必讀 | 開發(fā)者 AI 轉(zhuǎn)型指南
本文轉(zhuǎn)自雷鋒網(wǎng)，如需轉(zhuǎn)載請至雷鋒網(wǎng)官網(wǎng)申請授權(quán)。
人工智能…好吧，目前看來，這項(xiàng)尖端技術(shù)現(xiàn)在是流行的，同時也是一項(xiàng)會對人類產(chǎn)生決定性影響的技術(shù)。我們對人工智能的力量和它們在幾乎任何行業(yè)中的有效使用方式感到驚訝?，F(xiàn)在的機(jī)器人就像 100 年前的飛機(jī)。那么接下來會是什么？這個問題引發(fā)了許多情緒，從極大的興趣、鼓勵、成為這一過程的組成部分的渴望，到最后的恐懼、困惑和無知。是什么阻止了你參與人工智能的發(fā)展，成為了一個被動的旁觀者？
你可以想象，轉(zhuǎn)變成人工智能開發(fā)者是一條漫長而艱難的道路，但這并不意味著你不能完成這個目標(biāo)。我要對懷疑者說一句話：即使你在編程、數(shù)學(xué)、工程方面沒有任何經(jīng)驗(yàn)，你也可以在家里從頭開始學(xué)習(xí)人工智能，并開始將你的知識應(yīng)用于實(shí)踐，創(chuàng)建簡單的機(jī)器學(xué)習(xí)解決方案，這些將是你成為人工智能開發(fā)者邁出的第一步。
幾年前，Kaggle 的用戶調(diào)查顯示，在人工智能這個領(lǐng)域工作的人中，只有 30% 的人在學(xué)校學(xué)習(xí)過機(jī)器學(xué)習(xí)或數(shù)據(jù)科學(xué)。相反，66% 的受訪者是自學(xué)的。超過一半的受訪者說他們使用網(wǎng)絡(luò)課程學(xué)習(xí)新的學(xué)科。所以，這只意味著一件事：
停止做夢，開始行動吧！
如果你決定這樣做，本文將成為你邁出第一步的輔助工具。在這里，我將展示我眼中成為人工智能開發(fā)者的有效的學(xué)習(xí)路徑。你知道，網(wǎng)上有很多資料可以選擇，但我試著幫助你區(qū)分什么才是真正重要的。
你準(zhǔn)備好了嗎？
Part I. 首先，獲得開始學(xué)習(xí)人工智能所需的基本技能
人工智能是復(fù)雜的研究之一，正確的學(xué)習(xí)策略尤為重要。我的意思是，你需要為學(xué)習(xí)做準(zhǔn)備，你要先掌握一些基本的技能。如果你已經(jīng)知道一些基本技能，那么你可以跳過這一階段。但在其他情況下，我建議至少花幾天或者一周時間來了解你需要學(xué)習(xí)領(lǐng)域的基礎(chǔ)知識。
同時，你不需要在每件事上都成為大師。你只需要花點(diǎn)時間去了解一些基本概念就好。如果你想更深入地學(xué)習(xí)，現(xiàn)在先不要著急。不管怎樣，它將有助于你在之后遇到問題時更好地在谷歌上搜索答案。
#1 抽象思維
抽象思維對于變得更聰明和獲得解決問題的能力來說很重要。你擁有抽象思維嗎？如果沒有，是時候改變這種情況了。
獲得良好的解決問題能力和邏輯推理能力是你現(xiàn)在的首要任務(wù)。機(jī)器學(xué)習(xí)是圍繞著尋找數(shù)據(jù)中的模式來進(jìn)行的。例如，與設(shè)計服務(wù)架構(gòu)和調(diào)試服務(wù)架構(gòu)相比，數(shù)據(jù)科學(xué)家花了更多的時間來生成假設(shè)、在數(shù)據(jù)陣列上準(zhǔn)備和執(zhí)行無休止的實(shí)驗(yàn)。
在專家的心目中，道路和谷歌地圖的交叉點(diǎn)、自動取款機(jī)分析系統(tǒng)的時間序列中的的現(xiàn)金提取統(tǒng)計數(shù)據(jù)都會被轉(zhuǎn)換成圖表。沒有用抽象的形式表現(xiàn)普通事物的技巧是不行的。所以，說到思考，我們需要優(yōu)先保證思考的深度，這是解決問題的方法。
如何學(xué)會深度思考？對你所看到的一切事物進(jìn)行提問。也許提高抽象思維能力的最好方法是提高你的精神耐力，開始更多地思考事情。以下是一些有趣的視頻，或許可以幫到你：
順便說一下，提高你的數(shù)學(xué)技能也有幫助，因?yàn)閿?shù)學(xué)是一種抽象的思維方式。在統(tǒng)計數(shù)據(jù)中尋找模式也可以提高你在這方面的能力。所以，注意下一個技能。
#2 基本的數(shù)學(xué)素養(yǎng)
人工智能和機(jī)器學(xué)習(xí)這類職業(yè)需要你具備基本的數(shù)學(xué)知識。這里的關(guān)鍵詞是「基本」。你需要閱讀或更新基礎(chǔ)理論，無需閱讀整個教程，只需關(guān)注關(guān)鍵概念：
-
數(shù)據(jù)分析用到的線性代數(shù)：標(biāo)量、向量、矩陣和張量
-
數(shù)學(xué)分析：導(dǎo)數(shù)和梯度
-
概率論基礎(chǔ)
為了快速學(xué)習(xí)線性代數(shù)和數(shù)學(xué)分析，我推薦以下課程：
-
Khan Academy 提供關(guān)于線性代數(shù)和數(shù)學(xué)分析的簡短實(shí)踐課程。
-
麻省理工學(xué)院公開課：這個軟件上有很好的 ML 數(shù)學(xué)學(xué)習(xí)課程。
-
Artificial Intelligence：「Machine Learning and Predictive Analytics」，帶你輕松走向人工智能的無限可能。
#3 如果你想研究機(jī)器人的話，就要學(xué)物理
對所有的工程領(lǐng)域來說，對科學(xué)的扎實(shí)理解很重要。物理學(xué)特別有用，因?yàn)樗鼮闄C(jī)器人學(xué)提供了能量、電路、力學(xué)、材料科學(xué)和其他關(guān)鍵課題的基礎(chǔ)知識。然而，所有的科學(xué)都是有用的，因?yàn)樗鼈兘虝覀內(nèi)绾螌?shù)學(xué)應(yīng)用于實(shí)際問題。
在哪里學(xué)物理？不要驚慌。這里有一個很棒的 YouTube 頻道，你可以在上面學(xué)習(xí)工程物理。享受你的學(xué)習(xí)吧！
#4 統(tǒng)計方法
統(tǒng)計方法是數(shù)學(xué)學(xué)習(xí)的重要基礎(chǔ)之一，它可以讓你更加深入了解機(jī)器學(xué)習(xí)算法的原理，用于分析數(shù)據(jù)和數(shù)據(jù)集的主要技術(shù)有：
-
平均值
-
標(biāo)準(zhǔn)偏差
-
回歸分析
-
樣本尺寸測定
-
假設(shè)檢驗(yàn)
Free statistical analysis courses on EdX
Key Types of Regressions: Which One to Use?
Statistical Methods for Machine Learning
#5 算法，從頭到尾！
注意！我們現(xiàn)在已經(jīng)進(jìn)入學(xué)習(xí)人工智能最基本的領(lǐng)域。用「必不可少」來形容算法遠(yuǎn)遠(yuǎn)不夠。如果你想成為人工智能領(lǐng)域的研究者，你必須成為算法方面的專家。你應(yīng)該在這方面有出色的問題解決和分析技巧。所以不要回避前面的步驟，它將幫助你高效地完成給定的任務(wù)。
算法似乎太枯燥、復(fù)雜，難以掌握。在某種程度上，這是真的。然而，如果你真的、瘋狂地，深深地想成為一個人工智能專家，你必須更新你的知識，沒有其他的捷徑可走。你可以用我以前的一篇文章來簡化這個任務(wù)——「Top 10 Machine Learning Algorithms for Data Science」——這里我用簡單的語言解釋了十大最常見算法的核心原理。
但這還不夠，所以我建議你再往前走一步?？纯催@些有用的東西：
-
Steven S Skiena 的「The Algorithm Design Manual」
-
Daniil Korbut 的「Machine Learning Algorithms: Which One to Choose for Your Problem」
-
Daniel P.Clark 的「Visualizing Algorithms Before Implementation」
以上這些都是準(zhǔn)備工作。如果你已經(jīng)掌握了所有這些基本技能，你可以自信地開始教機(jī)器學(xué)習(xí)啦。
Part II. 開始學(xué)習(xí)最重要的部分——人工智能
就這樣，我們來到了最有趣的部分。有了學(xué)習(xí)人工智能所必需的知識基礎(chǔ)，你就可以容易地理解下面的要點(diǎn)，像嬰兒學(xué)走路一樣一步一步更接近你的夢想。是的，沒錯，這些只是蹣跚學(xué)步。請記住，這是不可能速成的。
#1 計算機(jī)科學(xué)、程序設(shè)計（關(guān)注 python）
人工智能開發(fā)人員的工作的一個重要部分是處理基于計算機(jī)科學(xué)的應(yīng)用程序，包括編程語言，如 python 和編碼。所以，在這一步上要有耐心，讓自己對學(xué)習(xí)保持超群的關(guān)注和專注，因?yàn)槟阋獙W(xué)習(xí)很多東西。
為什么是 Python？根據(jù)所有的民意調(diào)查，Python 現(xiàn)在是人工智能和數(shù)據(jù)科學(xué)領(lǐng)域最流行的語言。此外，這個工具很容易學(xué)習(xí)和使用。它里面有很多庫可以調(diào)用，網(wǎng)上也可以找到大量的在線課程和資料。所以你可以選擇符合你喜好的學(xué)習(xí)方式。
初學(xué)者必學(xué)資源：
-
A Beginner's Guide to Python for Data Science——綜合指南，也適用于那些夢想在人工智能領(lǐng)域工作的人。
-
Automate the Boring Stuff with Python——這本書證明了一個事實(shí)：編程的主要內(nèi)容不是語法知識，而是理解如何讓機(jī)器執(zhí)行你的指令。
-
How to Think Like a Computer Scientist——另一個很好的開源書籍項(xiàng)目，指導(dǎo)你像專業(yè)人員一樣編程。
-
Learn Python the Hard Way—一本優(yōu)秀的手冊書，解釋了基礎(chǔ)知識和更復(fù)雜的應(yīng)用程序。
-
The Python Tutorial——官方文檔。
您還可以學(xué)習(xí)其他語言，如 C++/R/Java，但對我個人而言，Python 是 AI 和數(shù)據(jù)科學(xué)最合適的工具。想知道為什么嗎？閱讀我以前的文章，我在其中詳細(xì)解釋了關(guān)于這一點(diǎn)的所有內(nèi)容：Python vs R. Choosing the Best Tool for AI, ML & Data Science。
#2 學(xué)習(xí)人工智能本身
Francesco Corea 開發(fā)的人工智能知識地圖
想象一下你是如何理解上面的計劃的，我會像 Andrew Ng 那樣說「如果你不明白，請不要擔(dān)心」。只需要看到整個畫面，了解每個元素的位置。順便說一句，Andrew 是人工智能領(lǐng)域最有影響力的人之一，你會經(jīng)常看到這個名字的。他參與創(chuàng)建了在線機(jī)器學(xué)習(xí)網(wǎng)站 Coursera，現(xiàn)在是斯坦福大學(xué)的副教授。
好吧，我們回到主題，人工智能是一個廣泛的研究領(lǐng)域，包括許多理論、方法、技術(shù)和實(shí)踐，以及以下基本概念：
機(jī)器學(xué)習(xí)
器學(xué)習(xí)是實(shí)現(xiàn)人工智能的過程。這是計算機(jī)在沒有人為干預(yù)的情況下學(xué)習(xí)的能力。人工智能在沒有機(jī)器學(xué)習(xí)的情況下是可能的，但這將需要一百萬行具有復(fù)雜規(guī)則和條件的代碼。換句話說，機(jī)器學(xué)習(xí)不是為每個特定的任務(wù)寫下詳細(xì)的指令，而是使用一種自己學(xué)習(xí)尋找解決方案的算法。
機(jī)器學(xué)習(xí)主要有四種類型：有監(jiān)督、無監(jiān)督、半監(jiān)督和強(qiáng)化學(xué)習(xí)。在有監(jiān)督的機(jī)器學(xué)習(xí)中，該算法通過處理和分類、標(biāo)記大量數(shù)據(jù)來學(xué)習(xí)如何識別數(shù)據(jù)。在無監(jiān)督的機(jī)器學(xué)習(xí)中，算法識別大量未標(biāo)記數(shù)據(jù)中的模式和類別——通常比人腦更快。
學(xué)習(xí)什么？到哪里學(xué)？
神經(jīng)網(wǎng)絡(luò)
迄今為止，人工智能發(fā)展最快的部分可能是神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)和人工智能的研究應(yīng)該從數(shù)學(xué)的兩個分支——線性代數(shù)和概率論開始。這是人工智能不可動搖的支柱。神經(jīng)網(wǎng)絡(luò)是一種機(jī)器學(xué)習(xí)，幫助智能機(jī)器在特定情況下找到正確的連接來糾正任務(wù)或做出預(yù)定的決定。
以下是一些很好的學(xué)習(xí)資料：
-
Neural Network in Python——這是一個很好的教程，你可以從一開始就構(gòu)建一個簡單的神經(jīng)網(wǎng)絡(luò)。里面有很多有用的插圖，你會了解梯度下降的原理。
-
How to build your own Neural Network from scratch in Python。
-
Machine Learning for Beginners: An Introduction to Neural Networks——關(guān)于神經(jīng)網(wǎng)絡(luò)如何工作以及如何在 Python 中從頭開始實(shí)現(xiàn)它的一個很好的簡潔教程。
深度學(xué)習(xí)
深度學(xué)習(xí)試圖模擬新皮質(zhì)神經(jīng)元層的活動。人工神經(jīng)網(wǎng)絡(luò)（ANNs）——一種已經(jīng)這樣做的算法。人工神經(jīng)網(wǎng)絡(luò)由相互作用的人工神經(jīng)元組成。它們是分層排列的——每一層都對某些符號做出反應(yīng)，例如，識別圖像時圖形的彎曲和邊界。學(xué)習(xí)被稱為深度，因?yàn)橛写罅康膶哟巍?/p>
認(rèn)知計算
人工智能使用認(rèn)知計算來模擬通常由人類執(zhí)行的過程，解釋圖像和語言，然后可以根據(jù)反應(yīng)順序說話和行動。人工智能和機(jī)器學(xué)習(xí)中有很多方法是從自然界的生物得到的靈感。而且，雖然早期的人工智能專注于制造模擬人腦的機(jī)器的宏偉目標(biāo)，但認(rèn)知計算正朝著這個目標(biāo)努力。
認(rèn)知計算是一種建立在神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的基礎(chǔ)上，應(yīng)用認(rèn)知科學(xué)的知識來構(gòu)建模擬人類思維過程的系統(tǒng)。然而，認(rèn)知計算并沒有專注于單一的技術(shù)，而是涵蓋了幾個學(xué)科，包括機(jī)器學(xué)習(xí)、自然語言處理、視覺和人機(jī)交互。
計算機(jī)視覺
人工智能是基于圖像識別以及對圖像或視頻中發(fā)生的事情的深入研究。當(dāng)機(jī)器能夠處理、分析和理解圖像時，它們可以單獨(dú)解釋圖像，并就輸入的處理和使用提供自己的決策。
人工智能的話題非常深刻，到目前為止我們只觸及了表面。現(xiàn)在是走向?qū)嵺`的時候了。
Part III. 練習(xí)技巧
好吧，如果你準(zhǔn)備開始長征，那么我祝賀你！現(xiàn)在你已經(jīng)具備了一定的知識基礎(chǔ)。對于我個人來說，這個階段最有效的學(xué)習(xí)方案是兩種方式：參加 Kaggle 競賽，選擇要處理的數(shù)據(jù)集并實(shí)踐這個過程。
參加 Kaggle 比賽
Kaggle 經(jīng)常舉辦數(shù)據(jù)分析競賽。我建議先參加沒有獎品的比賽，因?yàn)樗鼈兪亲钊菀椎模瑢Τ鯇W(xué)者更友好。隨著時間的推移，你可以轉(zhuǎn)向更復(fù)雜的任務(wù)。如果這種練習(xí)方法適合你，閱讀關(guān)于如何參加 Kaggle 比賽的指南——The Beginner's Guide to Kaggle。
數(shù)據(jù)集實(shí)踐：
適度的休息和一些自驅(qū)力
能已經(jīng)猜到了，你有很多東西要學(xué)。但是如果你有你的目標(biāo)，你真的對所有這些東西感興趣，你會很高興地走上這條艱難的學(xué)習(xí)道路。
現(xiàn)在，讓我們記住學(xué)習(xí)人工智能需要注意的所有要點(diǎn)：
-
準(zhǔn)備和獲取知識庫
-
學(xué)習(xí)人工智能的關(guān)鍵知識
-
練習(xí)技能
-
相信自己會是勝利者
最后，多一點(diǎn)動力，因?yàn)閯恿τ肋h(yuǎn)不嫌多，對吧？
每個人在拳擊場上都有恐懼感。你很害怕。你的對手也很害怕。但是，真正的區(qū)別是有的人會向前走，有的人則會后退一步。
當(dāng)然，你的任務(wù)是選擇第一個選項(xiàng)——向前走吧。為此，戰(zhàn)勝你的恐懼，投入到對你有價值的事情上去。
恐懼可以成為做更多事情或者做得更好、不斷前進(jìn)、不斷改進(jìn)的不竭動力。這樣做，恐懼就會變成你的朋友。
