|
我曾经问过别人、亦被别人问过关于学习人工智能（AI）最好的方式是什么？我应该去阅读什么书？我应该去看什么视频？后面我将讲到这些，然则，思虑到人工智能触及非常多行业，我把这个问题掰开来讲可能更好理解。
学习人工智能很要紧的一点是区别开科研方面和应用方面。Google 的 Cassie Kozyrkov 在近期于伦敦举行的 OReilly 人工智能会议的一个演讲中描述了这个区别，并且这是一个很好的演讲。
人工智能科研在本质上是学术性的，在你能够得到人工智能的某些细节之前，必须海量的跨各类学科的数学知识。这部分的人工智能关注于算法和驱动人工智能发展的工具。例如，什么样的神经网络结构能够改善视觉识别的结果？咱们怎样使没监督学习作为更有用的办法？咱们能否找到一个更好的办法，去理解深度学习流水线是怎样得出答案的？
另一方面，人工智能应用更大都是关于运用现有工具去获取有用的结果。开源在这儿发挥了一个要紧的功效，那便是免费供给了易于运用的、各样语言的软件。公有云供给商亦致力于供给海量的设备学习、模型、以及数据集，这使得人工智能的入门比其它的要简单的多。
在这个问题上我想弥补一点，那便是人工智能的从业者不该该将她们的工具视为奥秘地输出答案的黑匣子。最少，她们应该去认识区别技术、模型、和数据采集办法的限制和潜在偏差。只是不必须去深入科研她们工具链中每一个部分的理论基本。
虽然在平常工作中人工智能可能并不那样要紧，但理解人工智能的海量的背景知识还是特别有用的。人工智能已然超越了神经网络上深度学习的狭窄范围，日前神经网络上的强化学习和监督学习已然取得要紧成就。例如，人工智能经常被视为是加强（而不是替代）人类判断和决策的一种办法。然则在设备和人类之间交换信息还有其自己的缺陷。
有了这些背景知识，下面是的有些科研行业和资源，你可能发掘会特别有用。
科研人工智能
在非常多方面，用于人工智能科研的一个资源名单，能够反映出本科（乃至是科研生）的计算机科学项目都是专注于人工智能。最重点的区别是，你起草的教育大纲比起传统的大纲更关注于跨学科。
你的计算机科学和数学背景知识决定了你的起点。
倘若你的计算机科学和数据背景知识很差或已然荒芜了，但你还期盼能够深入认识人工智能的基本原理，那样从有些数学课程起始将会让你受益。MOOC 上像非盈利的edX 平台和 Coursera 上都有许多可供你选取的课程（这两个平台都对认证收费，但 edX 上所有的课程，对旁听者是全免费的）。
典型的基本课程包含： MIT 的微积分课程，从微分起始学习线性代数（德克萨斯大学）概率与统计，例如 MIT 的概率 —— 不确定性与数据科学
从一个科研的方向去深入人工智能，你可能必须深入所有的这些数据行业，乃至更加多。然则上面的内容应该让您在深入科研设备学习和AI之前大致认识可能是最要紧的科研分支。
除了 MOOC 之外，像 MIT OpenCourseWare这般的资源亦供给了海量的数学和计算机科学课程的大纲和各样支持材料。
有了这些基本，你就能够学习更专业的人工智能课程了。吴恩达从他在斯坦福大学时教的 “AI MOOC” 便是全部在线课程行业中最早流行起来的课程之一。今天，他的 神经网络和深度学习亦是 Coursera 深度学习专业的一部分。在 edX 上亦有关联的有些项目，例如，哥伦比亚大学供给的一个人工智能 MicroMasters。
除了课程之外，亦能够在网上找到各样范例和其它学习材料。这些包含： 神经网络和深度学习MIT 出版的 Ian Goodfellow、Yoshua Bengio、Aaron Courville 的《深度学习》应用人工智能
人工智能应用更关注于运用可用的工具，而不是去构建新工具。对有些底层的数学，尤其是统计学的认识仍然是非常有用的 —— 乃至能够说是必需的 —— 但对这些知识的认识程度不像科研人工智能的需求那样高。
在这儿编程是核心技能。虽然能够运用区别的编程语言去做，然则有些库和工具集 —— 例如 Python 的 PyTor
| 
发表于 2024-7-1 07:09:26
