• 欢迎来到CKJ潮科技智能家居网!
  • 手机版
    手机扫一扫访问
    潮科技智能家居网
  • 关注官方公众号
    微信扫一扫关注
    潮科技智能家居网
开启左侧

如何自学人工智能?

[复制链接]
其贰蛮夏 发表于 2019-1-11 12:03:28 | 显示全部楼层 |阅读模式 打印 上一主题 下一主题
零基础自学人工智能,希望能推荐下学习路径。

基础只有兴趣,不要说不可能。

兴趣为解决人类智能缘起的问题。
回复

使用道具 举报

精彩评论17

joungcat 发表于 2019-1-21 12:05:06 | 显示全部楼层
不少同学跃跃欲试,想投入 AI 的怀抱,但苦于不知如何下手。其中,人工智能的核心就是机器学习(Machine Learning),它是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。
我们今天就来分享一篇来自 EliteDataScience 上专门讲给机器学习入门自学者的教程,一步步教你如何从基础小白进阶为 ML 大拿。快上车吧,别找硬币了,这趟车不要钱!





你是否正在准备自学机器学习,但又不知道怎么去学、还被那些贵的要命的培训课程吓得不行?


今天我们在这篇文章里就教你怎样免费获得世界级的机器学习教育,你既不需要有博士学位,也不必是技术大牛,更不必卖好几个肾去买一份很贵的培训课程。不管你是想成为数据科学家还是在开发中使用机器学习算法,其实你都能比想象中更快地学习和应用机器学习。


本文告诉你在机器学习之路上的几个步骤,保你不会迷路,下面开始我们的表演。


第一步:先搞懂什么是机器学习



在闷头学习机器学习之前,最好先把什么是机器学习搞清楚,了解机器学习的基本概念。


简单来说,机器学习就是教电脑怎样从数据中学习,然后做出决策或预测。对于真正的机器学习来说,电脑必须在没有明确编程的情况下能够学习识别模型。


机器学习属于计算机科学与统计学的交叉学科,在多个领域会以不同的面目出现,比如你应该听过这些名词:数据科学、大数据、人工智能、预测型分析、计算机统计、数据挖掘······


虽然机器学习和这些领域有很多重叠的地方,但也不能将它们混淆。例如,机器学习是数据科学中的一种工具,也能用于处理大数据。


机器学习自身也分为多个类型,比如监督式学习、非监督式学习、增强学习等等。例如:


邮件运营商将垃圾广告信息分类至垃圾箱,应用的是机器学习中的监督式学习;电商公司通过分析消费数据将消费者进行分类,应用的是机器学习中的非监督式学习;而无人驾驶汽车中的电脑合摄像头与道路及其它车辆交互、学习如何导航,就是用到了增强学习。


想了解机器学习的入门知识,可以看看一些网络课程。对于想对机器学习领域的重点慨念有个基础的了解的人来说,吴恩达教授的机器学习入门课程绝对必看:



以及“无人车之父” Sebastian Thrun 的《机器学习入门》课程,对机器学习进行了详细介绍,并辅以大量的编程操作帮助你巩固所学内容:



此外,Sebastian 在优达学城上还开设了一本《人工智能入门》课程,讲解人工智能领域的基本原理以及相关应用比如机器人、计算机视觉和自然语言处理等:



当然也少不了集智君整理制作的免费专栏,在这里你可以免去安装环境的烦恼,直接投入简单地机器学习训练中来:



这些课程都是免费的哦!


大概了解机器学习后,我们就来到知识准备阶段了。


第二步:预备知识



如果没有基本的知识储备,机器学习的确看起来很吓人。要学习机器学习,你不必是专业的数学人才,或者程序员大牛,但你确实需要掌握这些方面的核心技能。


好消息是,一旦完成预备知识,剩下的部分就相当容易啦。实际上,机器学习基本就是将统计学和计算机科学中的概念应用在数据上。


这一步的基本任务就是保证自己在编程和统计学知识上别掉队。


2-1:用于数据科学中的Python编程



如果不懂编程,是没法使用机器学习的。幸好,这里有份免费教程,教你如何学习应用于数据科学中的Python语言:



注:景略集智再补充三个资源:


[Python入门] 01 基本法则 - 集智专栏:

从零学习数据科学中Python的完全指南:

以及40多个Python学习资源的汇总文章:



2-2:用于数据科学的统计学知识



了解统计学知识,特别是贝叶斯概率,对于许多机器学习算法来说都是基本的要求。
这里有份学习数据学习中统计学知识的教程:



2-3:需要学习的数学知识



研究机器学习算法需要一定的线性代数和多元微积分知识作为基础。点这里,获取一份免费学习教程:



第三步:开启“海绵模式”,学习尽可能多的原理知识






所谓“海绵模式”,就是像海绵吸水一样,尽可能多地吸收机器学习的原理和知识,这一步和第一步有些相似,但不同的是,第一步是对机器学习有个初步了解,而这一步是要掌握相关原理知识。


可能有些同学会想:我又不想做基础研究,干嘛要掌握这些原理,只要会用机器学习工具包不就行了吗?


有这个疑问也很正常,但是对于任何想将机器学习应用在工作中的人来说,学习机器学习的基础知识非常重要。比如你在应用机器学习中可能会遇到这些问题:




  • 数据收集是个非常耗时耗力的过程。你需要考虑:我需要收集什么类型的数据?我需要多少数据?等此类的问题。
  • 数据假设和预处理。不同的算法需要对输入数据进行不同的假设。我该怎样预处理我的数据?我的模型对缺失的数据可靠吗?
  • 解释模型结果。说机器学习就是“黑箱”的观点明显是错误的。没错,不是所有的模型结果能直接判读,但你需要能够判断模型的状况,进而完善它们。我怎么确定模型是过度拟合还是不充分拟合?模型还有多少改进空间?
  • 优化和调试模型。很少有人刚开始就得到一个最佳模型,你需要了解不同参数之间的细微差别和正则化方法。如果我的模型过度拟合,该怎么修正?我应该将几个模型组合在一起吗?


要想在机器学习研究中解答这些问题,掌握机器学习的知识原理必不可少。这里推荐两个世界级的机器学习课程,一定会让你受益良多:


哈佛大学的机器学习课程,让你了解从数据收集到数据分析的整个流程:
   
(提示:这个课程和吴恩达教授的课程配合食用,效果更加)


斯坦福大学的机器学习课程,清楚地讲解了机器学习的核心概念:




还有两部值得读的参考书籍:《统计学习导论》和《统计学习基础》
这两部书的英文原版下载地址:
《An Introduction to Statistical Learning》:



《Elements of Statistical Learning》:

注:看不惯英文原版的同学,可以去读这两本书的中文版。


集智也建议大家可以多逛逛Reddit上的机器学习论坛:







当然,Quora上的机器学习版块也很有料:

逛论坛不容易看到高阶知识,你不能一直停留在菜鸟阶段不是,要升级就有必要看看专业的论文。arXive是个好去处,是个收集物理学、数学、计算机科学与生物学的论文预印本的网站。


关于人工智能的版块:



关于机器学习的版块:



如果嫌自己搜索论文太麻烦,可以在网站  上注册一个账号,它可以按自己的感兴趣标签给你推送最新的 arXive 上的论文。


第四步:针对性实际练习



在开启“海绵模式”后,你应该掌握了机器学习的基础理念知识,接着就该实际操作了。
实际操作主要是通过具体的、深思熟虑的实践操作增强你的技能。本步目标有三个:


  • 练习机器学习的整个流程:收集数据,预处理和清理数据,搭建模型,训练和调试模型,评估模型。
  • 在真正的数据集上实践操作:对于什么样的数据适合用什么类型的模型,自己应逐渐建立这方面的判断能力。
  • 深度探究:例如在上一步,你学习了很多机器学习算法知识,在这一步就要将不同类型的算法应用在数据集中,看看哪个效果最好。


完成这一步后,就可以进行更大规模的项目了。


4-1 九个基本部分



机器学习是一个非常广泛和丰富的领域,几乎在每个行业都有应用。因为要学习的东西太多,初学者很容易发慌,而且在面对很多个模型时也很容易迷失,看不到大局。
因此,我们把机器学习大概划分为九个部分:


ML整体学习:


基本的机器学习原理,比如方差权衡这些知识。



优化:


为模型发现最优参数的算法。





数据预处理:


处理缺失数据、偏态分布、异常值等。





取样和拆分


怎样拆分数据集来调整参数和避免过度拟合。





监督式学习


使用分类和回归模型从标记数据中学习。





非监督式学习


使用因素和集群分析模型从非标记数据中学习。





模型评估


根据不同的性能度量做出决策。





集成学习


将不同模型相结合,达到更好的性能。





商业应用


机器学习如何帮助不同类型的商业业务。







4-2 实践工具



对于初学者,我们建议采用现成可用的算法,这样可以把时间用在熟悉机器学习流程上,而不是写算法。根据你使用的编程语言,有两个不错的工具(链接为使用教程):


Python的Scikit-Learn



R语言的Caret



4-3 利用数据集实践操作



在这步需要用数据集进行搭建和调试模型的实际操作,也就是将你在“海绵模式”阶段学到的理论转变为代码。我们建议你选择UCI Machine Learning Repo,Kaggle和上的数据集开始入手:


UCI Machine Learning Repo:



Kaggle:







第五步:机器学习项目



终于到了最后一步,也是很有意思的一步。目前为止,我们已经完成了:知识储备、掌握基本原理、针对性练习等阶段,现在我们准备探究更大的项目:
这一步的目标就是练习将机器学习技术应用于完整的端到端分析。
任务:完成下面的项目,依次从易到难。


5-1:“泰坦尼克号”幸存者预测


“泰坦尼克号”幸存者预测是练习机器学习时相当流行的选择。而且有非常多的教程可供参考。





Python 教程:





R语言教程:






5-2 从零开始写算法



我们建议你先以一些简单的方面写起:逻辑回归、决策树、k 最近邻算法等。


如果中间卡住了,这里有些小技巧可以参考:


  • 维基百科是个不错的资源库,提供了一些常见算法的伪代码。
  • 可以看看一些现成ML工具包的源代码,获得灵感。
  • 将算法分为几部分。写出取样、梯度下降等的分离函数。
  • 在开始写整个算法前,先写一个简单的决策树。


5-3 选个有趣的项目或自己感兴趣的领域



其实这应该是机器学习最棒的部分了,可以利用机器学习实现自己的想法。
如果实在没想到好点子,这里有6个有趣的初学者机器学习实践项目:







结语:



如果你按照这个步骤一步步扎实学习的话,相信你最终一定在机器学习方面小有成就!


我们对初学机器学习的人还有10个小小的tips:


  • 为自己设定学习目标和期限,尽力完成。
  • 打好学习基础,掌握基本理论。
  • 将实践理论相结合,不要只关注某一个方面。
  • 试着自己从头写几个算法。
  • 多角度思考问题,找到自己感兴趣的实践项目。
  • 多想想每个算法能产生什么价值。
  • 不要相信科幻电影中对ML的胡吹。
  • 别过度理会网上关于ML知识的争论。
  • 多想想数据的“输入/输出”,多问问“为什么”。
  • 上集智,第一时间将自己升级。→→




最后,祝同学们学有所成!
(二维码自动识别)








回复

使用道具 举报

ethb16 发表于 2019-1-21 12:08:00 | 显示全部楼层
这是ANU教授Marcus Hunter(Universal Artificial Intelligence的作者)给出的建议
Short AI Reader's Guide

Please find below suggestions for some textbooks which I found most relevant for understanding and modeling , and for developing the  in particular. If you are confused by the amount, diversity or complexity of the references below, I suggest you to start with the . It requires no background knowledge, describes the key ideas, open problems, and great applications of this field. Don't be surprised about the ease of the book, it teaches understanding, not proofs. It gets really tough to make things work in practice and to prove things. The  gives a comprehensive overview over AI in general. The is an excellent introduction to algorithmic information theory. If you have some background knowledge in decision theory and algorithmic information theory you may be interested in the .

Long AI Reader's Guide

For the impatient.
If you are the sort of impatient student who wants to build super intelligent machines right away without "wasting" time reading or learning too much, well, others have tried in the last 50 years and failed, and so will you. If you can't hold back, at least read Legg (2008) []. This is an excellently written non-technical thesis on the necessary ingredients for super intelligent machines.
     It will not help you much building one, since in order to properly understand the general theory and to bridge the gap to "narrow" but practical existing AI algorithms, you need a lot more background. Nevertheless, [Leg08] might motivate you to consider reading the books I'll recommend now.

Artificial Intelligence. Russell and Norvig (2003) [] is the textbook to learn about Artificial Intelligence. The book gives a broad introduction, survey, and solid background of all aspects of AI. There is no real alternative. Whatever subarea of AI you specialize later, you should understand all introduced concepts, and have implemented and solved at least some of the exercises.
     The textbooks below are relevant for understanding and modeling general intelligent behavior. If you already got attracted to some specific AI applications, they may not be relevant for you. One axis of categorizing AI is into (1) logical (2) planning and (3) learning aspects. CSL@ has experts in all 3 areas. Historically, AI research started with (1) in the 1950s, which is still relevant for many concrete practical applications. Since at least in humans, high-level logical reasoning seems to emerge from the more basic learning and planning aspects, it is conceivable that (1) will play no fundamental role in a general AI system. So I will concentrate on (2) and (3). If put together, learning+planning under uncertainty is mainly the domain of reinforcement learning (RL), also called adaptive control or sequential decision theory in other fields.

Reinforcement Learning. Sutton and Barto (1998) [] is the excellent default RL textbook. It requires no background knowledge, describes the key ideas, open problems, and great applications of this field. Don't be surprised about the ease of the book, it teaches understanding, not proofs. It gets really tough to make things work in practice or to prove things [].
     If you want to bring order into the bunch of methods and ideas you've learned so far, and want to understand more deeply their connection either for curiosity or to extend the existing systems to more general and powerful ones, you need to learn about some concepts that at first seem quite disconnected and theoretical.

Information theory. Intelligence has a lot to do with information processing. Algorithmic information theory (AIT) is a branch of information theory that is powerful enough to serve as a foundation for intelligent information processing. It can deal with key aspects of intelligence, like similarity, creativity, analogical reasoning, and generalization, which are fundamentally connected to the induction problem and Ockham's razor principle. Li and Vitanyi's (1997) AIT book [] provides an excellent introduction. Kolmogorov complexity, Minimal Description Length, universal Solomonoff induction, universal Levin search, and all that. It requires a background in theoretical computer science in general and computability theory in particular, which can be obtained from the classic textbook [].

Universal AI. Now you are in a position to read []. The book develops a sound and complete mathematical theory of an optimal "intelligent" general-purpose learning agent. The theory is complete in the sense that it gives a complete description of this agent, not just an incomplete framework with gaps to be filled. But be warned, it is only a theory. Like it is a long way from e.g. the minimax theory of optimally playing games like chess to real chess programs, it is a long way from this theory to a practical general purpose intelligent agent [].

Peripheral Areas. The other recommended books below can be regarded as further readings that provide more background and deepen your understanding of various important aspects in AI research. Bishop (2006) [] is the excellent default textbook in statistical machine learning, and should be put on your reading list. Some Bayesian probability book will be useful too [, ]. How multiple rational agents interact [] is the domain of game theory []. Computer vision [], natural language understanding [], and robotics [] interfaces abstract agents with the real world. Alchin (2006) [] gently and broadly introduces you to philosophy of science in general and Earman (1992) [] to the induction problem in particular.
来自他的个人网站:



回复

使用道具 举报

顾月出 发表于 2019-1-21 12:11:24 | 显示全部楼层
AI产品经理——成长路
一、AI的兴起与互联网
1. 互联网的红利消失
1) PC端和移动端使用人数固定
目前来看,PC端和移动端的每年出货量都在一个值上下,移动端大概在每年4亿台,PC端更少而且每年还在下降。
2) 大流量入口被巨头瓜分
从平时大部分人的手机端来看,一般人下载的应用就那么几个。
聊天(QQ、微信),资讯(今热头条、知乎、微博),外卖(饿了么、美团)等软件,基本上的移动端流量都被这些巨头给带走了。
3) 获客成本大幅度提高
现在已经不是几个人合作开发个APP就能搞定的年代了,基本上投资家就会问,你是怎样获客的,也就是你能找到你的适用人群吗?怎样让人去用它。
2015年打车大战时,资本投了很多钱,滴滴和快的一年都烧了一个亿用来获客;2016年的共享单车也是一样。随着APP的饱和,即使出现一个很好的idea,你都需要大量的资金去烧。


2. 互联网对传统行业的改造有限
1) 医疗本质
医疗的本质是医生给人看病。但是有一个问题互联网它是解决不来的,那就是全国上下医生的数量并没有因为互联网而增多,数量就那么多。互联网的本质是解决了信息的不对称问题,它把医生和病人连接在一起,但是本质上还是一个医生只能看一个病人,只是效率上略有提高,本质问题并没有解决。
AI可以带来新的可能,未来她可以在很多方面代替医生给人看病、抓药等。从本质上提升了看病的效率。
2) 物流本质
物流的本质上问题也是跟医疗问题一样,也是一个司机开一辆车,并没有从根本上解决这个行业的效率痛点。
3) 制造业本质
制造业从第二次工业革命之后,生产效率就没有大的提升。第一工业革命后,制造业全面升级,伴随着大量手工业者的失业,随之而来的是,蒸汽动力带来的产业链革新;而第二次工业革命是内燃机和电力的普及,带来新的动力,制造业进入飞速发展的时代,从而带来生产力的进步推动社会的发展;互联网带来的三次革命是信息革命,制造业并没有从中获取太多的好处,而AI可以为制造业带来新的可能,大幅度提升生产力。
4) 其他的类似有打车行业、餐饮行业和教育行业等,互联网也都没有对其作出根本性的改变。


3. AI有无限遐想
1) 全新的世界
a) 新的交互方式:语音交互,视频交互,手势交互
b) 新的购物方式:虚拟试衣
c) 新的游戏体验:VR/AR带来的新一代沉入式游戏


2) 机会众多
a) 双创带来的AI机会
国家近年来提出的双创计划,鼓励大众创新创业,而且国家最近又将AI列入国家的发展规划之中,可见未来AI将会给年轻人带来很多机会。
b) AI可以带来新的商业模式
看互联网的20年发展史可知,互联网的每一次小小革新都将带来新的商机和商业模式。干爹马云创立淘宝给商家和用户直接的交易带来了可能;小马哥创立的腾讯帝国带来了社交方式的突破,让我明白了“羊毛出在猪身上”的真谛;而最近几年的共享经济模式和直播经济模式又是一个创新的商业模式,并且中国的共享单车被外国人称为“新四大发明”之一。


3) 大量的工作机会
a) AI训练师:
这个职业已经在某些招聘网站上可以看到了,而且工资还都不低。
b) 机器人顾问:
我想这个是未来为机器人服务的一个岗位。
c) 虚拟律师:
我想大概将来虚拟产业起来之后,将会有针对虚拟的事物(机器人、智能产品、虚拟的世界NPC等)法律法规,这时这个职业将会应运而生。类似的我猜应该还有机器慰问师等。
d) AI PM:
这个现在应经被大多数科技企业所接受了,也是伴随着AI而生的。


4. AI将大规模提升生产力
1) 看病效率大幅度提升
AI创企依图科技已经在和某些三家医院合作,并采用AI系统平台来代替医生对肿瘤等影像图片进行分析了,未来将会在更多的领域协助医生看病分析病情,改变以往一个医生在单位时间内的看病效率。
2) 无人车解决交通物流压力
现如今各大一线城市皆都因为私家车的普及造成交通的堵塞,给大城市的交通运输造成极大压力。电商的发展造成物流的运输压力。
3) 智慧机器人推进制造业升级
智慧机器人的高精度重复作业既降低了企业的人力成本,也降低了人身安全风险,相反却可大大提高企业的生产力。
4) 经济的发展带动文明的进步
AI带来的生产力发展,而生产力又是人类文明进步的推动力,文明发展将会为人类探索未知世界(星空、深海、生命的起源等)带了新的机会和突破。
5) 机器人解决陪伴、护理、客服等问题


5. AI能为用户打造个性化服务体验
1) 淘宝能够根据个人信息匹配衣服尺寸
淘宝上买衣服众所周知都是看中后询问客服衣服的尺寸及其他的信息,以后则可以利用机器学习建立每个用户的尺寸信息和款式爱好等特征给用户画像,下一次买衣服则不用客服来回答用户的尺寸信息了,直接可以推荐用户的合适款式。
2) 婚恋网站根据用户社交属性打造兴趣朋友圈
婚恋交友网站可以利用用户的数据来训练机器从而建立模型为用户画像,再为用户推荐匹配交友对象等。
3) 点对点式教育促进个性化知识的传播
未来的教育形式在满足普通教育的基础上,人们越来越崇尚个性化的因材施教方案,而只有利用AI为每一个用户个性化打造个性化的教育内容。
4) 百度能根据用户画像,实现精准搜索
这个百度已经在利用了,不需要多说了。




二、AI  PM的必须
1. 算法的开源和数据资源战
1) 谷歌和BAT算法框架的免费
未来的算法和框架肯定都是免费的,这是大公司们的套路,“羊毛出在猪身上”,大公司靠其他业务盈利如云计算等。
2) 技术服务利润窄
3) 数据价值的商业提现


2. 技术人才不一定适用于商业发展的需求
1) 推动社会进步的不是技术的创造而是技术落地的实现者
a) 瓦特发明蒸汽机从而进入蒸汽时代推动工业革命
b) 贝尔发明电话打开通讯时代
c) 爱迪生发明电灯从而让人类拜托黑暗
d) 促进信息时代发展的不是互联网的提出者,而是各大科技公司的CEO们


2) AI技术人才的思维并不一定适用于商业模式的探讨


3) 商业落地需要创新意识


3. 产品的落地需要专业人才探讨
1) 百度引进陆奇
百度AI技术在中国是走在前列的,领先与BAT中的其他两家,然而Robin还是去硅谷请来了陆奇为其开拓AI的落地业务,随之而来的是一大批技术大牛(吴恩达、余凯等)的离去。侧面证明了AI产品人在未来场景落地应用方面的重要性。
2) 智能音箱的落地更需产品思维
在美国的所有高科技企业中,谷歌是以技术见长的在AI方面更是技术人才辈出,然而正如陆奇所说的,在硅谷,AI商业化的落地探寻中,亚马逊才是最成功的(原话不记得了,大概意思是这样),因为亚马逊的智能音箱Echo至少是卖火了的,卖出了AI的概念,让用户知道了有这么个高科技玩意。


4. 未来的产品涉及到各个方面(哲学、心理、情感)
1) 智能音箱(情感)
智能音箱中的对话情景涉及到人与人之间的情感分析,这些都不是技术人才能搞得定的,所谓术业有专攻,这些情景类的探寻还是需要懂用户的产品人来开拓市场。
2) 虚拟购物(懂用户)


5. 细分行业的垂直应用需要复合型人才开拓
1) 陪伴类机器人需要情感交流
2) 智能投顾需要金融知识
3) 智慧医疗需医学知识
4) 无人车商用需要懂人文法律




三、未来产品的思考


1. 未来工具
1) 交互工具
人用语音,机器视觉呈现、手表、头盔、眼镜等


2) 交通工具
可能是移动分众平台、星巴克、书房


3) 社交工具
虚拟社区、主题公园、游戏世界等


2. AI+行业
1) 定义:AI技术没发展之前是没有这个行业的


2) 特点:
a) 行业壁垒较低,和巨头同一起跑线
b) 机会太少
c) 技术要求高,创业团队得高大上
d) 创新思维要求高


3) 应用:
a) 无人车:AI技术发展起来之前,谁敢大言不馋的说无人驾驶。
b) 智能音箱:ASR、NLP没突破之前,智能音箱的概念估计都没人敢提。
c) 城市大脑:计算机视觉和机器学习的突破才让图片分析成为可能,才能帮助治理城市。
d) 人脸识别:这个方向纯粹就是计算机视觉和机器视觉发展的产物。
e) 陪伴机器人:未来机器人发展的必经之一。


3. 行业+AI
1) 定义:一直存在的行业,AI只是带来产业升级


2) 特点:
a) 有很深的行业壁垒,巨头并没有什么优势
b) 对创业公司更友好
c) 懂AI的行业人才相较AI人才更重要
d) 七成以上的产品落地都在行业+AI上


3) 应用:
a) AI医疗影像
b) 无人物流货运
c) AI数据投顾
d) 无人零售
e) AI安防


4. 方式的考虑
1) 控制方式
未来产品的控制方式将会更加的自然,从以前的少数极客到受过高等教育的学生再到老人和小孩。


2) 感知丰富
a) 输入:多种感知方式的输入,语音、手势
b) 输出:语言、图像、行为


3) 导向:从功能导向到以人为核心


4) 内容
a) 内容标签化、精细化
b) 内容个性化用户画像、精准化
c) 形态:以语音和视频为主体(不再主动寻找)


5. 产品形态
1) 云端一体:
a) 端:语音、视觉、行动
b) 云:数据、算法、服务
2) 形态以方便自然为导向


6. 应用类别
1) 关键性应用
a) 用户承受要求极高,容错率极低
精确度99%意味着100次出一次事故,99.9%意味着1000次出一次事故,因此技术要求高,非要一些技术大牛坐镇不可,因此对大部分的创业公司不是很友好。
b) 落地应用
i. 手术机器人
ii. 医疗影像分析
iii. 无人飞行
iv. 智能配药
v. 无人驾驶
c) 技术要求很高,非高大上搞不定
d) 项目周期长,商业化遥远,盈利遥遥。


2) 非关键性应用
a) 落地应用:
i. 智能安防
ii. 人脸识别
iii. 扫地机器人
iv. 陪伴机器人
v. 送餐机器人
b) 技术要求不高,能达到通用技术即可
c) 用户承受力期望要求不高
d) 项目周期短,短时间可判断能否盈利,且对广大想要在AI上寻找机会的创业者来说更友好一点,机会跟多一点。




四、产品人技能树
1. AI发展史
1) AI孕育期(1943-1955):计算机器与智能的提出
a) 明斯基和同学造出第一台神经网络计算机
b) 阿兰.图灵提出图灵测试


2) AI的诞生(1956):达特矛斯会议几个科学家(麦卡锡、明斯基、香农等)提出了人工之能这个名词,并正式有了概念。


3) 热情与期望(1956-1973)
a) 西蒙提出物理符号系统
b) 萨缪尔编写西洋跳棋程序
c) 算法发明
i. 贝尔曼公式的提出:增强学习的雏形
ii. 感知器的提出:深度学习模型的雏形
d) 人工智能实验室在高校(MIT、斯坦福)的建立
e) 广泛应用于数学和NLP领域以解决代数、几何证明和英语问题


4) 第一次寒冬(1974-1980)
a) 逻辑证明器、感知器、增强学习只能够做简单的任务
b) 数学模型被发现有缺陷
c) 政府中断合作并转移资金,社会舆论压力


5) AI崛起(1980)
a) 专家系统的提出
b) BP算法的提出


6) 第二次寒冬(1987)
a) 苹果和IBM生产的台式机性能超越专家系统性能
b) 美国政府项目局否决AI为下一个浪潮


7) 现代AI(21世纪初左右)
a) 1997年IBM深蓝战胜国际象棋冠军
b) 2009年罗斯联邦理工学院的蓝脑计划成功模拟部分鼠脑
c) 大数据导致深度学习兴起
d) 2011年IBM沃森挑战智力问答节目“危险边缘”夺冠
e) 2016年阿法狗战胜人类围棋冠军
f) 2017年AI被列入各大国的战略发展规划中


2. AI通识理解
1) 基础计算能力层:云计算、GPU等硬件加速,神经网络芯片


2) 技术框架层:TensorFlow、Caffe、Theano、Torch、DMTK、DTPAR、ROS等框架或操作系统


3) 算法层(机器学习)
a) 监督学习
i. 定义:已标注的数据为老师,机器得出模型,然后输出预测数据结果


ii. 解决问题
① 回归问题
② 分类问题


iii. 算法模型
① 线性回归模型
② K-近邻算法
③ 决策树
④ 朴素贝叶斯
⑤ 逻辑回归


b) 半监督学习
i. 定义:通识使用未标注和标注的数据训练模型来进行模式识别工作


ii. 解决问题
① 垃圾信息过滤
② 视频网站分析


iii. 算法模型
① 半监督SVM(支持向量机)
② 高斯模型
③ KNN模型
④ Self-trainning
⑤ Co-trainning


iv. 优点
① 相比监督学习,节约人力成本,提高投入产出比
② 相比无监督学习,可以得到分配更高精度的模型


c) 无监督学习
i. 定义:不给机器提供已标注的数据,让机器自己对数据进行处理并输出结果


ii. 解决问题
① 关联
② 聚类
③ 降维


iii. 算法模型
① K均值算法
② 自编码
③ 主成分分析
④ 随机森林


d) 强化学习
i. 定义:机器感知环境的正状态转移时会反馈给机器的一个奖赏,使机器学习朝着正信号趋势学习,从而使累积奖赏值最大。


ii. 解决问题
① 自动直升机
② 机器人控制
③ 手机网络路由
④ 市场决策
⑤ 工业控制
⑥ 高效网页索引


iii. 算法模型
① K-摇臂赌博机(单步强化学习任务)
● ε-贪心算法
● Softmax算法


② 有模型学习(多步强化学习任务)
● 基于T步累积奖赏的策略评估算法
● 基于T步累积奖赏的策略迭代算法


③ 免模型学习
● 蒙特卡罗强化学习
a) 同策略
b) 异策略


●  时序查分学习
a) Q-学习算法
b) Sarsa算法
④ 模仿学习


e) 迁移学习
i. 定义:指从一个领域的学习结果迁移到另一个学习领域


ii. 解决问题
① 终身学习
② 知识转移
③ 归纳迁移
④ 多任务学习
⑤ 知识的巩固
⑥ 上下文相关学习
⑦ 元学习
⑧ 增量学习


iii. 算法模型:TrAdBoost算法


f) 深度学习
i. 定义:多层神经网络


ii. 解决问题
① 预测学习
② 语音识别
③ 图像识别


iii. 算法模型:RNN、DNN、CNN


iv. 优点
① 从特征中检测复杂的相互作用
② 从几乎没有处理的原始数据中学习低层次的特征
③ 处理高基数类成员
④ 处理未标记的数据


4) 通用技术层
a) 语音识别(ASR)
i. 概念
① 原理:输入——编码——解码——输出
② 识别方式
● 传统识别:一般采用隐马尔可夫模型HMM
● 端到端识别:一般采用深度神经网络DNN


ii. 远场识别
① 语音激活检测VAD:远场识别信噪比(SNR)比较高


② 语音唤醒:智能设备需要语音唤醒词来使其工作


③ 难点
●  唤醒时间:用户发出语音到设备响应用户所花时间(目前还是略长)
● 功耗:目前功耗并不低
● 唤醒词:一般在3-4个字
● 唤醒结果
a) 漏报:喊他他不应(唤醒词字数太多容易发生漏报)
b) 误报:没喊他他应(唤醒词字数太少容易发生误报)


iii. 麦克风阵列
① 背景:在复杂的背景下经常有各种噪声、回声、混响来干扰识别场景此时需要麦克风阵列来处理杂声。


② 作用
●  语音增强
● 声源定位
●  去混响
● 声源信号的提取和分离


③ 分类
1. 线性:一维(180度)
2. 环形:二维(360度)
3. 球形:三维空间


④ 个数
1. 一般常用为2、4、6麦
2. 单麦、双麦、多麦在嘈杂环境下拾音效果差距较大
3. 5麦和8麦在安静环境下效果相当


iv. 全双工
① 单工:A和B说话,B只能听A说
② 半双工:A(中路miss了,下路注意了,完毕)  B(下路收到,完毕)
③ 全双工:两人多轮对话,可插话和打断


v. 纠错:对识别的语句进行纠错


b) 自然语音处理(NLP)
i. 过程
① NLU(自然语言理解)
② NLG(自然语言生成)


ii. 难点
① 语言歧义性:意思意思(到底是什么意思,机器无法弄明白)
② 语言鲁棒性:句子多字少字错字,语法错误(这个人都经常出错,机器现在还无法搞定)
③ 知识依赖:苹果(这个到底指“水果”还是指“手机”)
④ 语境:上下文的语境分析(她走了——她到底是哪个呢)


iii. 解决方法(这个太多了就不细说了,深究的同学可自查资料)
① 规则方法
② 统计方法
③ 深度学习
④ 关联方法


iv. 应用
① 句法语义分析
② 信息抽取
③ 文本挖掘
④ 机器翻译
⑤ 信息检索
⑥ 问答系统
⑦ 对话系统


c) 语音合成(TTS)
i. 实现方法
① 拼接法:
1. 定义:从事先录制的大量语音中,选择基本单位(音节、音素)拼接而成,为了连贯性常采用双音子(一个因素的中央倒下一个因素的中央)作为单位。
2. 优点:语音质量较高
3. 缺点:数据库较大,一般需几十小时的成品语料,企业级商用的话需5万句费用在几百万。


② 参数法:
1. 定义:根据统计模块来产生每时每刻的语音参数,然后将参数转化为波形,主要分三个模块:前端处理,建模和声码器。
a) 这句话的语气语调,节奏,韵律边界,重音,情感
b) 拼接法和参数法,都有前端处理,区别在于后端声学建模方法。


2. 优点:个性化的TTS大多是用参数法可节约时间成本


3. 缺点:质量比拼接法差一些,因为受制于发生算法,有损失。


ii. 评判标准(评判TTS系统的好坏)
① 主观测试:人为评测(人为来听)
② 客观测试:系统评测(机器评测)


iii. 瓶颈和机会
① 数据匮乏(可用的语音数据)
② 人才匮乏:TTS人才相比于AI中的NLP和CV类人才太少
③ 产品化难度高
● 用户预期场景较复杂
● 技术现在还有较多难点
● 细节设计还需较多斟酌
④ 商业化压力
● 项目周期较长(这个需要长时间的数据和技术的积累与沉淀)
●  细分场景上的切入目前还处于早期阶段,试错成本较高


d) 计算机视觉(CV)
i. 发展阶段(四个阶段)
① 马尔计算视觉阶段
● 计算理论
●  表达和算法
● 算法实现
② 主动和目的视觉阶段
③ 多视几何和分层三维重建阶段
● 多视几何
● 分层三维重建
● 摄像机自标定
④ 基于学习的视觉阶段
● 流形学习
● 深度学习


ii. CV应用的处理过程
① 成像
1. 定义:模拟相机原理(怎样把照片的质量进行提升)
2. 影响图片因素
a) 光照影响
i. 从产品角度控制:可以通过提醒来改变用户的使用场景;通过升级或变更硬件设施来提升产品的体验
ii. 从算法角度控制:利用算法对图片进行处理来提升图片的质量
b) 模糊
i. 运动模糊:人体、车辆、摄像头的移动造成
ii. 对焦模糊:摄像头的距离、质量和天气等因素造成
iii. 低分辨率差值模糊:小图放大和摄像头硬件等设备造成
iv. 混合模糊:多重模糊存在
c) 噪声、分辨率


② 早期视觉
1. 定义:图片的处理加工过程
2. 图像分割
3. 边缘求取
4. 运动和深度估计
5. 图像拼接
6. 目前问题
a) 结果不精确
b) 需要长时间的知识沉淀


③ 识别理解
1. 定义:把一张图片对应到一个文字、一张照片或标签


2. 标签
a) 越精确对模型越有利,但数据就会越少
b) 主观因素影响
c) 细分标签


3. 数据优化
iii. 研究内容(此部分还未总结完,感兴趣的可自己探寻)
① 空间视觉
② 物体视觉


iv. 典型物体表达理论
① 马尔的三维物体表达
② 基于二维的图像物体表达
③ 逆生成模型表达


v. 应用发展趋势
① 人脸识别
② 图片搜索
③ 个性化广告投放
④ 即时定位与地图构建


3. AI产品理解(此部分还未涉猎)
1) 人人都是产品经理(AI时代应该也不变)


2) 产品理解
a) NLP类
i. 对话机器人(图灵的BabyQ、微软小冰)
ii. 语音搜索(百度、谷歌)
iii. 智能语音输入法(讯飞、搜狗)
iv. 智能音箱(喜马拉雅和猎户星空的小雅音响、亚马逊的Echo)


b) CV类
i. 无人机(大疆)
ii. 医疗影像分析系统(依图科技的胸部CT智能辅助诊断系统)
iii. 无人驾驶(驭势科技、百度、谷歌)
iv. 安防


c) 机器学习类


五、产品人上车(都是自己平时涉猎)
1. 思想上认识到AI的重要性:认识到AI时代确实是已经来了,主要开阔一下视野
1) 书籍
a) 奇点临近
b) 未来简史
c) 智能时代
d) 人工智能时代
e) 智能主义
f) 科学的极致——漫谈人工智能


2) 视频(影视)
a) 人工智能
b) I robot
c) 西部世界
d) 终结者
e) 黑客帝国


2. 理论知识
1) 书籍
a) 机器学习(周志华)
b) 机器学习实战
c) 数学之美
d) 统计学习方法
e) 人工智能—一种现代的方法
f) 计算机视觉——算法与应用


2) 视频
a) Ng的机器学习 课程(网易公开课)
b) 杨澜的AI访谈节目
c) 北大的人工智能公开课(网易云课堂)


3) 网站
a) 知乎(所有AI的问答和知乎Live)
b) 简书(所有AI文章)
c) 人人都是产品经理(产品经理学习的最佳社区)
d) 36氪(AI行业研究报告和AI新闻)
e) CSDN(可以跟随AI方面的博主学习系统的AI知识)
f) AI论文下载网(有些是要花钱的,但对未来的投资来说都是些小钱)
i. 维普
ii. 万方
iii. 中国知网
iv. 谷歌学术


4) 资讯
a) 36氪
b) 虎嗅
c) 极客公园
d) 商业周刊
e) 中关村在线


5) 微信公众号
a) 饭团AI产品经理大本营(这个是业内最早成立的AI PM社区,有很多AI PM的开拓者在这里分享干货,不过要花点钱)
b) 集智俱乐部(科学的极致——漫谈人工智能,这本书是这个俱乐部出的)
c) 量子位
d) 专知(有很多AI的专业知识和大佬见解)
e) AI科技大本营


3. 整理输出:看完书或者视频之后一定要输出自己的内容
1) 简书(输出自己所得所想)
2) 知乎(输出自己所得所想)
3) CSDN(输出自己所得所想)


4. 研究行业
1) 政策
a) 国家AI规划
b) 人才扶持政策
c) 创业资金扶持政策


2) 市场及融资


3) 城市对比(北上广深杭成武)
a) 人才对比
b) 行业完整对比(产业链雏形)
c) 行业集中度及公司分布
d) AI氛围对比


4) 细分行业切入
a) 医疗
b) 无人车
c) 安防
d) VR/AR
e) 机器人
f) 金融


5) 公司选择
a) 芯片类:寒武纪、地平线、深鉴科技
b) NLP类:图灵机器人、艾特曼、思必驰、云知声、科大讯飞
c) CV类:商汤科技、旷视科技、依图科技、云从科技、码隆科技、极视角科技
d) 机器人类:优必选、图灵机器人、Rokid
e) 平台类(巨头):百度、阿里、腾讯、京东、小米
f) 应用类:乂学教育、智齿科技、出门问问
g) 驾驶类:驭势科技、图森未来、奇点汽车
h) 细分类:汇医慧影(医疗)、第四范式(金融)、量化派(金融)、碳云智能(医疗)


6) 上车
a) 挑选公司
i. 查找AI创企的相关榜单并总结出公司的上榜次数
ii. IT桔子查找相关公司的公司状况
iii. 上知乎和拉钩查找相关公司的员工评论和介绍
iv. 上脉脉勾搭相关公司的在职人员了解公司详情
v. 上公司官网体验公司产品并总结输出


b) 研究相关公司
i. 公司定位及主要产品
ii. 创始人及团队
iii. 战略融资情况
iv. 公司合作伙伴
v. 公司核心技术


c) 上车
i. 投简历
ii. 拿着研究报告上门找Hr谈
iii. 拿着在知乎、简书、CSDN上的输出内容找人谈
iv. 认识行业内的人,找人内推(AI产品经理大本营、产品社区)
六、自我思考
1. AI时代的交互方式
1) 交互更加自然简便
2) 人用语音(手势)与机器交互,机器用图像与人交互
3) 更容易携带(手表、眼镜等其他硬件产品作为承载)


2. 机器的存在方式
1) 工具
2) 宠物
3) 朋友
4) 陪伴的亲人
5) 恋人


3. 新的职位
1) 机器训练师
2) 机器人保险/顾问
3) 无人车管理员
4) 机器人4S店
5) 机器人纠纷解决师


4. 未来的消费
1) 无人零售


2) 虚拟消费
a) 虚拟游戏
b) 虚拟社交
c) 虚拟旅行
以上都是自己平时知识的一些总结,只是一些个人的愚见,下面出现的公司、书籍、视频、网站都是自己看过体验过的。
同志们有用的话,文章左下角是不是有个“点赞”按钮很可爱啊,可爱的话点一个呗!毕竟开车也累啊,虽然刚拿到驾照哈哈 。

“滴,学生卡”,又要上车了。

不同意见的评论区留下意见。


最近总结了另一篇关于人脸识别的文章,欢迎各位的指正

人脸识别长篇研究 | 发展与市场(一)



回复

使用道具 举报

Soratsuki丶 发表于 2019-1-21 12:14:16 | 显示全部楼层
如果从0开始的话,建议这样走:

首先先弄清楚人工智能的分类,从接触一名新学科来说,先搞清楚其家谱体系,这样子按照各个线条来深入了解就好,所以在了解人工智能之前,我建议先看看有哪些分类:

机器人:各种各样的机器人
智能家电:跟家电有关的智能软硬件
智能出行:跟出行有关的智能硬件,比如智能汽车和自行车等等;
智能设备:比如大型工程使用的操控性智能设备;
智能用品:剃须刀、牙刷也有可能是智能的
.......

先把分类弄清楚,然后搞一个行业图谱,并且能够弄清楚它的上下游,这样有助于你对行业的了解,也有助你进入行业交流也非常迅速并且畅通无阻。

然后开始看各种各样的人工智能报告,这种报告其实还蛮多的,也会有不少公众号会放出类似的报告,阅读报告是最快了解行业的方式。

当然,报告不是万能的,智能作为辅助工具来了解,除了报告之外,就是多看点类似的书,通常最好的方法,就是上网上书店把所有关于人工智能的书都搜索出来,然后在根据里面的题目挑选一些比较好的书,这样有助于快速两家技术和行业状况,而且比较系统。



当然,上面说的这些都是基于自学,只能说是理论水平和视野,真正的操作,还是建议你自己去实操,或者找一家公司学习。如果你还是学生,你可以利用假期去实习,如果你已经出来了,然后又特别喜欢,可以业余玩玩,或者干脆跳槽到相关的公司,哪怕你不是在该部门,但已经离真正的人工智能团队非常近了。因为最好的学习方式是去实践。









回复

使用道具 举报

ethb16 发表于 2019-1-21 12:17:40 | 显示全部楼层
谢邀
首先告诉题主,在下是文科生
对人工智能只是有些个人小兴趣
对题主自学的需求,只有点点建议
如果是对理论学有兴趣
题主可以大可自己找一些感兴趣的人工智能类书籍先看看
比如《人工智能的未来》、《可透视化未来》、《机器人浪潮》这一类的通俗易懂的书籍
可以先给题主一个比较直观的人工智能的观念
专业一点的解读《人工智能及其应用》、《人工智能与人工生命》
产业类观点的《人工智能时代》
这些对于了解人工智能的现状,未来及时代地位可以有比较直观的了解
如果是学术类、技术类的学习
题主可以考虑从计算机专业入手
毕竟人工智能是在计算机产业发展的一个延伸
需要深厚的计算机知识与编程知识
这一块,很多朋友已经给了你指导啦,我就不多说了










回复

使用道具 举报

ethb16 发表于 2019-1-21 12:20:18 | 显示全部楼层
-------------------------------------------------以下是更新的内容------------------------------------------
      原本只是想贴两张图片就走人了,没想到大家还是对人工智能挺有学习热情的。
      如果真的要回答这个问题,那我肯定是不够格的,因为我不是这一行的大拿,我也只是对人工智能感兴趣的一只工科狗,参加过一些机器人的竞赛,学习过一些与人工智能搭边的知识。但是毕竟感兴趣了嘛,所以也看过别人分享的一些经验。
敲黑板!!!
OK,下面开始转载大拿门的经验了,可以把你们的天线拔出来收听信号了!
因为本人毕业后从事的是码农行业,所以了解到的人工智能大多是应用在以下几个方面:
1、计算机视觉
    计算机视觉最典型的应用就是大家熟知的人脸和车牌的识别,扫描文字,图片内容识别等。
2、自然语言处理
自然语言处理的典型的应用包括:搜索引擎智能匹配、文本内容理解、文本情绪判断,语音识别、输入法、机器翻译等。
3、社会网络分析
社会网络分析的典型的应用包括:用户画像、网络关联分析、欺诈作弊发现、热点发现等。
4、推荐
  典型的应用包括:虾米音乐的“歌曲推荐”,某宝的“猜你喜欢”等。
看似学习难度大,曲线陡峭的机器学习,对于我们这种感兴趣,增加课外知识,拓展知识面的人来说也有一块入门砖。
简单说来,大概的一个学习路径如下

       简单分析下,之所以最左边写了『数学基础』『典型机器学习算法』『编程基础』三个并行的部分,是因为机器学习是一个将数学/算法理论和工程实践紧密结合的领域,需要扎实的理论基础帮助引导数据分析与模型调优,同时也需要精湛的工程开发能力去高效化地训练和部署模型和服务。
      需要多说一句的是,在互联网领域从事机器学习的人,有2类背景的人比较多,其中一部分(很大一部分)是程序员出身,这类同学工程经验相对会多一些,另一部分是学数学统计领域的同学,这部分同学理论基础相对扎实一些。因此对比上图,2类同学入门机器学习,所欠缺和需要加强的部分是不一样的。
就以上图来简单分析下:
1、数学基础
       大学的数学包括: 微积分 、线性代数、概率论和数理统计,这三门是大多数同学都上过的课程。但是有无数激情满满大步向前,誓要在机器学习领域有一番作为的同学,在看到公式的一刻突然就觉得自己狗带了。是啊,机器学习之所以相对于其他开发工作,更有门槛的根本原因就是数学。每一个算法,要在训练集上最大程度拟合同时又保证泛化能力,需要不断分析结果和数据,调优参数,这需要我们对数据分布和模型底层的数学原理有一定的理解。所幸的是如果只是想合理应用机器学习,而不是做相关方向高精尖的research,需要的数学知识啃一啃还是基本能理解下来的。至于更高深的部分,这可能就需要大家再多多得去学习下了,或者在学业上更进一步。
没有数学的AI都是耍流氓!
A微积分
        微分的计算及其几何、物理含义,是机器学习中大多数算法的求解过程的核心。比如算法中运用到梯度下降法、牛顿法等。如果对其几何意义有充分的理解,就能理解“梯度下降是用平面来逼近局部,牛顿法是用曲面逼近局部”,能够更好地理解运用这样的方法。 凸优化和条件最优化 的相关知识在算法中的应用随处可见,如果能有系统的学习将使得你对算法的认识达到一个新高度。
B线性代数
        大多数机器学习的算法要应用起来,依赖于高效的计算,这种场景下,程序员GG们习惯的多层for循环通常就行不通了,而大多数的循环操作可转化成矩阵之间的乘法运算,这就和线性代数有莫大的关系了 。向量的内积运算更是随处可见。 矩阵乘法与分解在机器学习的主成分分析(PCA)和奇异值分解(SVD) 等部分呈现刷屏状地出现。
C概率论与数理统计
        从广义来说,机器学习在做的很多事情,和统计层面数据分析和发掘隐藏的模式,是非常类似的。极大似然思想、贝叶斯模型 是理论基础,朴素贝叶斯(Nave Bayes )、语言模型(N-gram)、隐马尔科夫(HMM)、隐变量混合概率模型是他们的高级形态。 常见分布如高斯分布是混合高斯模型(GMM)等的基础。
有了一定的数学基础后,下面就要开始学习一些典型的算法。
        绝大多数问题用典型机器学习的算法都能解决,粗略地列举一下这些方法如下: 处理分类问题的常用算法包括:逻辑回归(工业界最常用),支持向量机,随机森林,朴素贝叶斯(NLP中常用),深度神经网络(视频、图片、语音等多媒体数据中使用)。
       处理回归问题的常用算法包括:线性回归,普通最小二乘回归(Ordinary Least Squares Regression),逐步回归(Stepwise Regression),多元自适应回归样条(Multivariate Adaptive Regression Splines)
       处理聚类问题的常用算法包括:K均值(K-means),基于密度聚类,LDA等等。
降维的常用算法包括:主成分分析(PCA),奇异值分解(SVD) 等。
      推荐系统的常用算法:协同过滤算法 ,模型融合(model ensemble)和提升(boosting)的算法包括:bagging,adaboost,GBDT,GBRT
       其他很重要的算法包括:EM算法等等。
      但是 机器学习里所说的“算法”与程序员所说的“数据结构与算法分析”里的“算法”略有区别。前者更关注结果数据的召回率、精确度、准确性等方面,后者更关注执行过程的时间复杂度、空间复杂度等方面。 当然,实际机器学习问题中,对效率和资源占用的考量是不可或缺的。
       算法是需要实现的。在这个实现的过程中我们需要考虑编程语言,工具和环境。而合适的编程语言、工具和环境能够帮助我们在数据集上应用机器学习算法,或者实现自己的想法。对于没有什么编程基础的人来说,把Python语言作为第一门入门AI的编程语言,我觉得是再好不过了,Python很容易上手,同时又活跃的社区支持,丰富的工具包又能帮助我们完成想法。如果学习过其他语言,那么再好不过了,因为语言都是相同的。在大学里我们学的第一门语言就是C语言,当时大部分人应该学的都是很痛苦的【楼主就是这样的,刚上大学时连计算机都玩得不是很好。只会打游戏】后来学习Java。学习C#都感觉很容易了,因为你有基础了,说到底编程语言的思想是相通的,不论是面向过程还是面向对象,都会有for循环,if条件判断等。
    在操作系统的选择上,mac和linux会方便一些,而windows在开发中略显力不从心。所谓方便,主要是指的mac和linux在下载安装软件、配置环境更快捷。 对于只习惯windows的同学,推荐anaconda,一步到位安装完python的全品类数据科学工具包。


回复

使用道具 举报

部姆己阅 发表于 2019-1-21 12:27:08 | 显示全部楼层
Artificial Intelligence:A Modern Approach

此书已读2/3的样子,基本覆盖了大部分AI领域的知识点。

另外深深地感觉到统计学如果学的很好,对AI领域的知识点理解帮助真心是巨大的,我粗暴的认为统计学功底比编程能力还重要,在AI领域...



回复

使用道具 举报

丿幻想丶丿 发表于 2019-1-21 12:29:44 | 显示全部楼层
题主,你基本只会扯淡。我都不知道你是不是理科生,是不是计算机或相关专业的。有问题这样问的吗?
一句“零基础”,我怎么知道你会不会微积分,会不会矩阵论、概率论和统计学?
假如以上都不会或很差,那真的没什么希望。

但既然回答还是应该说下,就先从我们CS专业大一大二的基础课程补起。如果全职学习,一年足矣。再加上数据结构、算法、离散数学、组合数学(你把它俩看成一个我也没意见),学完,总共用一年半算快的。
但到此,你连人工智能的门还没摸到呢。接下来是专门读一些概论性的书籍,还有机器学习、深度学习有关课程。毕竟,符号主义、连接主义等学派我们都要学。这些研究生一年级能拿下就不错了。我现在还在为人工智能痛苦挣扎呢,不然也不会看到这道题。

你自己盘算下吧,反正人工智能当谈资很简单,但有资格(基础)学习它的人其实比谈论它和对它好奇的少太多。







回复

使用道具 举报

木瓜SOSoo 发表于 2019-1-21 12:39:45 | 显示全部楼层
专业的培训,必备的工具都是必不可少的。
你的知识就是你的工具。
没有基础学科垫底,完全从0开始?
的确,没有不可能,但是你至少需要5年的时间来打好基础。



回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

发布主题
阅读排行 更多
广告位

扫描微信二维码

查看手机版网站

随时了解更新最新资讯

400-123-45678

在线客服(服务时间 9:00~18:00)

在线QQ客服
地址:上海市虹口区武进路齐浜大厦456号2幢10楼
电邮:wx@ckj.com
移动电话:18888888888

Powered by CKJ潮科技智能家居网 X3.4© 2000-2019 CKJ Inc.( 鄂ICP备17005962号 )