¿Cómo aprender inteligencia artificial?
Paso uno: repasar álgebra lineal. (Olvidé mucho álgebra lineal como mal estudiante -_-||)
Me daba pereza leer, así que usé el famoso curso abierto del MIT: Álgebra lineal SVD, espacio de Hilbert. etc. se presentan;
Publicidad: resumí un conjunto de notas mientras leía GitHub - zlotus/notes-linear-algebra: notas de álgebra lineal.
Paso 2: Empieza a utilizar algoritmos de aprendizaje automático.
Como soy vago, utilicé directamente el famoso curso abierto de la Universidad de Stanford: curso de aprendizaje automático, el video del profesor Ng Enda de la versión anterior de cs229, que lo explica con mucho detalle (el objetivo del algoritmo - > Deducción Matemática->pseudocódigo). El único inconveniente de este conjunto de tutoriales es que no presenta la red neuronal recientemente popular, pero esto en realidad es una ventaja. Me hizo comprender que los algoritmos tienen sus propios campos de aplicación y que no todos los problemas deben resolverse mediante redes neuronales. ;
Para decir un poco más, los contenidos introducidos en detalle en este curso incluyen: modelos lineales generales, modelos de series gaussianas, teoría e implementación de SVM, algoritmos de agrupamiento y diversas aplicaciones relacionadas de algoritmos EM, PCA/ICA. , teoría del aprendizaje, modelo de la serie Marko Huff. Los apuntes de clase se encuentran en: CS 229: Machine Learning (folletos del curso), que también es muy detallado.
Publicidad: resumí un conjunto de notas mientras leía GitHub - zlotus/notes-LSJU-machine-learning: Machine Learning Notes
Paso 3: intente implementar el algoritmo en el código.
Aún porque soy vago, sigo usando directamente el famoso aprendizaje automático | Coursera, que sigue siendo el curso impartido por el profesor Ng Enda, pero esta es una versión minimalista de cs229, que casi enseña cómo impleméntelo rápidamente en el modelo matlab A (este conjunto de tutoriales incluye los conceptos básicos y la implementación de redes neuronales). La desventaja de este curso es que la dificultad es relativamente baja y el proceso de derivación es muy simple, pero esta también es su ventaja: me permite concentrarme en convertir la teoría en código.
Publicidad: referencia de tarea GitHub - zlotus/Coursera_Machine_Learning_Exercises: Machine Learning por Andrew Ng de Coursera
Paso 4: Implemente usted mismo un modelo completamente funcional (en progreso).
Como soy demasiado vago, busqué el video del curso cs231n CS231n Invierno de 2016 - Clase del profesor Li Feifei. Los profesores son Andrej Karpathy y Justin Johnson. Presenta principalmente la red neuronal convolucional en el reconocimiento de imágenes. / Visión artificial Aplicaciones en el campo (¿no escribiste suficiente código de red neuronal antes? Este curso te emocionará mucho ~ todo está escrito a mano desde cero ~). Las tareas de este curso son aún más consideradas. Se asignan directamente mediante Jupyter Notebook. Puede ejecutarlas localmente y comprobar si hay errores usted mismo. Utilice principalmente Python y la serie Python de bibliotecas de informática científica (Scipy/Numpy/Matplotlib). Para la traducción de notas de clase, puede consultar la unidad inteligente: columna Zhihu, que está traducida principalmente por Zhiyou Duke, y la escritura es muy buena ~
Para decir un poco más, este curso es más Confuso para los programadores Debido a que esto no está tan sesgado hacia algoritmos y modelos como la tarea implementada con matlab en el paso anterior, el modelo implementado en Python en este curso también se centra en la ingeniería de software, incluidas las capas comunes de encapsulación hacia adelante/hacia atrás y capas de combinación personalizadas. y cómo combinar capas de red, cómo integrar funciones como la normalización por lotes y la deserción en la red, cómo realizar comprobaciones de gradiente en modelos complejos, etc., la última tarea también incluye la implementación manual de RNN y su amigo básico LSTM; y escribir funciones de visualización de CNN que sean útiles para la depuración, DeepDream de Google, etc.
(Después de completar la tarea, básicamente podrá comprender varios programas populares de transformación de estilos de imágenes, como cysmith/neural-style-tf). Además, la implementación de la tarea de este curso recomienda encarecidamente gráficos computacionales. imaginación... ...Cabe señalar que el profesor A.K habla extremadamente rápido. Afortunadamente, YouTube tiene una función que genera automáticamente comentarios con buena precisión y se pueden utilizar como subtítulos.
Publicidad: Referencia de la tarea GitHub - zlotus/cs231n: CS231n Convolutional Neural Networks for Visual Recognition (invierno de 2016) (agregué algunos cálculos de inferencia al cuaderno de la tarea ~ puedes usarlo como referencia: D)