当前位置: 首页 人工智能 人工智能的学习怎么开始?|“五步走”策略让你思路更加清晰

人工智能的学习怎么开始?|“五步走”策略让你思路更加清晰


 


cheche

万年小跟班

爱猫如命


       

大家好,我是cheche~

在人工智能日渐流行的现在,相信有一大批小伙伴开始对这个领域产生兴趣并且想要进军人工智能领域。但是当下定决心去学习时,却被一堆的字眼,比如“特征向量”、“线性代数”、“python”,“神经网络”等晃瞎了眼,好多人都不知道到底该怎么学。人工智能跟传统的IT行业(比如前端P图仔儿啊、WEB程序猿啥的)还是不太一样的,就小编来说,单单人工智能的数学基础就让俺无数次流下没技术的眼泪。所以面对这样的一座大山到底该怎么规划好最短路径登顶呢?作为“一级技术小跟班”和“搜索引擎小能手”俺给大家总结了学习人工智能五个最基本重要的步骤。




1、学习并掌握基本的数学知识


高等数学是基础中的基础,一切理工科都需要这个打底,数据挖掘、人工智能、模式识别此类跟数据打交道的又尤其需要多元微积分运算基础线性代数很重要,一般来说线性模型是你最先要考虑的模型,加上很可能要处理多维数据,你需要用线性代数来简洁清晰的描述问题,为分析求解奠定基础。概率论、数理统计、随机过程更是少不了,涉及数据的问题,不确定性几乎是不可避免的,引入随机变量顺理成章,相关理论、方法、模型非常丰富。很多机器学习的算法都是建立在概率论和统计学的基础上的,比如贝叶斯分类器、高斯隐马尔可夫链

说白了就是一切的开头还是高等数学。但是,这里敲黑板!千万不要拿出一本高数书出来就一页一页按顺序看,很没有效率!大部分都是看过了之后就开始不明觉厉!坚持了三五天就开始想着放弃了。鳖问我是怎么知道的(作为过来人的严肃脸)。还是建议一边学习算法并做练习一边带着问题有目的的去学习高数基础,这样做目的性更强,成长会更快。

附上关于数学基础内容的资源

链接:https://pan.baidu.com/s/1smyG5lV密码:6ktp

2、掌握经典机器学习理论和算法


  • 回归算法:常见的回归算法包括最小二乘法(OrdinaryLeast Square),逻辑回归(Logistic Regression),逐步式回归(Stepwise Regression),多元自适应回归样条(MultivariateAdaptive Regression Splines)以及本地散点平滑估计(Locally Estimated Scatterplot Smoothing);

  • 基于实例的算法:常见的算法包括 k-Nearest Neighbor(KNN), 学习矢量量化(Learning Vector Quantization, LVQ),以及自组织映射算法(Self-Organizing Map , SOM);

  • 基于正则化方法:常见的算法包括:Ridge Regression, Least Absolute Shrinkage and Selection Operator(LASSO),以及弹性网络(Elastic Net);

  • 决策树学习:分类及回归树(ClassificationAnd Regression Tree, CART), ID3 (Iterative Dichotomiser 3), C4.5, Chi-squared Automatic Interaction Detection(CHAID), Decision Stump, 随机森林(Random Forest), 多元自适应回归样条(MARS)以及梯度推进机(Gradient Boosting Machine, GBM);

  • 基于贝叶斯方法:朴素贝叶斯算法,平均单依赖估计(AveragedOne-Dependence Estimators, AODE),以及Bayesian Belief Network(BBN);

  • 基于核的算法:支持向量机(SupportVector Machine, SVM), 径向基函数(Radial Basis Function ,RBF), 以及线性判别分析(Linear Discriminate Analysis ,LDA)等;

  • 聚类算法: k-Means算法以及期望最大化算法(Expectation Maximization, EM);

  • 基于关联规则学习: Apriori算法和Eclat算法等;

  • 人工神经网络:感知器神经网络(PerceptronNeural Network), 反向传递(Back Propagation), Hopfield网络,自组织映射(Self-OrganizingMap, SOM);

  • 深度学习:受限波尔兹曼机(RestrictedBoltzmann Machine, RBN), Deep Belief Networks(DBN),卷积网络(Convolutional Network), 堆栈式自动编码器(Stacked Auto-encoders)。

  • 降低维度的算法:主成份分析(PrincipleComponent Analysis, PCA),偏最小二乘回归(Partial Least Square Regression,PLS), Sammon映射,多维尺度(Multi-Dimensional Scaling, MDS),  投影追踪(ProjectionPursuit)等;

  • 集成算法:Boosting, Bootstrapped Aggregation(Bagging),AdaBoost,堆叠泛化(Stacked Generalization, Blending),梯度推进机(GradientBoosting Machine, GBM),随机森林(Random Forest)。

算法学习确实枯燥,不过既然大家决定了学习人工智能就要坚持学下去,附上斯坦福大学老师的算法讲解

链接:https://pan.baidu.com/s/1smU4B7J 密码:0y04

3、掌握一种编程工具


Python是脚本语言,简便,拿个记事本就能写,写完拿控制台就能跑;另外,Python非常高效,效率比java、r、matlab高。matlab虽然包也多,但是效率是这四个里面最低的。

链接:https://pan.baidu.com/s/1hsS4OwW 密码:3ayf

4、了解行业最新动态和研究成果

比如各大牛的经典论文、博客、读书笔记、微博微信等媒体资讯。PS:迪哥也有相关论文讲解课程~

5、实操演练

找一个开源框架如caffe、tensorflew等,自己多动手训练深度神经网络,多做一些与人工智能相关的项目,github上很容易找到相应的小项目练习。

长按下图二维码,关注我们吧!

难道不来个赞?




版权属于:数据先锋

原文地址:http://78soft.com/article/19946.html

转载时必须以链接形式注明原始出处及本声明。

猜你喜欢

最热文章

热门标签