一名通俗轨范员该若何转人工智能倾向？_机械_论文

2024-11-12 04:48:21 绘影字幕

一. 目的

一名通俗轨范员该若何转人工智能倾向？_机械_论文绘影字幕

本文的目的是给出一个大略的，平滑的，易于实现的学习方法，帮助 “普通” 程序员踏入AI领域这个门。
这里，我对普通程序员的定义是：拥有大学本科知识;平时事情较忙;自己能获取的数据有限。
因此，本文更像是一篇 “from the scratch” 的AI入门教程。

二. AI领域简介

AI，也便是人工智能，并不仅仅包括机器学习。
曾经，符号与逻辑被认为是人工智能实现的关键，而如今则是基于统计的机器学习霸占了主导地位。
最近火热的深度学习正是机器学习中的一个子项。
目前可以说，学习AI紧张的是学习机器学习。

但是，人工智能并不等同于机器学习，这点在进入这个领域时一定要认识清楚。
关于AI领域的发展历史先容推举看周老师写的《机器学习简介》。
下面一个问题是：AI的门好跨么?实在很不好跨。
我们以机器学习为例。

在学习过程中，你会面对大量繁芜的公式，在实际项目中会面对数据的缺少，以及艰辛的调参等。
如果仅仅是由于以为这个方向未来会“火”的话，那么这些困难会随意马虎让人放弃。
考虑到普通程序员的特点，而要学习如此困难的学科，是否便是没有道路的?答案是否定的。
只要制订得当的学习方法即可。

三. 学习方法

学习方法的设定大略说便是回答以下几个问题：我要学的是什么?我若何学习?我如何去学习?这三个问题概括说便是：学习目标，学习方针与学习操持。
学习目标比较清楚，便是踏入AI领域这个门。
这个目标不大，因此实现起来也较为随意马虎。
“过大的目标时便是为了你日后放弃它时找到了足够的情由”。

学习方针可以总结为 “兴趣为先，践学结合”。

大略说便是先培养兴趣，然落后修中把实践穿插进来，螺旋式提高。
这种办法学习效果好，而且不随意马虎让人放弃。
有了学习方针往后，就可以制订学习操持，也称为学习路线。
下面便是学习路线的先容。

四. 学习路线

我推举的学习路线是这样的，如下图：

图1 AI领域学习路线图

这个学习路线是这样设计的：

首先理解这个领域，建立起全面的视野，培养起充足的兴趣，然后开始学习机器学习的根本，这里选择一门由浅入深的课程来学习，课程最好有足够的实验能够进行实战。
根本打下后，对机器学习已经有了充足的理解，可以用机器学习来办理一个实际的问题。

这时还是可以把机器学习方法当作一个黑盒子来处理的。
实战履历积累往后，可以考虑连续进行学习。
这时候有两个选择，深度学习或者连续机器学习。
深度学习是目前最火热的机器学习方向，个中一些方法已经跟传统的机器学习不太一样，因此可以单独学习。
除了深度学习以外，机器学习还包括统计学习，集成学习等实用方法。

如果条件足够，可以同时学习两者，一些规律对两者是共通的。
学习完后，你已经具备了较强的知识储备，可以进入较难的实战。
这时候有两个选择，工业界的可以选择看开源项目，以改代码为目的来读代码;学术界的可以看特定领域的论文，为办理问题而想发论文。

无论哪者，都须要知识过硬，以及较强的编码能力，因此很能稽核和磨炼水平。
经由这个阶段往后，可以说是踏入AI领域的门了。
“师傅领进门，修行在个人”。
之后的路就要自己走了。

下面是关于每个阶段的详细先容：

0.领域理解

在学习任何一门知识之前，首先第一步便是理解这个知识是什么？它能做什么事?它的代价在什么地方?如果不理解这些的话，那么学习本身便是一个没有方向的舟，不知道驶向何处，也极易有沉船的风险。

理解这些问题后，你才能培养出兴趣，兴趣是最好的引***，学习的动力与持久力才能让你搪塞接下来的多少个阶段。
关于机器学习是什么，能做什么，它与深度学习以及人工智能的关系，从机器学习谈起。

1.知识准备

如果你离校过久，或者以为根本不牢，最好事先做一下准备复习事情。
“工欲善其事，必先利其器”。
以下的准备事情不多，但足以搪塞后面阶段的学习。

数学：复习以下基本知识。
线性代数：矩阵乘法;高数：求导;概率论：条件与后验概率。
其他的一些知识可以在后面的学习的过程中按需再补;

英文：常备一个在线英文词典，例如爱词霸，能够不吃力的看一些英文的资料网页;

FQ：可以随时随地上Google，这是一个很主要的工具。
不是说百度查的不能看，而是很多情形下Google搜出来的资料比百度搜的几十页的资料还管用，尤其是在查英文关键字时。
节省韶光可是很主要的学习效率提升；

2.机器学习

机器学习的第一门课程首推Andrew Ng的机器学习。
这门课程有以下特点：难度适中，同时有足够的实战例子，非常适宜第一次学习的人。

3.实践做项目

学习完了根本课程，你对机器学习就有了初步理解。
现在利用它们是没有问题的，你可以把机器学习算法当作黑盒子，放进去数据，就会有结果。
在实战中你更须要去关心如何获取数据，以及怎么调参等。
如果有韶光，自己动手做一个大略的实践项目是最好的。

这里须要选择一个运用方向，是图像(打算机视觉)，音频(语音识别)，还是文本(自然措辞处理)。
这里推举选择图像领域，这里面的开源项目较多，入门也较大略，可以利用OpenCV做开拓，里面已经实现好了神经网络，SVM等机器学习算法。
项目做好后，可以开源到到 Github 上面，然后不断完善它。
实战项目做完后，你可以连续进一步深入学习，这时候有两个选择，深度学习和连续机器学习；

4.深度学习

深度学习：深度学习是目前最火热的研究方向。
有以下特点：知识更新快，较为零星，没有系统讲解的书。
因此学习的资源也相对零散，下面是一些资源先容。
个中不推举的部分并不代表不好，而是在这个初学阶段不得当：

推举，UFLDL：非常好的DL根本教程，也是Andrew Ng写的。
有很详尽的推导，有翻译，且翻译质量很高;推举，Deep learning (paper)：2015年Nature上的论文，由三位深度学习界的大牛所写，读完备篇论文，给人居高临下，一览众山小的觉得，强烈推举。
如果只能读一篇论文理解深度学习，我推举此篇。
这篇论文有同名的中文翻译;推举，Neural networks and deep learning：这本书的作者非常善于以浅近的措辞表达深刻的道理，虽然没有翻译，但是阅读并不困难;推举，Recurrent Neural Networks：结合一个实际案例见告你RNN是什么，整篇教程学完往后，会让你对RNN如何产生浸染的有很清晰的认识，而这个效果，乃至是读几篇干系论文所没有的;

5.连续机器学习

深度学习未必便是未来的一定主流，至少一些大牛是这么认为的。
传统的机器学习有如下特点，知识系统化，有相对经典的书。
个中统计学习(代表SVM)与集成学习(代表adaboost)是在实践中利用非常多的技能。
下面是干系资源：

推举，机器学习(周志华)：如果是在以前，机器学习方面的经典教材首推PRML，但现在周老师的书出来往后，就不再是这样了。
首先推举读周老师的书。
这本书有一个特点，那便是再难的道理也能用浅近精髓精辟的措辞表达出来。
正如周老师的名言：“表示你水平的地方是把难的东西讲随意马虎了，而不是把随意马虎的东西讲难，想把一个东西讲难实在太简单”;

6.开源项目

当知识储备较为充足时，学习可以再次转入实践阶段。
这时候的实践仍旧可以分两步走，学习经典的开源项目或者揭橥高质量的论文。
开源项目的学习该当以只管即便以优化为目的，纯挚为读代码而学习效果每每不太好。
好的开源项目都可以在Github 里搜索。
这里以深度学习为例。
深度学习的开源精良库有很多，例如torch，theano等等，这里列举个中的两个：

推举，DeepLearnToolbox：较早的一个深度学习库，用matlab措辞撰写，较为适宜从刚学习的课程转入学习。
遗憾的是作者不再掩护它了;

推举，tensorflow：Google的开源库，时至今日，已经有40000多个star，非常惊人，支持移动设备;

7.会议论文

较好的课程都会推举你一些论文。
一些著名的技能与方法每每出身于一些主要的会议。
因此，看往年的会议论文是深入学习的方法。
在这时，一些论文中的内容会使令你学习数学中你不善于的部分。
有时候你会以为数学知识储备不足，因此每每须要学习一些赞助课程。

当你看完足够的论文往后，在这个阶段，如果是在校学生，可以选择某个课题，以发论文为目的来学习研究。
一样平常来说，论文是事情的产物。
有时候一篇基于实验的论文每每须要你写代码或者基于开源项目。
因此开源项目的学习与会议论文的事情两者之间是有干系的。

两者可以同时进行学习。
关于在哪里看论文，可以看一下CCF推举排名，理解一下这个领域里有哪些精良的会议。

下面先容两个图像与机器学习领域的著名顶级会议：

CVPR：与另两个会议ICCV和ECCV合称打算机视觉领域的三大会，把稳会议每年的主页是变动的，因此搜索须要加上年份;

Conference on Neural Information Processing Systems：简称NIPS，许多主要的事情揭橥在这上面，例如关于CNN的一篇主要论文便是揭橥在上面;

8.自由学习

到这里了，可以说是进入这个门了。
下面可以依据兴趣来自由学习。

cs229：Ng写的讲义很不错，个中关于SVM的推导部分很清晰，想学习SVM推举;