本文转载自雷锋网。人工智能……嗯，现在看来这个尖端科技很时髦，也是对人类将产生决定性影响的科技。我们对人工智能的力量以及它们在几乎所有行业中的有效使用感到惊讶。今天的机器人就像100年前的飞机。下一个是什么？这个问题激起了很多情绪，从极大的兴趣、鼓励、成为这个过程的一部分的愿望，到最后的恐惧、困惑和无知。是什么阻碍了你参与人工智能的发展，成为被动的旁观者？可以想象，成为AI开发者是一条漫长而艰难的道路，但这并不意味着你无法完成。对怀疑论者的一句话：即使你没有编程、数学、工程方面的经验，你也可以在家里从头开始学习AI，并开始应用你的知识来创建简单的机器学习解决方案，这些将是你作为AI开发人员的第一步。几年前，Kaggle用户调查显示，在人工智能领域工作的人中，只有30%在学校学习过机器学习或数据科学。相比之下，66%的受访者是自学成才的。超过一半的受访者表示他们使用在线课程来学习新科目。所以，这只能意味着一件事：停止做梦，开始行动吧！如果您决定这样做，本文将帮助您迈出第一步。在这里，我将介绍我认为成为AI开发人员的有效学习途径。你知道，网上有很多材料可供选择，但我正在努力帮助你区分真正重要的内容。你准备好了吗？第一部分首先，掌握开始学习人工智能所需的基本技能人工智能是一项复杂的研究，正确的学习策略尤为重要。我的意思是，你需要为学习做准备，你需要先掌握一些基本技能。如果您已经了解一些基本技能，则可以跳过此阶段。但在其他情况下，我建议至少花几天或一周的时间来了解你需要学习的领域的基础知识。同时，你不需要在所有事情上都是大师。您只需要花一些时间来了解一些基本概念。如果你想更深入地学习，现在不要着急。无论哪种方式，它都会帮助您在以后遇到问题时更好地谷歌搜索答案。#1抽象思维抽象思维对于变得更聪明和获得解决问题的能力很重要。你有抽象思维吗？如果没有，是时候改变它了。获得良好的解决问题和逻辑推理能力是你现在的首要任务。机器学习围绕着寻找数据中的模式。例如，与设计和调试服务架构相比，数据科学家花费更多的时间来生成假设、准备和对数据阵列执行无休止的实验。在专家的心目中，道路的交叉口和谷歌地图，ATM分析系统的时间序列中的取款统计数据被转换成图表。没有以抽象形式表达普通事物的技巧是不可能的。所以，在思考的时候，我们需要优先保证思考的深度，这才是解决问题的方法。如何学会深度思考？对你所看到的一切提出问题。也许提高抽象思维能力的最好方法是提高你的精神耐力并开始更多地思考事物。以下是一些可能对您有所帮助的有趣视频：什么是思想？大脑如何创造新想法4种思考抽象对象的方式创造性思维——如何跳出框框并产生想法顺便说一句，提高你的数学技能也有帮助，因为数学是一种抽象的思维方式。在统计学中寻找规律也可以提高你在这方面的能力。所以，注意下技能。#2基本数学素养人工智能和机器学习等职业需要你具备基本的数学知识。这里的关键词是“基本”。你需要阅读或更新基础理论，你不需要阅读整个教程，只关注关键概念：数据分析的线性代数：标量、向量、矩阵和张量数学分析：导数和梯度对于数学分析，我推荐以下课程：可汗学院提供有关线性代数和数学分析的短期实践课程。MITOpenCourse：这个软件有很好的ML数学学习课程。人工智能：《机器学习与预测分析》，带你轻松领略人工智能的无限可能。#3如果你想学习机器人技术，就学习物理学对科学的扎实理解对所有工程领域都很重要。物理学特别有用，因为它提供了能量、电路、力学、材料科学和机器人技术的其他关键主题的基础知识。然而，所有科学都是有用的，因为它们教会我们如何将数学应用于实际问题。我在哪里可以学习物理？不要恐慌。这是一个很棒的YouTube频道，您可以在其中学习工程物理。享受你的学习！#4统计方法统计方法是数学学习的重要基础之一。它们可以让您更深入地了解机器学习算法的原理。用于分析数据和数据集的主要技术是：均值标准差回归分析样本量确定假设检查EdXKey上的免费统计分析课程回归类型：使用哪一个？机器学习统计方法#5算法，从头到尾！注意！我们现在已经进入了学习人工智能最基础的领域。用“essential”来描述一个算法是远远不够的。如果你想成为人工智能领域的研究者，你必须成为算法方面的专家。您应该在该领域具有出色的问题解决和分析能力。所以不要回避前面的步骤，它会帮助你高效地完成给定的任务。算法似乎太枯燥和复杂，难以掌握。在某种程度上，这是真的。然而，如果你真的、疯狂地、深深地想成为一名人工智能专家，你就必须更新你的知识，没有其他捷径。您可以通过我之前的一篇文章“数据科学的十大机器学习算法”来简化这项任务，我在其中用简单的语言解释了十大最常见算法的核心原理。但这还不够，所以我建议你更进一步。查看这些有用的东西：StevenSSkiena的“算法设计手册”DaniilKorbut的“机器学习算法：为您的问题选择哪一个”DanielP.Clark的“可视化算法在实施之前”这些都是准备工作。如果你掌握了所有这些基本技能，你就可以自信地开始教授机器学习了。第二部分。让我们开始学习最重要的部分——人工智能就这样，我们来到了最有趣的部分。有了学习人工智能必备的知识库，你就可以轻松了解以下几点，像婴儿学走路一样，一步步靠近你的梦想。是的，没错，这些只是蹒跚学步的孩子。请记住，这不能很快完成。#1ComputerScience,Programming(focusonpython)人工智能开发人员工作的一个重要部分是处理基于计算机科学的应用程序，包括像python和编码这样的编程语言。所以，在这一步要有耐心，让自己超级专注并专注于你的学习，因为你有很多东西要学。为什么选择Python？根据所有民意调查，Python现在是人工智能和数据科学中最受欢迎的语言。此外，该工具易于学习和使用。里面有很多库可以调用，网上也可以找到大量的在线课程和资料。因此，您可以选择适合自己喜好的学习方式。初学者必学资源：ABeginner'sGuidetoPythonforDataScience-综合指南，也适用于那些梦想在人工智能领域工作的人。AutomatetheBoringStuffwithPython-这本书证明了一个事实：编程的主要内容不是语法知识，而是理解如何让机器执行你的指令。如何像计算机科学家一样思考-另一个很好的开源书籍项目，可以指导您像专业人士一样编程。LearnPythontheHardWay-一本优秀的手册，解释了基础知识和更复杂的应用程序。Python教程-官方文档。你也可以学习其他语言，比如C++/R/Java，但就我个人而言，Python是最适合AI和DataScience的工具。你想知道为什么吗？阅读我之前的文章，其中我详细解释了这一切：PythonvsR.ChoosingtheBestToolforAI,ML&DataScience。#2LearningAIitselfFrancescoCorea开发的AI知识图谱想象一下你如何理解上面的计划，我会像AndrewNg一样说“如果你不明白，别担心”。只需要看到全貌，知道每个元素在哪里。顺便说一句，安德鲁是AI领域最有影响力的人之一，这个名字你会经常看到。他共同创立了在线机器学习网站Coursera，现在是斯坦福大学的副教授。好了，言归正传，人工智能是一个广阔的研究领域，包括许多理论、方法、技术和实践，以及以下基本概念：机器学习机器学习是实现人工智能的过程。这是计算机在没有人为干预的情况下学习的能力。人工智能在没有机器学习的情况下是可能的，但它需要一百万行具有复杂规则和条件的代码。换句话说，机器学习不是为每个特定任务写下详细说明，而是使用一种算法来学习自己寻找解决方案。机器学习有四种主要类型：监督学习、无监督学习、半监督学习和强化学习。在监督机器学习中，算法通过处理和分类、标记大量数据来学习如何识别数据。在无监督机器学习中，算法识别大量未标记数据中的模式和类别——通常比人脑更快。学习什么我可以在哪里学习？使用Python进行机器学习初学者指南机器学习简介—来自Udacity的免费课程如何成为机器学习工程师：15个步骤神经网络到目前为止，AI中发展最快的部分可能是神经网络。神经网络和人工智能的研究应该从数学的两个分支——线性代数和概率论开始。这是人工智能不可动摇的支柱。神经网络是一种机器学习，可帮助智能机器在给定情况下找到正确的连接，以纠正任务或做出预定决策。这里有一些很好的学习材料：Python中的神经网络-这是一个很棒的教程，您可以从头开始构建一个简单的神经网络。里面有很多有用的插图，你会明白梯度下降的原理。如何在Python中从头开始构建自己的神经网络。在Python中从头开始实现神经网络-介绍。MachineLearningforBeginners:AnIntroductiontoNeuralNetworks-一个关于神经网络如何工作以及如何在Python中从头开始实现它的简洁教程。深度学习深度学习试图模拟大脑皮层神经元层的活动。人工神经网络(ANN)–一种已经做到这一点的算法。人工神经网络由相互作用的人工神经元组成。它们分层排列——每一层都对某些符号做出反应，例如，识别图像时图形的曲率和边界。学习之所以称为深度，是因为层数多。6个月内深度学习实用指南EfficientBackProp作者：YannLeCun和其他人认知计算人工智能使用认知计算来模拟人类通常执行的过程，解释图像和语言，然后可以按照响应序列说话和行动。人工智能和机器学习中的许多方法都受到自然界生物的启发。而且，虽然早期人工智能专注于制造模仿人脑的机器这一宏伟目标，但认知计算正在朝着这个目标努力。认知计算是一种基于神经网络和深度学习的系统，它应用认知科学的知识来构建模拟人类思维过程的系统。然而，认知计算并不专注于单一的技术，而是涵盖了机器学习、自然语言处理、视觉、人机交互等多个学科。认知计算：改变游戏规则的简要指南作者：PeterFingar计算机视觉AI基于图像识别和对图像或视频中发生的事情的深入研究。当机器能够处理、分析和理解图像时，它们可以单独解释图像并就输入的处理和使用做出自己的决定。计算机视觉中的多视图几何计算机视觉：模型、学习和推理计算机视觉初学者指南人工智能的主题非常深奥，到目前为止我们只触及了皮毛。现在是继续练习的时候了。第三部分。修炼本领好了，如果你准备好开始长征了，恭喜你！现在你有了一定的知识基础。就我个人而言，这个阶段最有效的学习解决方案是两种方式：参加Kaggle比赛，选择一个数据集进行工作并练习过程。参加Kaggle比赛Kaggle经常举办数据分析比赛。我建议先参加无奖竞赛，因为它们最简单，也更适合初学者。随着时间的推移，您可以继续执行更复杂的任务。如果这种练习方法适合您，请阅读我们关于如何参加Kaggle比赛的指南-TheBeginner'sGuidetoKaggle。数据集实践：使用小型内存数据集练习机器学习真实世界的机器学习问题之旅处理对你重要的机器学习问题拥有免费数据集的十大好网站适当的休息和一些自我激励已经可以猜到，你有很多东西要学。但是，如果您有自己的目标并且对所有这些东西真的很感兴趣，那么您会很高兴地走上这条艰难的学习之路。现在，让我们记住学习AI时需要注意的所有要点：准备和获取知识库学习AI的关键知识实践技能相信你会成为赢家最后，一点点动力，因为动力永远不会太多，正确的？每个人都有恐惧。你感到害怕。你的对手也很害怕。然而，真正的区别在于，有些人会向前走，而有些人会后退一步。当然，您的任务是选择第一个选项-继续。要做到这一点，请克服你的恐惧，全身心投入到对你来说有价值的事情上。恐惧可以成为做得更多或更好、不断前进、不断改进的不竭动力。这样做，恐惧就会成为你的朋友。
