如何自学人工智能?

xiaoxiao2021-03-01  14

在如今的大格局和国家政策的引导下,相信不少同学已经跃跃欲试,按耐不住想投入 AI 的怀抱,但市面上培训实在太多,苦于不知如何下手,就有好多学员来问小编:我该怎么学习人工智能?今儿小编就带大家简单领略一下AI的学习路径,希望能帮助大家少走点弯路。

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,学习AI是需要一定的数学基础和感觉,能够理解了算法和模型,并且能够训练模型、调整参数。

如果真的想学,形式不是问题,就看你有没有那个耐性能认真学下来了。在一些AI 从业者眼里,培训班的速成效果虽然暂时有效,随着时间的推移,一旦放松了严格的学习,很多速成者的问题就会暴露出来。所以学习AI不要急于求成,一步一个脚印。

先搞懂什么是人工智能?

人工智能(Aritificial Intelligence, AI)是一门融合了计算机科学、统学、脑神经学和社会科学的前沿综合性学科。它的目标是希望计算机拥有像人一样的智力能力,可以替代人类实现识别、认知、分类和决策等多种功能。

人工智能从诞生以来,理论和技术日益成熟,应用领域也不断扩大,可以设想,未来人工智能带来的科技产品,将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能,但能像人那样思考、也可能超过人的智能。

“人工”比较好理解,争议性也不大,有时候我们会要考虑什么是人力所能及制造的,或者人自身的智能程度有没有高到可以创造人工智能等等,但总的来说,“人工系统”就是通常意义下的人工系统。关于什么是智能就问题多多了,这涉及到其他诸如意识、自我、思维(包括无意识的思维)等等问题,人唯一了解的智能是人本身的智能,这是普遍认同的观点。

对于初入人工智能领域的同学来说,微软的人工智能入门课程绝对是您优先的选择:

这门由微软提供的AI导论课程,学习人工智能的概念,帮助您了解机器学习如何用于构建AI的预测模型;了解如何使用软件处理,分析和提取自然语言的含义;并处理图像和视频,以便像我们一样了解世界。

还解释了如何使用它来构建智能应用程序,以实现人与AI系统之间的会话通信,帮助组织提高效率并丰富人们的生活。 它使用各种有吸引力的讲座和实践来帮助您在激动人心的AI领域迈出第一步。

点击打开链接


自学入门,从数学基础再到Python

如果您没有那么多时间辨别和参加各种培训班,可以通过自学的方式入门,从数学开始,再到编程基础,有很多课程都是免费的。

数学基础知识蕴含着处理智能问题的基本思想与方法,也是理解复杂算法的必备要素。如今的种种人工智能技术归根到底都建立在数学模型之上,要了解人工智能,首先要掌握必备的数学基础知识。

另外所需基础知识是线性代数,它不仅仅是人工智能的基础,更是现代数学和以现代数学作为主要分析方法的众多学科的基础。从量子力学到图像处理都离不开向量和矩阵的使用。而在向量和矩阵背后,线性代数的核心意义在于提供了⼀种看待世界的抽象视角。

除了线性代数之外,概率论也是人工智能研究中必备的数学基础。随着连接主义学派的兴起,概率统计已经取代了数理逻辑,成为人工智能研究的主流工具。在数据爆炸式增长和计算力指数化增强的今天,概率论已经在机器学习中扮演了核心角色。

点击打开链接

再来看看Python,它具有丰富和强大的库,常被昵称为胶水语言,能够把用其他语言制作的各种模块(尤其是C/C++)很轻松地联结在一起。比如3D游戏中的图形渲染模块,性能要求就非常高,就可以用C/C++重写,然后封装为Python可调用的扩展类库。当有些人第一次编写Web应用程序的时候,使用PHP可能要花数个小时的任务,用Python Django框架也许分分钟就能搞定。

它是用于许多不同应用程序的非常强大的编程语言,也是人工智能必备的知识之一。随着时间的推移,围绕这种开源语言的庞大社区已经创建了不少工具来有效地使用Python。 近年来,专门为数据科学开发了一些工具, 因此使得用Python分析数据从未如此简单。


理解机器学习,实现AI的一种方法

当您有了一定的数学和编程基础,我们就可以进入机器学习。对于机器学习的概念,一百个人有一百种理解。我们先从简单的层面来说,人工智能的根本在于智能——如何为机器赋予智能。而机器学习则是部署支持人工智能的计算方法。

Arthur Samuel 将机器学习定义为“使计算机拥有在没有被明确编程的情况下学习的能力。”机器学习的概念涉及到训练机器的过程。让计算机通过特定算法在大量的数据中学习。这种行为与数据挖掘类似,但是机器学习会根据其学习内容来改变自己的学习模式。

我们来看一个机器学习的简单例子:

以上是某东某产品的商品评价,我们可以看到通过机器学习的算法,在10W多条评价中筛选出关键词,这些都是通过语义分析算法归类得出的。机器学习本质上是通过数学算法来解析数据的规律,学习相关的规律并且用来预测和决策。

机器学习主要分为监督学习,无监督学习和半监督学习三种。从算法上来说有贝叶斯分类、决策树、线性回归、决策树和随机森林、主成分分析、流行学习、k-means聚类、高斯混合模型等等。

如您想了解更多详情,可通过微软在线人工智能学院免费学习机器学习的基本概念。

点击打开链接


深度学习到强化学习

机器学习使用计算机运行预测模型,从现有数据中学习以预测未来的行为,结果和趋势。 深度学习(Deep Learning)是机器学习的一个子领域,其中受我们大脑工作方式启发的模型以数学方式表达,并且定义数学模型的参数可以从数千至数亿至数百万的数量级自动从数据。

深度学习是一种机器学习的技术,由于深度学习在现代机器学习中的比重和价值非常巨大,是全球正在开发的人工智能技术的关键推动力。 因此常常将深度学习单独拿出来说。

最初的深度学习网络是利用神经网络来解决特征层分布的一种学习过程。通常我们了解的DNN(深度神经网络),CNN(卷积神经网络),RNN(循环神经网络),LSTM(长短期记忆网络)都是隶属于深度学习的范畴。也是现代机器学习最常用的一些手段。

通过这些手段,深度学习在视觉识别,语音识别,自然语言处理(NLP)等领域取得了使用传统机器学习算法所无法取得的成就。

点击打开链接

强化学习(Reinforcement Learning),又称再励学习、评价学习,也是机器学习的技术之一。所谓强化学习就是智能系统从环境到行为映射的学习,以使奖励信号(强化信号)函数值最大,由于外部给出的信息很少,强化学习系统必须依靠自身的经历进行自我学习。通过这种学习获取知识,改进行动方案以适应环境。

强化学习最关键的三个因素是状态,行为和环境奖励。关于强化学习和深度学习的实例,最典型的莫过于谷歌的AlphaGo和AlphaZero两位了。

前者通过深度学习中的深度卷积神经网络,在训练了大约三千万组人类的下棋数据,无数度电的情况下才搞出来的模型;而后者使用强化学习的方式,通过自己和自己下棋的方式搞出来的模型,而最终的实验结果也很让人震撼。AlphaGo打败了人类围棋顶尖高手,而AlphaZero打败了AlphaGo。

点击打开链接


持续学习和实践

学习到这里,相信大家对AI已经有了进一步的了解。近年来,我国在国家层面密集出台一系列政策措施助推人工智能产业的发展,随着新技术的迅猛发展,专业技术人才,以及兼顾人工智能与传统产业的跨界人才不充足,限制了产业发展以及与实体经济的融合发展。

站在时代的风口上,要想学好AI,必须不断的动手实践并结合实际项目,云角的AI课程采用翻转课堂形式,线上和线下结合,除了采用传统面授形式,增加MPP最新线上课程。也就是微软在全球首发与美国哈佛大学等知名学府合作开发的高端技术能力认证——“微软专业学位认证计划”(Microsoft Professional Program,简称 MPP)。

该计划是面向致力于将来成为计算科学领域专业技术人员的在校学生及具有一定专业技术经验的人员,通过线上课程学习、技术评估及考试、实践环节训练及实习实训项目相结合的教学方式,可以帮助大家来做知识的导入、衍生和扩展,并能及时检验自己的学习效果。

衷心祝愿大家能在AI领域走得更稳,更远。

如果您正在学习AI,

如果您想让更多的小伙伴一起加入您的阵营,

请不要忘记分享,让我们共同进步!

By: Yungoallab

https://lab.yungoal.com

labadmin@yungoal.com

请扫描以下二维码关注我们,转发有好礼相送!

转载请注明原文地址: https://www.6miu.com/read-3100022.html

最新回复(0)