ภูมิหลังทางคณิตศาสตร์ที่จำเป็นในการเริ่มเรียนรู้ AI คืออะไร? ฉันควรเรียนรู้อะไรอีก
ภูมิหลังทางคณิตศาสตร์ที่จำเป็นในการเริ่มเรียนรู้ AI คืออะไร? ฉันควรเรียนรู้อะไรอีก
คำตอบ:
หากต้องการเก่งใน AI คุณต้องมีสัญชาตญาณทางคณิตศาสตร์หรือมุมมอง เพื่อที่จะเป็นวิศวกร AI แบบเต็มสแต็คสิ่งสำคัญคือคุณต้องมีความเข้าใจอย่างลึกซึ้งเกี่ยวกับรากฐานทางคณิตศาสตร์ของการเรียนรู้ของเครื่อง
คำแนะนำของฉันให้กับทุกคนที่เตรียมตัวจะกระโดดลงสนามคือการเรียนรู้คณิตศาสตร์กำลังทำอยู่ จำกฎ 20/80 คุณต้องศึกษาทฤษฎี 20% ของเวลาและฝึกฝนสิ่งที่คุณได้เรียนรู้ 80% ของเวลาเพื่อให้มีความเชี่ยวชาญ
ขั้นตอนแรกก่อนที่คุณจะดำดิ่งลงไปในวิชาคณิตศาสตร์ระดับปริญญาตรีคือการให้คุณรีเฟรชคณิตศาสตร์ระดับพื้นฐาน ซึ่งรวมถึง revisiting และการเรียนรู้คณิตศาสตร์ของโรงเรียนมัธยมโดยเฉพาะอย่างยิ่งพีชคณิต นี่เป็นสิ่งจำเป็นสำหรับคุณที่จะเข้าใจหลักสูตรที่สูงขึ้น
การดำเนินการของเมทริกซ์, การประมาณการ, ค่าเฉพาะ & Eigenvector, การวิเคราะห์องค์ประกอบหลัก (PCA), การสลายตัวของค่าเอกพจน์ (SVD), การสลายตัวของ Eigen - ของเมทริกซ์, การสลาย LU, การสลายตัว QR / การแยกตัวประกอบ, เมทริกซ์สมมาตร จำเป็นสำหรับการทำความเข้าใจวิธีการปรับให้เหมาะสมที่ใช้สำหรับการเรียนรู้ของเครื่อง
สิ่งที่ดีเกี่ยวกับพีชคณิตเชิงเส้นคือว่ามีแหล่งข้อมูลออนไลน์ที่ยอดเยี่ยมเช่นสนาม Khan Academy ในเชิงเส้นพีชคณิตhttps://www.khanacademy.org/math/linear-algebra
กฎและความน่าจะเป็นจริง, การแจกแจงแบบมีเงื่อนไขและร่วม, การแจกแจงแบบมาตรฐาน (Bernoulli, ทวินาม, Multinomial, Uniform และ Gaussian), ฟังก์ชันการสร้างช่วงเวลา, ทฤษฎีบท Bayes, ตัวแปรสุ่ม, ความแปรปรวนและความคาดหวัง, การประมาณความน่าจะเป็นสูงสุด (MLE) การประมาณค่าสูงสุดหลัง (MAP) และวิธีการสุ่มตัวอย่าง
ฉันแนะนำคุณถึงสถิติออนไลน์และความน่าจะเป็น MOOC ที่ Khan Academy https://www.khanacademy.org/math/probability
ความรู้เกี่ยวกับโครงสร้างข้อมูล (Binary Trees, Hashing, Heap, Stack ฯลฯ ), Dynamic Programming, Randomized & Sublinear Algorithm, กราฟ, Descient / Stochastic Descents และวิธี Primal-Dual เป็นสิ่งจำเป็น
สำหรับการเรียนการสอนในเชิงลึกผมขอแนะนำให้คุณลงทะเบียนสำหรับแอนดรูอึ้งของ Coursera ใช้ได้แน่นอนนี่https://www.coursera.org/learn/machine-learning
หัวข้อต่างๆเช่นดิฟเฟอเรนเชียลและแคลคูลัสอินทิกรัลเกรเดียนต์ของทิศทาง Hessian, Jacobian, Laplacian และ Lagragian, อนุพันธ์ย่อย, ฟังก์ชันเวกเตอร์ - ค่า นี่คือการผ้าสำลีของ Khan Academy หลักสูตรแคลคูลัสhttps://www.khanacademy.org/math/calculus-home
ประกอบด้วยหัวข้อทางคณิตศาสตร์ที่ไม่ได้กล่าวถึงในสี่ด้านหลัก ๆ ข้างต้น ซึ่งรวมถึงทฤษฎีข้อมูล (เอนโทรปี, การได้รับข้อมูล), ช่องว่างของฟังก์ชั่นและ Manifolds, การวิเคราะห์ที่แท้จริงและซับซ้อน (ชุดและลำดับ, โทโพโลยี, ช่องว่างการวัด, ฟังก์ชันที่มีค่าเดียว
ด้านล่างเป็นทรัพยากรที่ยอดเยี่ยมของ ebooks คณิตศาสตร์การเรียนรู้ของเครื่องฟรี http://blog.paralleldots.com/data-science/list-of-free-must-read-books-for-machine-learning/
สุดท้ายเพื่อให้ทันกับการพัฒนาที่ผ่านมาและเอกสารล่าสุดผมขอแนะนำให้คุณทำตามบล็อกนี้ซึ่งรวบรวม AI และ ML เอกสารhttp://www.arxiv-sanity.com/
เริ่มต้นด้วยการเปิดตัวแอนดรูอึ้งของหลักสูตรการเรียนรู้เกี่ยวกับเครื่อง Coursera มีข้อกำหนดเบื้องต้นไม่มากสำหรับหลักสูตรนั้น แต่คุณจะได้เรียนรู้วิธีการทำสิ่งที่มีประโยชน์ และที่สำคัญกว่านั้นจะแสดงให้คุณเห็นอย่างชัดเจนว่าคุณต้องเรียนวิชาอะไรต่อไป
AI ค่อนข้างมีขอบเขตค่อนข้างใหญ่และตั้งอยู่ที่จุดตัดของหลายพื้นที่ อย่างไรก็ตามมีบางฟิลด์หรือหัวข้อสำคัญที่คุณต้องรู้
ฉันจะแนะนำให้คุณสำรวจอัลกอริทึม AI ที่คุณอาจสนใจก่อนอื่นฉันแนะนำให้คุณเริ่มต้นด้วยการเรียนรู้ของเครื่องจักรและการเรียนรู้เชิงลึก
อย่าลืมสิ่งที่จำเป็นต้องมีสิ่งที่สำคัญมากความหลงใหลโดยไม่ได้คุณอาจเสียเวลาของคุณ!
ฉันอยากจะแนะนำให้คุณ
หากคุณต้องการเรียนรู้คณิตศาสตร์อย่างลึกซึ้ง ลองเหล่านี้:
ฉันอยากจะแนะนำหนังสือที่ดีที่สุดเล่มหนึ่งสำหรับการเรียนรู้ลึก: การเรียนรู้ลึกโดย Ian Goodfellow และ Yoshua Bengio และ Aaron Courville http://www.deeplearningbook.org/
วิธีการของ AI ที่ทันสมัยในปัจจุบันนั้นล้วนต้องอาศัยการสร้างแบบจำลองทางสถิติเป็นอย่างมาก คุณอาจต้องการเรียกดูชุดข้อมูลวิทยาศาสตร์และการตรวจสอบความถูกต้องแบบไขว้เพื่อดูว่าผู้คนกำลังทำอะไรอยู่และประเภทของคณิตศาสตร์ที่ใช้ (นี่ไม่ใช่เขตข้อมูลของฉันจริง ๆ ดังนั้นฉันจะฝากมันไว้กับฝูงชน Neural Network และ Deep Learning เพื่อให้รายละเอียดเพิ่มเติมที่นี่)
ฉันขอแนะนำอย่างยิ่งให้ดูที่Combinatorics , Combinatorial Game TheoryและComputational Complexity Theoryเพราะหนึ่งในปัญหาหลักของการตัดสินใจที่ดีที่สุดคือการใช้การไม่ได้
ทฤษฎีเกมยังเป็นสิ่งสำคัญเพราะปัญหาหลักอื่น ๆ ของการทำdecisióที่ดีที่สุดที่เกี่ยวข้องกับข้อมูลที่ไม่สมบูรณ์และข้อมูลที่ไม่สมบูรณ์ (ก่อนหน้านี้มีให้เห็นมากขึ้นในเกม combinatorial แต่ทั้งคู่นำไปสู่ความจำเป็นในการวิเคราะห์ความน่าจะเป็น)
ทักษะที่สำคัญที่สุดที่คุณต้องการคือการมีวินัยในตนเอง
เกี่ยวกับข้อกำหนดเบื้องต้นทางคณิตศาสตร์คุณจะต้องศึกษาสถิติทฤษฎีความน่าจะเป็นแคลคูลัสและพีชคณิตเชิงเส้นเนื่องจากตัวอย่างเช่นอัลกอริทึมการเรียนรู้ของเครื่องส่วนใหญ่จะขึ้นอยู่กับแนวคิดจากพื้นที่เหล่านี้
เกี่ยวกับข้อกำหนดเบื้องต้นของการเขียนโปรแกรม Python และ R มักเป็นตัวเลือกที่ดีเนื่องจากมีไลบรารีที่เกี่ยวข้องที่พร้อมใช้งาน
คุณอาจต้องเรียนรู้กรอบงานเช่น Hadoop ในกรณีที่คุณต้องการทำงานกับข้อมูลขนาดใหญ่
ปัญญาประดิษฐ์เป็นสาขาที่กว้างมากดังนั้นสิ่งต่างๆจะเปลี่ยนแปลงไปตามนั้น
ข้อกำหนดเบื้องต้นบางประการ: (การเป็นนักเรียนของ CS คุณควรทำให้สำเร็จ)
หนังสือปัญญาประดิษฐ์: วิธีการที่ทันสมัย (โดย Stuart J. Russell และ Peter Norvig) ถือเป็นคัมภีร์ไบเบิลของ AI ฉันขอแนะนำให้คุณอ่านหนังสือทั้งเล่มและแก้แบบฝึกหัด คุณสามารถค้นหาไฟล์ PDF ของหนังสือเล่มนี้ที่นี่ สำหรับวิธีแก้ปัญหาด้วยตนเองไปที่ลิงค์นี้ มันจะดีกว่าถ้าคุณสามารถหาซื้อหนังสือเล่มนี้ได้
ความรู้เกี่ยวกับทฤษฎีการคำนวณจะช่วยคุณได้อย่างมาก โดยเฉพาะอย่างยิ่งเมื่อคุณทำงานในสาขาการประมวลผลภาษาธรรมชาติ สาขาย่อยอื่น ๆ ของ AI ที่คุณอาจจะสนใจคือการเรียนรู้ของเครื่องคอมพิวเตอร์วิวัฒนาการวิวัฒนาการอัลกอริทึมทางพันธุกรรม
พัฒนาความรู้ของคุณในด้านสถิติให้ดียิ่งขึ้นสำหรับปัญญาประดิษฐ์ คอยติดตามพฤติกรรมล่าสุดในสนามผ่านทางฟอรัมเว็บไซต์ ฯลฯเว็บไซต์Open AIก็เป็นแหล่งที่ดีเช่นกัน
เพื่อเติมเต็มคำตอบอื่น ๆ :
ฉันขอแนะนำให้คุณเรียนหลักสูตรปัญญาประดิษฐ์จาก AI micromaster จากโคลัมเบียใน edx
หลักสูตรครอบคลุมปัญหา AI หลากหลายและที่สำคัญที่สุดคือให้กรอบการคิดทั่วไปกับแอปพลิเคชั่นบนหลาม ตามหนังสือปัญญาประดิษฐ์: วิธีการสมัยใหม่โดย Peter Norvig และ Stuart Russell
จากมุมมองของการเรียนรู้เครื่องได้เป็นอย่างดีกล่าวว่าGokulที่เครื่องเรียนรู้หลักสูตรของแอนดรูอึ้ง on coursera เป็นหลักสูตรเบื้องต้นที่ดีและมุ่งเน้นไปที่ผู้ปฏิบัติที่มีศักยภาพ
ฉันพบว่ามีประโยชน์ในการรวมการศึกษาของอัลกอริทึมการเรียนรู้ของเครื่องเข้ากับภาษาการเขียนโปรแกรมเชิงสถิติ Rเพื่อทดลองกับอัลกอริทึมมากมายเพื่อจับแนวคิด มีประโยชน์หนังสือต่อไปนี้: องค์ประกอบของการเรียนรู้เชิงสถิติและการเรียนรู้เชิงสถิติเบื้องต้นทั้งสองมีให้บริการฟรีบนเว็บไซต์ของผู้แต่ง
การกระโดดเข้าสู่โครงข่ายประสาทเทียมนั้นไม่ซับซ้อน
เครือข่าย NEURAL DEMYSTIFIED 1: ปัญหาการจัดหมวดหมู่ช่วยให้ฉันเริ่มต้นได้
OP ถามเกี่ยวกับ AI ไม่ใช่การเรียนรู้ของเครื่อง การเรียนรู้ของเครื่องเป็นส่วนย่อยของ AI AI ส่วนใหญ่ที่ใช้ในเกมและการวางแผนการเคลื่อนไหวไม่เกี่ยวข้องกับการเรียนรู้ของเครื่อง
พื้นหลังคุณจะต้อง "กระโดดเข้าสู่สนามของ AI":
หากคุณมีข้อกำหนดเหล่านี้อยู่แล้วฉันขอแนะนำให้ดู AI ประเภทต่าง ๆ เพื่อดูว่าสิ่งใดที่ฟังดูน่าสนใจที่สุดสำหรับคุณ การเข้าสู่ AI นั้นหมายถึงการเรียนรู้ว่าอัลกอริทึมทำงานอย่างไร ยกตัวอย่างเช่นอัลกอริธึมการจดจำใบหน้า (ปัญหาการเรียนรู้ของเครื่อง) แตกต่างจากการประสานงานกับทีมหุ่นยนต์ (ปัญหาการเพิ่มประสิทธิภาพ combinatorial)
"ปัญญาประดิษฐ์" ตอนนี้เป็นเขตข้อมูลที่เป็นผู้ใหญ่และมีหลายสาขาย่อยในนั้น มีทฤษฎีทั้งหมดที่สร้างขึ้นรอบ ๆ แต่ละสาขาของปัญญาประดิษฐ์ การเปรียบเทียบง่าย ๆ ต้องการ "ทักษะที่จำเป็นสำหรับการประสบความสำเร็จในวิชาคณิตศาสตร์ / ฟิสิกส์คืออะไร" คำตอบนั้นขึ้นอยู่กับสาขาที่คุณต้องการเจาะลึก
หากคุณกำลังวางแผนที่จะเข้าสู่ด้านที่เฉพาะเจาะจงมากขึ้นของแอพพลิเคชั่นปัญญาประดิษฐ์ (การเรียนรู้ของเครื่อง / การเรียนรู้ลึก) จากนั้นคุณต้องใช้พีชคณิตเชิงเส้นอย่างละเอียด เนื่องจากอัลกอริทึมการเรียนรู้ของเครื่องส่วนใหญ่สามารถต้มลงไปจนถึงเทคนิคง่ายๆในพีชคณิตเชิงเส้น การเรียนรู้เกี่ยวกับการปรับให้เหมาะสมจะช่วยได้มากเพราะคุณจะได้พบกับอัลกอริธึมมากมายที่เกี่ยวข้องกับวิธีการหาค่าเหมาะที่สุดของนูน / nonconvex
นอกจากนี้ยังมีสถิติและความน่าจะเป็นสำหรับฟิลด์ใด ๆ ในอัลกอริธึมประดิษฐ์
ที่กล่าวว่าที่หลักปัญญาประดิษฐ์นั้นเกี่ยวข้องกับเครื่องจักรที่คิดว่า ดังนั้นจะดีกว่าถ้าคุณใช้ตรรกะอย่างเป็นทางการออโตมาตะและทฤษฎีความซับซ้อน
คุณสามารถเริ่มด้วยวิดีโอใน Youtube มันง่ายมีความรู้พื้นฐานใน Pythonคุณสามารถทำสิ่งต่าง ๆ ด้วย ML
การเรียนรู้ของเครื่อง - สูตร # 1
ผมพบว่าเกินไปวิดีโอใหม่ของเมฆผจญภัย AIอธิบาย"7 ขั้นตอนการเรียนรู้ของเครื่อง"คุณสามารถดูที่นี่
เกี่ยวกับคณิตศาสตร์ฉันถามคำถามเดียวกันเมื่อฉันเริ่มเรียนรู้ ML / AI ฉันไม่เก่งคณิตศาสตร์เพียงแค่พื้นฐาน (รวมถึงนักพัฒนา) แต่วันนี้ด้วยTensorFlowและห้องสมุดอื่น ๆ คุณสามารถมุ่งเน้นไปที่ทฤษฎีและความหมาย ดังนั้นไม่ต้องกังวลเมื่อเวลาผ่านไปโมเดล AI จะถูกสร้างขึ้นด้วยปุ่มและป้ายกำกับไม่กี่อัน ... บางทีมันอาจจะเกิดขึ้น
ตามที่พวกเขาแนะนำแหล่งข้อมูลที่ดีและมีทรัพยากรมากมาย แต่ฉันจะแนะนำให้คุณเริ่มต้นด้วยอะไรคือหนังสือที่ดีที่สุดในปัญญาประดิษฐ์ (AI)? , รู้เบื้องต้นเกี่ยวกับการเรียนรู้เครื่อง และปัญญาประดิษฐ์ - เครื่องเรียนรู้
และวิดีโอนี้สรุปความรู้เกี่ยวกับคณิตศาสตร์ที่คุณต้องการคณิตศาสตร์ของการเรียนรู้ของเครื่องและลิงก์นี้อธิบายคณิตศาสตร์สำหรับ AI: หัวข้อทางคณิตศาสตร์ที่จำเป็นทั้งหมดที่คุณต้องการ
หลังจากนั้นคุณจะเห็นลิงค์เหล่านี้ซึ่งเป็นรายการโปรดของฉัน