 视频:AI测温仪、任务识别、细粒度识别
    • NLP:舆情监测、情感分析、新闻摘要
    • 推荐:抖音、今日头条、电商产品推荐

    1956年提出人工智能,弱人工智能 >> 2040强人工智能 >> 2060超人工智能。驱动人工智能的发展条件是云计算大数据和人工智能的算法。

    • 云计算,Cloud computing,超大规模分布式计算能力,为大数据提供了硬件基础。
    • 大数据,Big data,海量数据为人工智能的学习和发展提供了软件基础。
    • AI算法,Algorithm,人工智能进步的最重要条件,极大提高了人工智能的实验结果。

    有了算法,需要数据来优化算法,有了数据需要巨大的处理能力。

    人工智能影响劳动密集型产业,就是那种简单且重复性高的,规律性强,以及那些对人体危害大的。然后人工智能的大规模商务应用也是一个发展趋势。(打不过就加入呗 doge)

    Python概述

    python的祖师爷是Gudio van Rossum,俗称“龟叔”。python 是一个免费、开源、跨平台、动态、面向对象的语言。

    • 简单高效:容易上手,开发效率相对较高。
    • 适应性广:Python语言适合各行各业。
    • 应用广泛:软件开发的各种领域都可以使用。
    • 资源丰富:很多来自社区的成熟的包。

    python虽然没有2017年的那种火爆,但是人才缺口依然非常的巨大。

    • Web服务端开发:相较于java,前后端使用同一个技术栈稳定性可能会更好。
    • 爬虫:模仿人去访问网站。因为政策原因,不再作为主要的岗位。
    • 自动化测试、自动化运维:上岗即是顶级岗位。虽然看起来薪资挺高,但是发展空间小。
    • 数据分析,机器学习:发展空间大,技术栈比较大,是风口。

    Python核心 >> 面向对象OOP >> Python高级

    轻语法重本质。学编程注重的是思想,代码都是水到渠成的。重要的事情是需求,是我们的目标,我们的程序需要做的东西。需求导向。代码是技术更是艺术,要精雕细琢。项目/实战,要上手去练,Python 要靠大量的练习,去训练自己,要用。

    更多相关内容
  • 人工智能入门教学课程,涵盖机器学习、深度学习等,适合初学者入门
  • 人工智能入门:UC Merced的AI入门课程的课程工作
  • 人工智能AI)应用从入门到精通.pdf
  • 人工智能入门

    2018-01-29 00:10:27
    人工智能”一词最初是在1956 年Dartmouth学会上提出的。从那以后,研究者们发展了众多理论和原理,人工智能的概念也随之扩展。
  • 2018-AI人工智能入门PPT课件人工智能模糊系统神经网络等学习资料。
  • 人工智能入门学习

    2018-07-31 19:27:48
    本文档关于人工智能入门的一些知识,课件。可以用作人工智能入门学习,以及课件制作的指导,文中涉及人工智能的算法学习与设计。
  • 人工智能入门:基于Linux与Python的神经网络.pdf
  • 1绪论part1.ppt 2绪论part2.ppt 3知识表示方法part1.ppt 4知识表示方法part2.ppt ...22群智能.ppt 23非经典推理part 1.ppt 24非经典推理part 2.ppt 25非经典推理part 3.ppt 26真体及自然语言理解.ppt
  • 对于零基础新手想要人工智能入门的第一步,应该是多看基本大师的书,对人工智能有一个初步的系统的了解。AI看什么书?下面我将给大家推荐五本人工智能入门书籍,虽然不算多但贵在精,相信大家看完这五本书就足以入门...

    对于零基础新手想要人工智能入门的第一步,应该是多看基本大师的书,对人工智能有一个初步的系统的了解。AI看什么书?下面我将给大家推荐五本人工智能入门书籍,虽然不算多但贵在精,相信大家看完这五本书就足以入门了。

    学人工智能看什么书?

    1、《人工智能:一种现代的方法》(Artificial Intelligence: A Modern Approach)

    介绍:作者为Stuart Russell和Peter Norvig。Russell,加州大学伯克利分校的计算机科学教授,发表了100多篇关于人工智能的论文。Norvig 现为谷歌研究总监,美国人工智能协会的创始会员之一,ACM院士。

    推荐理由:人工智能领域的经典教科书。中文版的出版社介绍称,“系统地介绍了人工智能的理论和实践,并深入介绍了人工智能各个主要的研究方向。”相信人工智能入门的新手看完会对人工智能用一个整体的理解。

    2、《Python机器学习 预测分析核心算法》

    介绍:作者Michael Bowles,利用多年的机器学习经验带领读者设计、构建并实现自己的机器学习方案。

    推荐理由:机器学习关注于预测,其核心是一种基于数学和算法的技术,要掌握该技术,需要对数学及统计概念有深入理解,能够熟练使用R 语言或者其他编程语言。本书通过集中介绍两类可以进行有效预测的机器学习算法,展示了如何使用Python 编程语言完成机器学习任务,从而降低机器学习难度,使机器学习能够被更广泛的人群掌握。

    3、《深度学习》(Deep Learning)

    介绍:作者为Ian Goodfellow、Yoshua Bengio和Aaron Courville。Goodfellow是谷歌研究科学家,2014年从蒙特利尔大学毕业,获机器学习博士学位。发明了生成对抗网络(GAN),在深度学习领域贡献卓越。Bengio是蒙特利尔大学计算机科学与运筹学系的教授,主要研究目标是了解产生智力的学习原则。Courville是蒙特利尔大学计算机科学与运筹学系的助理教授。

    推荐理由:被誉为AI圣经,深度学习领域奠基性的经典畅销书。本书的介绍信息称:不仅介绍了与深度学习有关的数学及相关概念的背景知识,包括线性代数、概率论、信息论、数值优化等。还介绍了工业界中实践者用到的深度学习技术,包括深度前馈网络、正则化、优化算法、卷积网络、序列建模和实践方法等。最后,还提供了一些深度学习的研究方向,涵盖的理论主题包括线性因子模型、自编码器、表示学习、结构化概率模型、蒙特卡罗方法、配分函数、近似推断以及深度生成模型。

    4、《人工智能时代》

    介绍:Kalman Toth所著。

    推荐理由:对于人类来说,人工智能有着广阔的前景,同时也充满挑战。人工智能时代,人类将面临哪些改变和困惑?人工智能的发展将会给人类社会带来哪些冲击和影响?当所有的工作都由超级智能机器人来完成时,预示着我们进入了一个不劳社会。机器是否会完全取代人类?但是,人类如何以150的智商控制百万智商的人工智能?本书围绕人工智能的历史、发展和应用,展开广泛的讨论和介绍,为读者解开心中关于人工智能的种种疑问。翻开本书,了解人工智能是什么,以及人工智能将会怎样影响我们的生活和未来!

    5、《自然语言处理综论》(Speech and Language Processing)

    介绍:作者为Daniel Jurafsky和James H. Martin。Jurafsky是斯坦福大学语言学和计算机科学教授。在美国加利福尼亚大学获计算机科学博士学位。Martin是美国科罗拉多大学计算机科学系教授和认知科学研究所研究院。在美国加利福尼亚大学获计算机科学博士学位。

    推荐理由:全面讲述计算机自然语言处理的优秀教材。中文版的出版社介绍称,“深入细致地探讨了计算机处理自然语言的词汇、语法、语义、语用等各个方面的问题,介绍了自然语言处理的各种现代技术。”

    以上就是五本人工智能入门书籍推荐,零基础的新手千万不要好高骛远,觉得五本太少。毕竟这些书籍都是业内泰斗级的大师所著,大家只要真的好好读完,一定对人工智能有一个全面的了解,对之后的学习大有裨益。

    免费分享一些我整理的人工智能学习资料给大家,包括一些AI常用框架实战视频、图像识别、OpenCV、NLQ、机器学习、pytorch、计算机视觉、深度学习与神经网络等视频、课件源码、国内外知名精华资源、AI热门论文、行业报告等。

    为了更好的系统学习AI,推荐大家收藏一份。

    下面展示部分截图,点击此处免费下载文中资料

    一、人工智能课程及项目

    二、国内外知名精华资源

    三、人工智能论文合集

    四、人工智能行业报告

    学好人工智能,要多看书,多动手,多实践,要想提高自己的水平,一定要学会沉下心来慢慢的系统学习,最终才能有所收获。

    有需要的小伙伴,点击此处免费下载文中资料

    展开全文
  • 学习人工智能该读哪些书可以快速入门呢?我的答案是多读经典书。方向对了即使慢点,总会走向成功的终点。而该读哪些书,小编推荐五份经典书单
  • 主要为大家详细介绍了最适合人工智能开发的5种编程语言,并为大家推荐人工智能入门书籍,具有一定的参考价值,感兴趣的小伙伴们可以参考一下
  • 2021年最完整的人工智能入门指南

    千次阅读 多人点赞 2021-10-11 12:34:31
    这可能是一份中英文世界最好的人工智能学习教程,在充分考虑大家信息获取难度的情况下制定了帮助你掌握人工智能AI)和机器学习(ML)的完整指南:无需专业背景!无需学费! 无需额外的时间成本! 只需要掌握以下的...

    这可能是一份中英文世界最好的人工智能学习教程,在充分考虑大家信息获取难度的情况下制定了帮助你掌握人工智能(AI)和机器学习(ML)的完整指南:无需专业背景!无需学费!
    无需额外的时间成本!
    只需要掌握以下的方法和渠道,就可以清晰地认识到是人工智能,并了解其前沿发展和行业新闻。
    image

    很多同学在学习AI的时候面临的最大困难“如何开始?”,它具体包括:如何免费开始学AI?什么是人工智能?从什么地方入手?如何去掌握这门技术?零基础如何学习AI?等等。所以我们在参考了大量国内外资料后决定写一篇关于如何在2021年【零基础】【免费】学习机器学习的完整指南,这可能是中文和英文世界中最好的入门教程,希望大家耐心看下去。这篇文章罗列了许多关于机器学习的优质资源,并分享给大家一些学习技巧,我们不仅希望大家能够方便快捷地入门AI,更希望提高你作为人最重要的学习能力。

    如何在2021年成为机器学习专家?

    这份学习指南适用于在编程、数学或者机器学习方面基础比较薄弱的同学。除此之外,成为机器学习专家的方法不是唯一的,只要你有足够的学习动力,大家也可以自己探索学习方法,从而掌握机器学习。
    这篇指南的目标是为不知道“如何开始”的人提供一个进入机器学习的学习路径。我们都知道,在学习新事物的时候很难找到从哪里开始或者下一步应该怎样做,尤其是在缺乏他人指导的时候。因此,我们在这里列出了许多优质的学习资源供大家参考。这些学习资源的难度依次递增,有一定基础的同学,可以跳过前面的基础部分。
    这里列出来的所有资源都是免费的!当然,也存在一部分付费的在线课程和在线书籍。请记住,这些付费课程为了帮助大家更好地理解和学习,只要你愿意多花一点时间和精力,没有这些付费课程,你也完全有可能成为机器学习专家。选择什么样的学习资源,完全取决于自己,适合自己的才是最好的!

    温馨提示:不要害怕重复播放学习视频或者在不同的平台上重复学习相同的概念。请记住,重复是学习新事物的法宝。

    image

    目录(各部分的链接)
    —开始入门:从简短的YouTube视频介绍开始
    — 逐步深入学习:关注 YouTube 上的免费课程
     — 阅读在线文章
     — 阅读重要书籍
    —没有机器学习的数学背景?看一下这个!
     — 没有编程背景,没问题!(适合初学者的编程资源)
     — 关注在线课程
     — 练习,练习,再练习!
     — 更多资源(加入社区,使用备忘单,关注该领域的新闻等等!)
    — 如何找到一份机器学习的工作
    — AI伦理

    1.开始入门机器学习

    观看简短的视频介绍入门,是入门新领域的最佳方式,YouTube和b站上面都有大量的优质视频介绍关于机器学习的重要概念。我们在这里列出了一些视频清单,供大家参考。

    image

    首先,了解机器学习领域的常用术语,形成初步认识。
    (1)YouTube上一位名叫“What’s AI”
    ( https://www.youtube.com/WhatsAI) 的博主通过一系列非常短的视频回答了著名的“什么是AI”的问题,内容涵盖了了机器学习领域最常用的所有术语。每个视频的时长在1分钟左右,你可以在30分钟以内学习到机器学习的基础知识,并对该领域有一个整体认识。
    大家可以通过以下链接访问该视频系列:
    https://www.youtube.com/playlist?list=PLO4GrDnQanVe6F6MRJg_KO7JEoH-ukFzY

    image

    (2)B站up主 “KnowingAI知智”以一种轻松有趣的方式分享了算法模型系列视频,介绍了机器学习的算法、模型和框架。
    大家可以通过以下链接访问该视频系列:
    https://space.bilibili.com/237111975/channel/detail?cid=177611&ctype=0

    image

    其次,对机器学习相关概念有一定认知过后,可以更加深入地了解机器学习、深度学习和神经网络的基础知识。提醒一下,在入门时了解神经网络和反向传播的知识是非常必要的,它可以在你进行深入学习时带来巨大的先发优势

    “3Blue1Brown”是由斯坦福大学一位数学系学生Grant创建的科普频道,主要分享高等数学相关内容,同时也进行计算机相关知识的科普,他被誉为全b站最火的数学科普up主。Grant制作的“深度学习”系列视频,非常清楚、细致地解释了反向传播算法、梯度下降算法、神经网络等相关概念。这部分视频可以更加充分地了解机器学习算法是什么,以及它的工作原理,从而为更加深层次的学习奠定基础。
    大家可以通过以下链接访问该视频系列:
    https://space.bilibili.com/88461692/channel/detail?cid=26587

    image

    总的来说,YouTube和B站等视频网站是非常适合自主学习的免费平台,除了以上所提及的内容之外,大家可以继续在这些平台上找寻优质学习资源。

    2.逐步深入学习

    在上一部分,我们主要通过“1 min”短视频了解机器学习的相关概念,对机器学习有了一个整体认知。这一部分需要大家投入更多的时间和精力,并提高专注度,进行深入学习。
    虽然这一部分的课程会有一定的难度,但它们同时也非常具有吸引力。只要大家能够说服自己投入学习,一定能够受益匪浅。
    通过精心挑选,我们在这里为大家准备了一份课程列表,根据难度由低到高的顺序进行排列。排列在前的课程主要对机器学习的各方面进行简单介绍,排列在后的课程逐渐深入机器学习的专业领域。大家可以通过这一部分的课程,逐渐适应机器学习的节奏,为接下来的专业化学习打好基础。

    ——机器学习导论(斯坦福大学)
    授课老师吴恩达(Andrew Ng)是人工智能和机器学习领域国际上最权威的学者之一,同时也是在线教育平台Coursera的联合创始人,被誉为人工智能专家和教育先驱。这门机器学习导论课共计20个课时,内容涉及线性回归、梯度下降、朴素贝叶斯、决策树等机器学习的重要概念。该课程可以帮助你对机器学习有一个全面而又细致的了解,可以说是入门机器学习必不可少。
    大家可以通过访问斯坦福在YouTube的官方账号“stanfordonline”,获取学习资源。访问链接如下:
    (https://www.youtube.com/playlist?list=PLoROMvodv4rMiGQp3WXShtMGgzqpfVfbU)

    B站的一位up主“鬼谷良师”也对其进行了视频搬运,如果您比较习惯于中文字幕,也可以在B站上进行访问:
    https://www.bilibili.com/video/BV1JE411w7Ub?p=1

    除此之外,“鬼谷良师”也分享了很多国际名校的公开课视频,包括哈佛、MIT等,您可以持续关注这位up主,对相关课程进行体系化学习。

    image
    image

    image

    ——深度学习导论(MIT)
    B站的一位号称AI硬核资料库的up主“ShowMeAI”分享了来自MIT关于“深度学习”的公开课视频,共计43个课时,内容涉及循环神经网络、卷积神经网络、强化学习等的理论知识和前沿实践。
    访问链接如下:
    https://www.bilibili.com/video/BV1g34y1Q79p?p=1
    image

    ——深度学习专项课程(DeepLearningAI—吴恩达)
    DeepLearningAI由吴恩达博士创立,以满足世界一流人工智能教育的需求。大家可以通过访问DeepLearningAI在YouTube的官方账号,找到其在Coursera课程中关于机器学习的相关视频。
    访问链接如下:
    https://www.youtube.com/channel/UCcIXc5mJsHVYTZR1maL5l9w/playlists
    image

    此外,你也可以通过访问链接:
    https://www.bilibili.com/video/BV1FT4y1E74V?p=2&spm_id_from=pageDriver 在B站找到其搬运视频。
    image

    ——MIT Deep Learning (Lex Fridman 关于深度学习的最新课程)
    该课程是来自MIT 2017 年至 2020 年关于深度学习、深度强化学习、自动驾驶汽车和 AI 的讲座合集。您可以通过以下链接获取相关教学视频和PPT:
    https://deeplearning.mit.edu/

    image

    此外,你也可以通过B站找到Lex Fridman 老师的部分教学视频。
    2020年 深度学习讲座:
    https://www.bilibili.com/video/BV1Y7411d7xV?from=search&seid=10656918578301312657&spm_id_from=333.337.0.0
    2019年 深度学习讲座:
    https://www.bilibili.com/video/BV1rz4y1r7hB?from=search&seid=10656918578301312657&spm_id_from=333.337.0.0
    自动驾驶公开课:
    https://www.bilibili.com/video/BV1tW411M7S9?from=search&seid=10656918578301312657&spm_id_from=333.337.0.0

    image

    ——Deep Learning (with PyTorch) —(纽约大学, Yann LeCun
    这是纽约大学数据科学中心在2020年开设的一门关于深度学习的课程,课程内容涉及深度学习和表征学习的最新技术,侧重于监督和无监督深度学习、嵌入方法、度量学习、卷积神经网络和循环神经网络,以及在计算机视觉、自然语言处理和语音识别中的应用。因此,这门课程对大家机器学习的基础有一定要求。大家可以通过访问其GitHub网页,获取课程相关PPT、jupyter notebook 以及YouTube视频资源。访问链接如下:
    https://atcold.github.io/pytorch-Deep-Learning/
    image

    3.在线阅读文章

    众所周知,通过听、说、读、写等不同方式进行学习,可以很好地提高学习效率。因此,阅读对于学习也很重要,它可以帮助大家对机器学习有更加全面和深入的了解。Medium 和Towards AI都是非常不错的阅读平台,大家可以在上面找到优质的阅读材料。
    我们为大家推荐了Medium社区上面的5篇文章以及2份阅读清单,并建议大家将其余前面的视频结合起来学习,这将受益匪浅。
    (1)使用Python学习机器学习和数据科学的5个入门步骤——Daniel Bourke
    https://towardsdatascience.com/5-beginner-friendly-steps-to-learn-machine-learning-and-data-science-with-python-bf69e211ade5
    (2)什么是机器学习?——Roberto Iriondo
    https://pub.towardsai.net/what-is-machine-learning-ml-b58162f97ec7
    (3)机器学习入门:神经网络简介——Victor Zhou
    https://towardsdatascience.com/machine-learning-for-beginners-an-introduction-to-neural-networks-d49f22d238f9
    (4)神经网络入门指南——Thomas Davis
    https://towardsdatascience.com/a-beginners-guide-to-neural-networks-d5cf7e369a13#:~:text=Neural%20networks%20are%20powered%20by,then%20recognize%2C%20interpret%20and%20classify.
    (5)理解神经网络——Prince Canuma
    https://prince-canuma.medium.com/understanding-neural-networks-22b29755abd9
    (6)MILA新生阅读清单
    https://docs.google.com/document/d/1IXF3h0RU5zz4ukmTrVKVotPQypChscNGf5k6E25HGvA/edit#
    (7)80/20 人工智能阅读清单——Vishal Maini
    https://medium.com/machine-learning-for-humans/ai-reading-list-c4753afd97a

    通过以上的学习步骤,大家已经初步具备动手编程和练习的基础了,可以直接跳到后面的编程、在线课程以或者练习部分,加快学习速度。如果想要更加深入地了解机器学习的理论知识,那么可以继续阅读在下一部分所列出来的重要参考书籍。

    4.阅读重要书籍

    这一部分的内容是大家选修的,但是系统化地阅读可以帮助大家更加深入地理解机器学习背后的工作原理,因此仍然建议大家抽出部分时间进行阅读。此部分包含了一些付费书籍,大家可以自主选择,有需要的话也可以在淘宝、亚马逊等平台购买纸质书籍。
    ——机器学习路径:
    (1)《深度学习》(免费)
    Ian Goodfellow,Yoshua Bengio,Aaron Courville 著;赵申剑等 译;人民邮电出版社;
    https://www.deeplearningbook.org/

    image

    (2)《动手深度学习》(免费)
    Aston Zhang, Mu Li,Zachary C. Lipton, Alexander J. Smola 著;人民邮电出版社
    http://d2l.ai/

    image

    (3)《概率机器学习导论》(免费)
    Kevin Patrick Murphy 著;MIT出版社
    https://probml.github.io/pml-book/book1.html

    image

    (4)《人工智能:一种现代方法》(付费)
    Stuart Russell,Peter Norvig 著;

    image

    (5)《模式识别与机器学习》(付费)
    Christopher M. Bishop 著;

    image

    (6)《用Python进行深度学习》(付费)
    François Chollet 著;

    image

    (7)《理解机器学习:从理论到算法》
    ——Shai Shalev-Shwartz , Shai Ben-David 著;剑桥大学出版社
    https://www.cs.huji.ac.il/~shais/UnderstandingMachineLearning/

    image

    ——机器学习数学基础:
    (1)《机器学习数学》(免费)
    https://mml-book.github.io/
    Marc Peter Deisenroth,A. Aldo Faisal,Cheng Soon Ong 著;剑桥大学出版社

    image

    (2)《统计学习方法》
    李航 著;清华大学出版社

    image

    (3)《机器学习中的概率统计-python语言描述》
    张雨萌 著;机械工业出版社

    image

    (4)《程序员的数学2 概率统计》
    平冈和幸,堀玄 著;陈筱烟 译;人民邮电出版社

    image

    ——微积分:
    (1)微积分(第8版)
    James Stewart著;张乃岳 译;中国人民大学出版社

    image

    (2)托马斯微积分(第10版)
    WEIR,HASS,GIORDANO 著;叶其孝等 译;高等教育出版社

    image

    (3)普林斯顿微积分读本
    Adrian Banner 著;杨爽等 译;人民邮电出版社

    image

    (4)清华大学《微积分教程》
    韩云瑞,扈志明,张广远 著;清华大学出版社

    image

    (5)同济大学《高等数学》
    同济大学数学系 编;高等教育出版社

    image

    ——线性代数
    (1)《线性代数及其应用》
    David C.Lay著;刘深泉等 译;机械工业出版社

    image

    (2)《线性代数》
    李尚志 著;高等教育出版社

    image

    (3)《线性代数》
    李炯生,查建国 著;中国科学技术大学出版社
    下载链接:https://download.csdn.net/download/heartblade/10352209
    ——概率统计
    (1)《概率论与数理统计》
    陈希孺 著;中国科学技术大学出版社

    image

    (2)图灵数学统计学丛书《概率导论》
    Dimitri P. Bertsekas , John N. Tsitsiklis 著;郑忠国等译;人民邮电出版社

    image

    (3)图灵数学统计学丛书《应用随机过程概率模型导论》
    Sheldon M. Ross 著;龚光鲁 译;人民邮电出版社
    image

    阅读完这些书籍过后,大家已经完全可以运用所学的理论着手开始编程练习。

    5.没有机器学习的数学基础?看一下这个!

    就算没有机器学习所需的数学知识也不用紧张,时间永远不算晚,大家完全可以从现在开始学习相关数学知识。我们在这里推荐的课程囊括了三个重要的数学分支:微积分、线性代数和概统。

    ——微积分
    (1)MIT Gilbert Strang《微积分重点》——b站up主:冰剑天使
    https://www.bilibili.com/video/BV17s411R7FR?from=search&seid=17163176306170092417&spm_id_from=333.337.0.0

    image

    (2)浙江大学 苏德矿 《微积分》——中国大学慕课
    https://www.icourse163.org/course/ZJU-1003315004

    image

    (3))Grant Sanderson 《微积分的本质》——b站:3Blue1Brown
    https://space.bilibili.com/88461692/channel/detail?cid=13407

    image

    (4)国防科技大学 朱健民《高等数学》——中国大学慕课
    https://www.icourse163.org/course/NUDT-9004

    image

    ——线性代数
    (1)MIT Gilbert Strang《线性代数》——b站up主:小风哥_ANGEL
    https://www.bilibili.com/video/BV1ix411f7Yp?p=2

    image

    (2)山东大学 秦静 《线性代数》——中国大学慕课
    https://www.icourse163.org/course/SDU-55001?from=searchPage

    image

    (3)北京大学 丘维声 《高等代数》——b站up主:西门断桥吹残雪
    https://www.bilibili.com/video/BV1Pb411K7JA?from=search&seid=13960699102829916094&spm_id_from=333.337.0.0

    image

    (4)山东财经大学 宋浩 《线性代数》——b站:宋浩老师官方
    https://www.bilibili.com/video/av29971113?from=search&seid=17087223871376250963

    image

    (5)Grant Sanderson 《线性代数的本质》——b站:3Blue1Brown
    https://www.bilibili.com/video/BV1ys411472E?p=2

    image

    ——概统
    (1)山东财经大学 宋浩 《概率论与数理统计》——b站:宋浩老师官方
    https://www.bilibili.com/video/BV1ot411y7mU?spm_id_from=333.999.0.0

    image

    (2)Grant Sanderson 《概率论》——b站:3Blue1Brown
    https://www.bilibili.com/video/BV1R7411a76r?spm_id_from=333.999.0.0

    image

    除了国内平台的相关课程外,国外也有一部分免费优质资源,可以帮助大家更加结构化地学习数学:
    (1)YouTube上一位名叫“mathematicalmonk”的博主分享了很多有关机器学习数学知识的视频,大家可以订阅该博主,随时关注机器学习的最新消息。
    https://www.youtube.com/channel/UCcAtD_VYwcYwVbTdvArsm7w

    image

    (2)《机器学习数学》——Garrett Thomas
    https://gwthomas.github.io/docs/math4ml.pdf
    (3)统计学习导论:在R语言中的应用
    这一列表主要收录了Gareth James、Daniela Witten、Trevor Hastie、Robert Tibshirani等人关于统计学的教学PPT和讲座视频。
    http://fs2.american.edu/alberto/www/analytics/ISLRLectures.html

    学完这部分之后,大家已经具备了很好的机器学习的数学基础了,可以开始对机器学习展开更加深入的研究了!如果你仍然觉得自己的数学功底不够扎实,可以倒退回上一步,深度阅读相关书籍。

    6.没有编程基础,没问题!

    这一部分的内容主要适用于编程小白。如果你完全没有Python或者其他任何编程语言的基础,那么这一部分的内容可以帮助你入门机器学习编程,并打好基础。(如果你已经能够非常熟练地使用Python编程语言,那就可以直接跳到“关注在线课程”这一部分的内容)
    我们在这里为大家推荐了一些关于机器学习编程的优质课程:
    (1)LearnPython的Python教程(https://www.learnpython.org/)
    LearnPython平台提供免费的交互式Python学习教程,无论你是小白还是经验丰富的程序员,都可以在上面找到合适的学习资料。
    (2)Mo平台的Python系列课程(https://momodel.cn/?src=f6d546b46c)

    Mo是一个人工智能实训平台,提供在线编程功能,无需搭建环境,便于初学者上手。该平台的Python系列课程从浙江大学迭代而来,包含了从Python到人工智能的相关内容,学习路径完整,系统性较强。

    image

    (3)Learning with Python——b站up主:Q晴风Q
    https://www.bilibili.com/video/BV1ds411p7ut?p=3&spm_id_from=pageDriver
    这是一个非常实用且丰富的机器学习教程,介绍了机器学习编程相关的工作原理和方法,包括从较为简单的回归、支持向量机等,到较为复杂的SVM、TensorFlow、卷积神经网络等。

    image

    (4)Learn Python Basics for Data Analysis——OpenClassroom
    https://openclassrooms.com/en/courses/2304731-learn-python-basics-for-data-analysis/6009031-get-started-with-python-and-anaconda
    这门课程主要讲授了如何使用基本的Python操作进行数据分析。在课程中,可以使用平台的相关功能进行在线编程。此外,OpenClassroom平台也提供了Anaconda的安装资源和安装教程,让大家可以在本地运行代码。

    image

    (5)Getting started with Data Science——YouTube博主:Data Science Dojo
    https://www.youtube.com/watch?v=6LWnvC2_DZI&list=PL8eNk_zTBST8kAYLTxYRnsOfznYMRhgZG
    该视频教程介绍了线性回归模型和一些常用于机器学习和数据分析的Python和R包。此外,此视频还提供了在Windows/Mac/Linux上安装Python 和 R的安装教程,让大家可以在本地运行代码,并将代码推送到Github 存储库。

    image

    (6)IBM在Coursera 上开设的名为Machine Learning with Python的付费课程。
    https://www.coursera.org/learn/machine-learning-with-python
    该课程包含了机器学习简介、回归、分类、聚类、推荐系统等内容,实用性较强,可以显著提升大家的编程技能。

    除了以上所推荐的内容,大家也可以通过GitHub上的100个NumPy练习来提升Python编程能力,
    (https://github.com/rougier/numpy-100/blob/master/100_Numpy_exercises.ipynb ),
    或者参加Data Science dojo的在线培训
    (https://datasciencedojo.com/python-for-data-science/ref/whatsai/ )、使用Kaggle (https://www.kaggle.com/)。这些平台可以为大家提供更具挑战性的项目和练习,以及更加细致化的指导。当然,部分课程是需要付费的。

    7.关注在线课程

    当你具有较好的理论基础和编程基础之后,就可以开始学习ML的相关课程了。以下所列出的课程中,部分课程需要付费;当然,付费课程会教给大家更多东西,甚至可以提供权威性证书,成为求职亮点。
    在这里首先为大家介绍一个优质教学平台:Coursera。它是由斯坦福的吴恩达教授和Daphne Koller教授联合创办的大型在线教育平台,旨在同世界顶尖大学合作,在线提供网络公开课程。大家可以在该平台上找到许多优质的学习资源,也可以通过此平台获得含金量较高的证书。此外,Coursera还为学员提供了大量的经济援助和奖学金,你可以申请获得相关补贴和奖励。这是该平台的申请页面:https://www.coursera.support/s/article/209819033-Apply-for-Financial-Aid-or-a-Scholarship?language=en_US

    我们在这里为大家推荐了一些机器学习的在线课程,课程难度由低到高排列:
    (1)机器学习简介——Kaggle(学习机器学习的核心思想,并构建自己的第一个模型)
    https://www.kaggle.com/learn/intro-to-machine-learning
    (2)Mo平台的系列课程,包括《从Python到人工智能》、机器学习系列课程、深度学习系列课程等。
    https://momodel.cn/classroom
    (3)Get started in AI / AI For everyone ——吴恩达
    https://www.coursera.org/learn/ai-for-everyone
    (4)机器学习——吴恩达
    https://www.coursera.org/learn/machine-learning
    (5)深度学习专项课程——吴恩达
    https://www.coursera.org/learn/neural-networks-deep-learning
    (6)TensorFlow(专业证书)
    https://www.coursera.org/professional-certificates/tensorflow-in-practice
    (7)AI工程——IBM(专业证书)
    https://www.coursera.org/professional-certificates/ai-engineer
    (8)2021 年完整的数据科学训练营
    https://www.udemy.com/course/the-data-science-course-complete-data-science-bootcamp/
    (9)在线数据科学训练营——datasciencedojo(完整的 16 周学习计划)
    https://datasciencedojo.com/data-science-bootcamp/ref/whatsai/
    (10)数据科学培训计划 — datasciencedojo(完整的 16 周培训计划)
    https://datasciencedojo.com/data-science-training-and-internship/ref/whatsai/
    (11)fast.ai 平台的深度学习课程 (免费)
    https://www.fast.ai/
    (12)自然语言处理专项课程
    https://www.coursera.org/specializations/natural-language-processing

    8.练习,练习,再练习!

    ML学习中最重要的就是实践,但往往很难找到合适的个人项目来练习。因此,我们在这一部分为大家推荐了一些提供免费教程、项目和比赛的平台,帮助大家更好地进行机器学习实践。
    (1)Kaggle
    https://www.kaggle.com/
    该平台提供大量的免费课程、教程和比赛。此外,该平台的免费比赛还为参赛选手提供了丰厚奖金。大家可以在锻炼技能的同时赢取比赛奖励,是一种很不错的学习方式,并且赢取Kaggle的比赛奖励也可以为你的求职简历增光添彩。
    (2)NVIDIA Jetson社区项目
    https://developer.nvidia.com/embedded/community/jetson-projects
    NVIDIA Jetson的社区项目提供了类似的AI项目和竞赛,吸引了大量“黑客”参与。此外,你还可以在NVIDIA Jetson的网站上(https://developer.nvidia.com/embedded/learn/jetson-ai-education )获得认证,并获得硬件和财务上的支持,从而有机会与NVIDIA合作开展项目。
    (3)GitHub
    http://github.com/
    GitHub是一个面向开源及私有软件项目的托管平台,可以托管各种git库,并提供一个web界面。作为开源代码库以及版本控制系统,Github拥有超过900万开发者用户。随着越来越多的应用程序转移到了云上,Github已经成为了管理软件开发以及发现已有代码的首选方法。你可以尝试在 GitHub 上改进他们的代码,或者运行已有项目。
    (4)阿里天池
    https://tianchi.aliyun.com/competition/gameList/activeList
    天池大数据竞赛,是由阿里巴巴集团主办,面向全球科研工作者的高端算法竞赛。通过开放海量数据和分布式计算资源,大赛让所有参与者有机会运用其设计的算法解决各类社会问题或业务问题。

    9.其他资源

    —学习社区
    同伴学习是一种很好的学习方式。所以我们在这里为大家推荐了一些学习社区,大家可以加入其中,寻找志同道合的学习伙伴。
    (1)Reddit 社区(https://www.reddit.com/ )
    Reddit 社区聚集了众多AI爱好者,大家可以在这里提问、讨论、分享项目、获取最新资讯等。我们在这里列出了一些比较热门的讨论话题:
    artificial — 人工智能
    https://www.reddit.com/r/artificial/
    Machine Learning — 机器学习(该领域最大的讨论版块)
    https://www.reddit.com/r/MachineLearning/
    Deep Learning Papers — 深度学习论文
    https://www.reddit.com/r/DeepLearningPapers/
    Computer Vision —从图像和视频中提取有用信息
    https://www.reddit.com/r/computervision/
    Learn machine learning — 学习机器学习
    https://www.reddit.com/r/learnmachinelearning/
    Artificial Intelligence — 人工智能
    https://www.reddit.com/r/ArtificialInteligence/
    Latest In ML — 机器学习领域不容错过的颠覆性发展
    https://www.reddit.com/r/LatestInML/

    (2)StackOverFlow (https://stackoverflow.com/ )
    StackOverFlow是全球最大的技术问答网站,被誉为“程序员必上的网站”,大家可以在里面找到很多高质量问答。
    (3)掘金 (https://juejin.cn/ )
    掘金是国内的一个帮助开发者成长的社区,分享内容主要包括前端、后端、Android、iOS、人工智能、开发工具等,同时还提供一些行业资讯和相关活动。
    (4)SegmentFault 思否(https://segmentfault.com/ )
    思否同样也是国内的一个开发者社区,提供专业问答、行业资讯、开发竞赛、线下沙龙等内容和活动。大家也可以通过该社区寻找工作机会。

    ——保存学习清单
    我们这里列举了一些人工智能、Python和机器学习领域的最佳学习清单:
    (1)AI&神经网络&机器学习&深度学习&大数据 汇总清单——Stefan Kjouharov
    https://becominghuman.ai/cheat-sheets-for-ai-neural-networks-machine-learning-deep-learning-big-data-678c51b4b463
    (2)斯坦福大学-CS-229 ML 学习清单—Afshine Amidi, Shervine Amidi
    https://github.com/afshinea/stanford-cs-229-machine-learning
    (3)机器学习&Python&数学 汇总清单——Robbie Allen
    https://medium.com/machine-learning-in-practice/cheat-sheet-of-machine-learning-and-python-and-math-cheat-sheets-a4afe4e791b6
    (4)AI专家路线图——大家可以将它用作一个技能清单!
    https://i.am.ai/roadmap/#fundamentals
    (5)全网人工智能机器学习免费资源汇总清单—作者:Robbie Allen;编译:BigQuant
    https://zhuanlan.zhihu.com/p/34300031
    (6)机器学习&深度学习 网站汇总——FlyAI
    https://zhuanlan.zhihu.com/p/337548019

    除此之外,了解该领域在理论研究和实际应用方面的最新进展也是非常重要的。想要掌握该领域的最新动态,大家可以关注一下行业资讯,专业期刊,甚至是总结最新论文的YouTube频道。我们在这里列出了一些相关资源,当然,你也可以根据自己的兴趣挖掘到更多学习资源。

    ——订阅YouTube频道
    订阅分享新论文的YouTube频道,及时了解该领域的最新进展:
    (1)Two Minute Papers ——分享新论文的双周视频
    https://www.youtube.com/user/keeroyz
    (2)What’s AI——分享新论文的周更视频
    https://www.youtube.com/channel/UCUzGQrN-lyyc0BWTYoJM_Sg
    (3)Bycloud——分享新论文的周更视频
    https://www.youtube.com/channel/UCgfe2ooZD3VJPB6aJAnuQng

    ——订阅时事通讯
    (1)机器之心(https://www.jiqizhixin.com/)
    机器之心是国内的一个前沿科技媒体和产业服务平台,关注人工智能、机器人和神经认知科学,坚持为从业者提供高质量内容和多项产业服务。大家可以在机器之心官网首页找到很多关于人工智能和机器学习的最新消息。
    (2)Inside AI(https://inside.com/ai )
    该平台每天都会汇总关于人工智能、机器人和神经技术的故事和评论。
    (3)AI(https://aiweekly.co/ )
    该平台每周都会收集有关人工智能和机器学习的新闻和资源。
    (4)AI 伦理(https://lighthouse3.com/newsletter/ )
    订阅该频道,它会每周将有关AI伦理的最新内容以邮件形式推送给你。
    (5)What’s AI(https://www.louisbouchard.ai/newsletter/ )
    订阅What’s AI的时事资讯,它会每周将AI新闻和一个新的AI应用简介以邮件形式推送给你。
    (6)Data Science Dojo资讯(https://datasciencedojo.com/newsletter/ )
    订阅Data Science Dojo的时事资讯,它会将最新的数据科学内容以邮件形式推送给你。

    ——关注Medium 账号和出版物
    (1)Towards AI  ——“最好的技术、科学和工程”
    https://towardsai.net/
    (2)OneZero——“未来的潜流”
    这是一个关于科学技术的Medium出版物。
    https://onezero.medium.com/
    (3)What’s AI
    这是一位名叫Louis Bouchard的科普博主的Medium账号。他致力于分享AI知识和行业资讯,让每个人都学会使用AI;同时,也让人们意识到使用AI的风险。
    https://whats-ai.medium.com/

    ——查看GitHub 指南
    https://github.com/BAILOOL/DoYouEvenLearn
    这是一份关于人工智能、机器学习、深度学习和计算机视觉的基本指南,可以帮助你跟上相关领域的最新资讯、论文和热门话题等。

    10.如何找工作

    image

    以下是一些寻找机器学习相关工作的技巧:
    首先,如果大家不确定具体要从事什么工作,可以参考《机器学习面试入门》(https://huyenchip.com/ml-interviews-book/contents/chapter-1.-ml-jobs.html )的第一章。这一章详细介绍了机器学习行业的不同工作,可以帮助大家了解不同岗位以及自己的兴趣所在。此外,《机器学习面试入门》由两部分组成:该书的第一部分概述了机器学习行业的面试过程,机器学习的岗位,每个岗位的必备技能,面试过程中的常见问题,以及如何准备面试等。这部分也介绍了面试官的心理以及他们在面试时注重应聘者的哪些特质。该书的第二部分列出了200多个专业问题,涵盖机器学习领域的重要概念和常见的误用概念。面试小白可以深入阅读此书,提升面试技巧。

    image

    当大家已经确定好自己的目标岗位时,就需要投入到相应准备工作中去。大家可以提供一些在线共享的个人项目,例如一个博客、一个完整的GitHub库等。此外,大家还需要为不同类型的面试做好“必须通过”的完全准备。
    我们先从个人项目展开介绍。事实上,个人项目的作用往往被低估了。以博客为例,它完全有可能让大家轻松找到工作,甚至不需要找工作。一方面,如果大家在博客上发布了一个关于“如何制作基于机器学习的应用程序”的帖子,那么这个帖子就有可能被招聘人员看到。进一步,如果这个帖子的含金量很高,那么招聘人员可能会主动邀约面试,并为你提供工作。另一方面,如果你的博客运营得很好,它也可以成为一个收入可观的副业。不要低估语言表达能力的作用,能够清晰地阐释你的项目内容并让老板“get”到关键点是非常重要的,并且这一点也将直接体现在你的工资收入中。此外,拥有博客的另外一个作用就是教学。教学可以提高大家的沟通技巧和领导能力,而这一点在数据科学工作中也是非常重要的,因为相关从业者的主要目标就是理解数据并高效利用数据。它可能会变得极其复杂,因为在这项工作有所产出之前,你需要解释你在做什么以及为什么它会起作用,否则你可能无法得到任何资金支持。只要相关结果没有递交给投资者或者你的老板,整个过程就类似于你什么也没做。这恰好也说明了沟通技巧的重要性。因此,你可以将两个目的合二为一,通过教学来提高自己的沟通能力,同时也可以帮助他人理解一些复杂的专业概念。
    此外,专业技能也是非常重要的。拥有一个良好运用的GitHub库是非常有价值的,尤其是当你投入精力清理代码并为你的代码和自述文件作注解的时候。记得在GitHub分享你参与过的项目,即使是课程项目。虽然你的个人项目会令招聘人员更加印象深刻,但是其他项目也可以体现你的专业水平以及团队合作能力,同时可以记录你的工作。如果有时间的话,大家可以创建一个基于机器学习的应用程序,并且在你的GitHub和应用程序中进行共享。这个应用程序可以表明你投入精力学习了许多必要的课外知识和专业技能,体现你较强的学习能力和应对复杂问题的能力,甚至还可以帮你赚钱。当它既可以帮大家找到工作,又有可能成为工作的时候,为什么不投入精力呢!

    ——机器学习面试中的注意事项

    image

    面试是求职的重要步骤,因为我们在这里列举了一些有关机器学习面试的资源,希望可以帮助大家提升面试技能。
    (1)知乎
    各大公司机器学习面试内容总结
    https://zhuanlan.zhihu.com/p/35814495
    如何斩获一线互联网公司机器学习岗offer
    https://zhuanlan.zhihu.com/p/76827460
    机器学习算法理论面试题大汇总
    https://zhuanlan.zhihu.com/p/256450188
    常见机器学习面试题
    https://zhuanlan.zhihu.com/p/82105066
    (2)牛客网 https://www.nowcoder.com/
    牛客网是一个集笔面试系统、题库、课程教育、社群交流、招聘内推于一体的招聘类网站。大家可以在该平台上进行职业性格测试、能力评估,并通过测试题库和经验分享帖等,提升自己的面试技能。
    (3)《机器学习面试入门》——Chip Huyen(https://huyenchip.com/ml-interviews-book/)
    提醒一下,如果你目前正在寻找机器学习的相关工作,那么这本书是必读的。我们在这里列举了该书中的一些重要提示:
    尽早准备
    大家已经了解,找工作是需要时间的,因此你应该在拿到专业学位之前、在换工作之前或者在学习在线课程的过程中尽早开始,然后同步完成这些事情。
    发挥社交网络的作用
    利用好自己的人脉关系,尝试与老师或者同事沟通交流从而获得一些工作机会。
    模拟练习
    就像编程和数学一样,面试也是需要勤加练习的。大家可以使用该书中的模拟问题,在朋友、家人或同事面前练习面试技巧。
    提升专业技能
    了解最新的研究和实践,保证你的专业技能是与时俱进的。大家可以做一些编程练习,就像该学习指南在前面编程部分分享的NumPy一样,同时也可以在leetcode.com上面尝试一下。
    充分了解应聘公司的背景
    在面试之前要对你所应聘的公司进行充分了解,并尝试思考一些在面试过程中可能会问到的有关公司介绍和公司使命的问题。这样在面试时大家就可以表现得对该公司十分感兴趣,并且轻松得回答出相关问题。
    善于倾听和发言
    大家在面试过程中不要说得太多,也不要过于沉默。首先,大家要听清楚面试官的每一句话,在面试过程中试着去了解他们和他们的角色。其次,大家要向面试官阐明自己的思考过程,便于他们更加清楚直接地对你的所有反应进行分析。大家要记住,面试过程也是为了更好地找到一个适合自己的工作,而不仅仅是为了他们。
    诚信
    诚信是十分重要但又往往被应聘者所忽略的一件事情。如果应聘者说谎,很有可能被面试官发现,并且将会导致不良后果。
    遵循个人兴趣爱好
    最后,请大家找一份自己喜欢的工作。我们确实难以提前知道自己喜欢什么,但可以跟随自己的内心,选择一份具有挑战性的工作,并且可以和一个优秀的、有趣的、鼓舞人心的团队一起工作。

    另外,还有其他一些比较重要的注意事项,大家可以在面试过程中应急使用:
    首先,再次强调不要撒谎,这是至关重要的。
    不要批评以前或者现在的老板。你对他们所做的任何事情都会让人觉得你也可以对正在应聘的这家公司做出同样的事情,我们在任何时候都应该要尊重他人。
    要保持自信,不要紧张。大家可能会面临较为激烈的竞争,但每个人都是独一无二的,你肯定拥有一些可以帮你找到心仪工作的过人之处。此外,在面试过程中不要向下看或者东张西望。当你思考的时候,可以看着面试官的眼睛或者向上看,这表明你正在搜寻记忆、思考答案。
    不要谈论一些与面试无关的隐私。比如你的政治立场、宗教信仰、年龄和婚姻状况等。
    不要急于在面试过程中讨论薪水的问题。在面试结束后,面试官通常会和应聘者讨论这个问题,大家可以耐心等待。
    学会谈判。谈判是一项非常重要的技能,这可能会直接影响大家的工资、职业发展等。如果大家没有谈判经验,强烈建议阅读Chris Voss的《强势谈判》(Never Split the Difference)(https://info.blackswanltd.com/never-split-the-difference )一书。Chris Voss是 FBI 前首席国际人质危机谈判专家,世界著名的谈判理论专家和实践者,“黑天鹅集团”的创始人和管理者,在谈判领域有二十多年的丰富经验。他在此书中总结了一套全新的、经过实战检验的高价值谈判策略。

    image

    请大家相信自己一定可以找到工作的。这可能会需要十几次甚至上百次的尝试,都是很正常的,这主要取决于地域和当前的经济形势。慢慢来,要有耐心,尽可能地享受这个过程,在面试过程中积累经验、提升技能!

    image

    11.AI伦理

    image
    image

    AI伦理常常被人们所忽视,但它又是非常重要的一个方面。因为,人们会使用你所创建的应用程序,这就要求该程序必须尊重和保护用户隐私,值得大家信赖。这听起来是理所当然的,但在技术层面就比较复杂了。的确,随着像人工智能这样的新技术面世,我们需要确保它不会对人类造成伤害并且值得信赖。但这一点常常被人们所忘记或者自动忽视,总以为有人会处理好这件事情。但事实并非如此,机器学习从业者得自己处理。大家可以多思考一下模型的可行度,思考一下这样一个由自动化机器运行的应用程序可能会产生的伦理问题。正如前面所提到的,这是非常复杂的,这也是为什么伦理学和哲学学者在研究这一问题时需要机器学习领域的专业人士的帮助。为了帮助这些学者更好地进行研究,你首先需要了解为什么“AI伦理”对我们的未来如此重要,我们在这里列出了部分资源:
    (1)Ethics for Data Science
    https://www.youtube.com/watch?v=F0cxzESR7ec
    这是一个由fast.ai 创始人Rachel Thomas创作的讲述AI伦理的短片。它可以打开大家的思维,并让你识别到潜在问题以及思考应对策略。
    image

    (2)AI4People:An Ethical Framework for a Good AI Society: Opportunities, Risks, Principles, and Recommendations——Floridi 等, 2018 AI4People AI for a good society.
    https://link.springer.com/content/pdf/10.1007/s11023-018-9482-5.pdf
    (3)Ethics guidelines for trustworthy AI
    欧盟委员会高级别专家组对这本书的评价为7分。
    https://wayback.archive-it.org/12090/20210728013426/https://digital-strategy.ec.europa.eu/en/library/ethics-guidelines-trustworthy-ai

    非常感谢大家的阅读,小Mo在这里祝您在未来的机器学习职业生涯中一切顺利!
    注:部分资源来源于互联网,若有侵权,请直接联系作者删除。

    在这里插入图片描述

    展开全文
  • 人工智能基础知识入门

    千次阅读 2022-01-19 16:42:54
    打开人工智能,来到AI领域结合Python使用基本知识实现knn模型,由浅入深。

    本分类包括AI人工智能、机器学习、算法、深度学习......

    涉及知识很广:高等数学、线性代数、概率论、经济学等等方面的知识。

    开始今天的文章:

    背景:

    首先,大家看下面这张图片,可以看出这就是一个锤子,但是让我们想想锤子是怎么生产出来的呢?

    寻找材料->给锤子造型->高温打造->入水进一步塑性...

    锤子的建造是不是根据我们需要的需求一步一步变化的呢?答案是当然的,是不是可以归纳为:

    不同的输入对应不同的输出 显然,没问题 这是不是就和我们以前学的函数y=f(x)联系起来啦。

    在美国,曾经有这么一个节目(PlinKo),大概就是在现场挑选一名幸运观众到台上完成一个游戏,将圆球从大板上扔下来如果扔到对应的轨道里就获得相应的奖品。

    这里是不是就可以把扔球的位置看做一个变量,结果看做一个对应的值呢 一个输入对应一个输出

    来看一下这位观众中奖时的样子,大致看一下:

    背景分享完了,下面我们直接奔向主题:
     抓取原理,借助数学知识,解决实际的问题(例如:如何让我们每次扔圆球都扔到中奖的位置呢?),这里就是通过简单的公式去验证原理,而是通过代码实现的方式去证明。

    圆球位置的变化会让结果也发生变化,很强大的理论。

    可以理解为:输入对应输出

    我们通过大量的实验来找到这里面的规律,我们就可以结合AI知识开发一个智能机器人,通过扔圆球来获得大奖。

    简单来说就是,通过数据,数据会说话(转化为一种信息),建立一个模型(方法)来解决实际的问题,再通过数据来训练模型,最后我们就可以通过feature来预测label了!

     

     

     

     人类通过回忆之前的经历,衍生出经验,对于下次类似的事情就有解决的办法,对应的解决措施。例如:上图的决策树,判断条件 判断结果。通过天气因素,判断车的到达时间,我们就可以通过收集大量的数据,选择一个模型,从而实现预测。

     机器学习其实就是通过以前的数据,找出规律,建立模型,从而预测未来。机器学习是实现人工智能(AI)的一个途径。

     

     机器学习和我们备战高考其实是一样的道理,我们通过做模拟题,找到出题规律,对一些题目建立模型,找到方法,我们模拟的分数越高,我们的高考成绩就会相应的预测的更好。

    模拟一个扔圆球的游戏,来进行分析,最后预测不同位置所对应的不同结果。

     

     通过map()函数,通过设置函数,对应一个新的列表。

     Python中的numpy库有两种排序,一种是排序后返回列表,另一种是通过返回下标。

    这里我们选择knn算法模型进行代码实现预测:

     

     这样就可以通过这个简单的knn(一维方法)进行预测,预测的效果可能不是很精确,接下来就要采取措施提高模型优化。

    解决方案:

    1.  调参
    2. 增加数据维度
    3. 增加测试数据
    4. 改变模型,改变算法

    重新优化数据集:

    分为训练集和测试集(比例大概10:1)

     k的选择

     一般选择训练集的条数开根号,上下15个百分点适宜...

     通过我们收集的预测导入得出:

     补充:
    处理数据,把数据充分打散,拆分成训练集和测试集

    如何计算准确率:

     如果找到最好的参数后,准确率还不够的话,我们就进入到下一步,增加变量的个数.

    增加新的变量:

    我们研究的数据都是基于数字,所以这里就将球颜色的信息转化为球的弹性数据,如何转换呢?

    可以在加载test_data数据的时候进可以转换,np.loadtxt(...)中的api coverters={数据列数(从0开始数):转换函数}  同时注意设置的编码  编码要与读取文件的编码匹配

     

     假设变量是多维度的,那我们如何进行呢?

    这里就要定义一个新的参考概念了,欧氏距离!

    d=根号下所有变量与预测变量差的平方之和

     

     那我们新的代码就可以写了,增加变量feature:

     

    但是,这样做精确率并没有上升多少,为什么???

    因为颜色这个指标的差距实在太小,我们需要换方法,在原来模型的基础上再次调优!

    引入数据处理之数据归一化,数据整形:
     

     让每一个变量都有发言权!不会再因为变量之间的差距过于小而没有效果。

     其实就是设置一个比例,各个变量设置比例即可

    代码实现:

     可以看出还影响小球落地位置的因素,假设变量足够多,我们又该如何是好呢?难道继续采用挨个变量归一化设置标准欧式距离吗???

     

    接下来,向量出场了!

     

     向量之向量的点乘概念:

    有必要说一下两个向量之间的夹角,如果夹角越小,他的余弦值就越大,代表两个向量就越接近,例如:我们的推荐系统,猜你喜欢,就是根据向量的点乘实现的。两个商品就好像是两个向量,如果他们之间的夹角越小,点乘的结果越大,两个商品就越相似,就越推荐相似的商品给客户。

     

     

    以上就是使用基本的知识实feature对应的label结果...

    谢谢大家的阅读!!!

    展开全文
  • 人工智能入门教材,我来推荐

    千次阅读 2022-07-21 18:28:21
    《世界著名计算机教材精选·人工智能:一种现代的方法(第3版)》是最权威、最经典的人工智能教材。内容提要本书面向在校学生或计算机软件从业人员,由浅入深地介绍了人工智能在文本任务中的应用。本书不但介绍了...
  • 站在互联网的角度理解人工智能:人工智能AI(artificial intelligence)是互联网时代发展的必然趋势。
  • Python人工智能入门(修订版)

    千次阅读 2021-12-15 11:47:05
    Python人工智能入门 人工智能,在发展过程中产生了很多的流派,应用场景众多,因此有多种定义不足为奇,下面给出两种: 人工智能(Artificial Intelligence, AI) ,是研究、开发用于模拟、延伸和扩展人的智能的理论...
  • 个人认为,在人工智能领域的修炼要经历四个境界:了解人工智能相关概念、使用人工智能所需工具、熟悉人工智能相关理论,巩固人工智能数学知识。本文就分别介绍这四个段位中所需要的“武林秘籍”,为了方便大家,每...
  • 在学习人工智能的过程中,经常会因为它涉及到的知识太多而迷茫;本PPT提纲挈领总结了所有 的知识与类型,方便读者高屋建瓴。不至于 迷失!
  • 学习内容 今天主要介绍人工智能,让大家对人工智能有个很好的认识。...人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新
  • 人工智能入门路线.pdf

    2021-05-19 17:03:03
    人工智能入门路线.pdf
  • Illustrator AI入门基础知识
  • AUT-CE-AI 阿米尔卡比尔工业大学人工智能入门课程的资料库
  • 过去 10 年我们在忙于打造移动为先的世界未来 10 年我们将步入AI 为先的 世界 谷歌CEO Sundar Pichai2016 年10 月 从亚马逊到Facebook再到谷歌和微软全球最顶尖最有影响力的技术公司 都将目光转向了人工智能AIAI ...
  • 把txt文件中数据读入,并通过感知机进行分类
  • 202x年很好的人工智能入门介绍报告胶片(专业完整版).pdf
  • 原标题:了解、学习人工智能必看的十本书到底人工智能是什么?学人工智能必看哪些书籍?简单来说,人工智能就是研究如何让计算机去完成以往需要人的智力才能胜任的工作,通过生产能像人类一样做出智能反应的智能机器...
  • 最近,很多的程序员向我反映:“人工智能太难学了!网上资料太多了,但根本不成体系,而且光会Python编程根本不能入门,还需要会数学...”那么,你是否在学习AI的过程中遇到以下问题?初学...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 149,966
精华内容 59,986
关键字:

人工智能入门

友情链接: weleteonline.rar