Yanıtlar:
Yapay zekada mükemmel olmak için matematiksel bir sezgiye veya bakış açısına ihtiyacınız vardır. Tam bir yapay zeka mühendisi olmak için, makine öğreniminin matematiksel temellerini sağlam bir şekilde anlamanız önemlidir.
Alana atlamaya hazırlanan herkese tavsiyem, matematik öğrenmenin yapmakla ilgili olmasıdır. 20/80 kuralını hatırlayın. Zamanın% 20'sini teorik olarak incelemeniz ve yeterli olabilmek için öğrendiklerinizi% 80'ini uygulamanız gerekir.
Lisans matematiğine dalmadan önceki ilk adım, temel düzey matematikte yenilenmenizdir. Bu, özellikle Cebir olmak üzere lise matematiğinin yeniden gözden geçirilmesini ve uzmanlaşmasını içerir. Daha yüksek kursları anlamanız için bu gereklidir.
Matris İşlemleri, İzdüşümler, Özdeğerler ve Özvektörler, Temel Bileşen Analizi (PCA), Tekil Değer Ayrıştırma (SVD), Bir matrisin öz-ayrışması, LU Ayrıştırma, QR Ayrışma / Çarpanlara Ayırma, Simetrik Matrisler, Ortogonalizasyon ve Ortokormalizasyon, Vektör Uzayları ve Normları makine öğrenimi için kullanılan optimizasyon yöntemlerini anlamak için gereklidir.
Doğrusal Cebir hakkında güzel bir şey, Khan Academy'nin doğrusal cebir üzerine kursu gibi harika çevrimiçi kaynakların olmasıdır . Https://www.khanacademy.org/math/linear-algebra .
Olasılık Kuralları ve Aksiyomlar, Koşullu ve Eklem Dağılımları, Standart Dağılımlar (Bernoulli, Binom, Multinomial, Düzgün ve Gauss), Moment Üreten Fonksiyonlar, Bayes Teoremi, Rasgele Değişkenler, Varyans ve Beklenti, Maksimum Olabilirlik Tahmini (MLE), Önceki ve Posterior, Maksimum Posteriori Tahmini (MAP) ve Örnekleme Yöntemleri.
Sizi Khan Academy'deki bu çevrimiçi İstatistik ve Olasılık MOOC'sine atıfta bulunuyorum https://www.khanacademy.org/math/probability
Veri yapıları (İkili Ağaçlar, Karma, Yığın, Yığın vb.), Dinamik Programlama, Rastgele ve Alt Doğrusal Algoritma, Grafikler, Gradyan / Stokastik Desenler ve Primal-Dual metotları bilgisi gereklidir.
Derinlemesine eğitim için, burada bulunan Andrew Ng'nin Coursera kursuna kaydolmanızı tavsiye ederim https://www.coursera.org/learn/machine-learning .
Diferansiyel ve İntegral Hesap, Yönlü Gradyan, Hessian, Jacobian, Laplacian ve Lagragian Dağılımı, Kısmi Türevler, Vektör-Değer Fonksiyonları. İşte Khan Academy'nin hesabı kursuna bir ipucu https://www.khanacademy.org/math/calculus-home .
Bu, yukarıdaki dört ana alanda ele alınmayan matematik konularından oluşur. Bilgi Kuramı (Entropi, Bilgi Kazancı), Fonksiyon Uzayları ve Manifoldlar, Gerçek ve Karmaşık Analiz (Kümeler ve Diziler, Topoloji, Metrik Uzaylar, Tek Değerli ve Sürekli Fonksiyonlar, Limitler, Cauchy Çekirdeği, Fourier Dönüşümleri) içerir.
Aşağıda ücretsiz Makine Öğrenimi Matematik e-kitapları için mükemmel bir kaynak http://blog.paralleldots.com/data-science/list-of-free-must-read-books-for-machine-learning/
Son olarak, son gelişmeleri ve en son bildirileri takip etmek için, AI ve ML belgelerini toplayan bu blogu takip etmenizi tavsiye ederim, http://www.arxiv-sanity.com/ .
Andrew Ng'in Coursera'daki Machine Learning kursuna girişiyle başlayın . Bu kurs için çok fazla önkoşul yoktur, ancak bazı yararlı şeyleri nasıl yapacağınızı öğreneceksiniz. Ve daha da önemlisi, bir sonraki öğrenmeniz gereken konuları size açıkça gösterecektir.
AI kapsamı oldukça geniştir ve çeşitli alanların kesişme noktasındadır. Ancak, bilmeniz gereken birkaç temel alan veya konu var
Öncelikle ilginizi çekebilecek AI algoritmalarını keşfetmenizi öneririm. Makine öğrenimi ve derin öğrenme ile başlamanızı öneririm.
Çok önemli bir ön koşulu, tutkuyu unutma , onsuz muhtemelen zamanını boşa harcıyorsun!
Sana öneririm
Eğer matematikte derinlere inmek istiyorsanız. Bunları dene:
Ayrıca derin öğrenme için en iyi kitaplardan birini önermek istiyorum: Ian Goodfellow ve Yoshua Bengio ve Aaron Courville tarafından derin öğrenme. http://www.deeplearningbook.org/
Mevcut, son teknoloji yapay zeka yöntemlerinin tamamı istatistiksel modellemeye dayanmaktadır . İnsanların ne yaptığını ve kullandıkları matematik türlerini görmek için Veri Bilimi ve Çapraz Doğrulanmış yığınlara göz atmak isteyebilirsiniz . (Bu gerçekten benim alanım değil, bu yüzden burada daha fazla ayrıntı sağlamak için Sinir Ağı ve Derin Öğrenme kalabalığına bırakacağım.)
Ayrıca kesinlikle bakarak öneriyoruz Kombinatorik , Kombinatoryal Oyun Teorisi ve Hesaplamalı Karmaşıklık Teorisi olan optimal karar verme çekirdek sorunlardan biri beri izlenemezlik .
Oyun Teorisi de önemlidir, çünkü optimal karar verme sürecinin diğer temel sorunları kusurlu bilgiler ve eksik bilgiler içerir . (Birincisi kombinatoryal oyunlarda daha çok görülür, ancak her ikisi de olasılık analizi ihtiyacına yol açar.)
İhtiyacınız olan en önemli beceri öz disiplin.
Matematiksel önkoşullarla ilgili olarak, örneğin çoğu makine öğrenme algoritmasının bu alanlardan gelen kavramlara yüksek oranda dayalı olduğu göz önüne alındığında, istatistikleri, olasılık teorisini, hesabı ve doğrusal cebiri incelemeniz gerekecektir.
Programlama önkoşulları ile ilgili olarak, mevcut ilgili kütüphaneler göz önüne alındığında, Python ve R genellikle iyi bir seçimdir.
Büyük verilerle çalışmak istemeniz durumunda Hadoop gibi çerçeveleri de öğrenmeniz gerekebilir.
Yapay Zeka çok geniş bir alandır ve bu nedenle işler buna göre değişecektir.
Bazı Önkoşullar: (CS öğrencisi olarak bunları yerine getirmiş olmalısınız)
Yapay Zeka: Modern Bir Yaklaşım (Stuart J. Russell ve Peter Norvig tarafından) kitabı AI'nın İncil'i olarak kabul edilir. Ben kuvvetle tamamladıktan kitap okumak ve egzersizleri çözmek için önerilir. Kitabın pdf'ini burada bulabilirsiniz . Çözüm kılavuzu için bu bağlantıyı ziyaret edin . Kitabın basılı kopyasını satın almak daha iyi olacaktır.
Hesaplama Teorisi bilgisi size çok yardımcı olacaktır. Özellikle Doğal Dil İşleme alanında çalışırken. Yapay Zeka'nın ilginizi çekebilecek diğer alt alanları Makine Öğrenmesi, Evrimsel Hesaplama, Genetik Algoritmalar, Takviye Öğrenme, Derin Öğrenme vb. Olacaktır.
İstatistik bilginiz ne kadar iyi olursa Yapay Zeka için o kadar iyi olacaktır. Forumlar, web siteleri, vb. Aracılığıyla sahadaki son gelişmeleri takip edin. Açık AI web sitesi de çok iyi bir kaynaktır.
Diğer cevapları tamamlamak için:
Yapay Zeka kursunu Columbia tarafından edx üzerinde verilen AI mikromaster'dan almanızı tavsiye ederim .
Kurs çok çeşitli AI problemlerini kapsamaktadır ve en önemlisi, python üzerindeki uygulamaların bir karışımı ile düşünmeniz için genel bir çerçeve sağlamaktır. Kitabında dayanarak Yapay Zeka: Modern Bir Yaklaşım Peter Norvig ve Stuart Russell
Makine öğrenimi açısından bakıldığında gokul , Andrew Ng'in Makine Öğrenimi kursu . coursera iyi bir giriş dersidir ve potansiyel bir uygulayıcıya yöneliktir.
Kavramları yakalamak için birçok algoritmayı denemek için bazı makine öğrenme algoritmalarının çalışmasını istatistiksel programlama dili R ile birleştirmek için yararlı buldum . Faydalı aşağıdaki kitaplar: İstatistiksel Öğrenme Elemanları ve İstatistiksel Öğrenmeye Giriş , hem yazarlar web sitelerinde ücretsiz olarak kullanılabilir.
Sinir ağlarına atlamak o kadar karmaşık değil.
SİNİR AĞLARI TALEP EDİLDİ 1: Sınıflandırma Sorunları başlamama yardımcı oldu.
OP Makine Öğrenimi değil yapay zeka hakkında sordu. Makine Öğrenimi Yapay Zeka'nın bir alt disiplinidir. Oyunlarda ve hareket planlamasında kullanılan çoğu yapay zeka makine öğrenimini içermez.
Arka plan "AI alanına atlamak" gerekecektir:
Bu gereksinimlere zaten sahipseniz, size en ilginç gelenleri görmek için farklı AI türlerine bakmanızı öneririm. Çoğunlukla yapay zekaya girmek, algoritmaların nasıl çalıştığını öğrenmek anlamına gelir. Örneğin, yüz tanıma algoritmaları (bir makine öğrenme problemi), bir robot ekibini (birleşik optimizasyon problemi) koordine etmekten çok farklıdır.
"yapay zeka" artık olgun bir alan ve içinde birçok alt alan var. yapay zekanın her bir alt alanı etrafında inşa edilen tüm teoriler vardır. basit bir benzetme "matematik / fizikte başarılı olmak için gerekli beceriler nelerdir?" cevap gerçekten hangi dalı incelemek istediğinize bağlıdır.
Yapay zekanın (makine öğrenimi / derin öğrenme) daha fazla uygulamaya özgü tarafına gitmeyi planlıyorsanız, lineer cebir ile tam olarak ilgilenmelisiniz. çünkü makine öğrenme algoritmalarının çoğu doğrusal cebirde basit numaralara kaynatılabilir. dışbükey / dışbükey olmayan optimizasyon yöntemlerini içeren birçok algoritmayla karşılaşacağınız için optimizasyon hakkında bilgi edinmek çok yardımcı olacaktır.
Ayrıca yapay algoritmalarda herhangi bir alan için istatistik ve olasılık şarttır.
Bununla birlikte, yapay yapay zeka, düşünen makinelerle ilgilenir. Dolayısıyla, resmi mantık, otomata ve karmaşıklık teorisi ile uğraşmak daha iyi olurdu.
Youtube'daki videolarla başlayabilirsiniz. Çok basit, Python'da temel bir bilgi ile ML ile çok şey yapabilirsiniz.
Makine Öğrenimi - Tarifler # 1
Ben de buldum, Cloud AI Adventures yeni bir video "Makine Öğrenme 7 Adımları" açıklıyor , BURAYA izleyebilirsiniz .
Matematik hakkında, ML / AI öğrenmeye başladığımda aynı soruyu sordum. Matematik konusunda iyi değilim, sadece temel bilgiler (geliştirici). Ancak bugün, TensorFlow ve diğer kütüphanelerle teori ve tanımlamaya odaklanabilirsiniz. Endişelenmeyin, zamanla, AI modelleri birkaç düğme ve etiketle inşa edilecek ... belki de oluyor.
İyi kaynaklar önerdiklerinden ve birçok kaynak var ama Yapay Zeka Üzerine En İyi Kitap Nedir (AI)? , Makine Öğrenmesine Giriş ve Yapay Zeka - Makine Öğrenimi
Ve bu video özeti hangi matematik bilgisine ihtiyacınız var Makine Öğrenmesi Matematiği Ve bu bağlantı AI için Matematik açıklar : İhtiyacınız olan tüm temel matematik konuları
Bundan sonra, bu bağlantıları görebilirsiniz, bunlar benim favorim