“無意中發現了一個巨牛的人工智能教程,忍不住分享一下給大家。教程不僅是零基礎,通俗易懂,而且非常風趣幽默,像看小說一樣!覺得太牛了,所以分享給大家。點這裏可以跳轉到教程。”
21世紀初的時候,曾流行一種說法:不懂計算機、外語和駕駛技術的人將成爲21世紀的文盲。時光荏苒,現在會計算機、外語和駕駛技術的人越來越多了。但是,近幾年又流行另外一種說法:不懂人工智能的人將成爲21世紀的新文盲。由此可見,學習人工智能技術的重要性和緊迫性。那麼,人工智能技術到底是什麼呢?它的知識體系是什麼樣的呢?我們該如何學習人工智能技術呢?帶着這種種的疑問,我學習了極客時間App上《人工智能基礎課》專欄。本專欄作者王天一老師是工學博士,目前在貴州大學大數據與信息工程學院擔任副教授,對大數據和人工智能技術有着深入的研究。
通過對本專欄的學習,我對人工智能技術有了全面的瞭解。在這篇文章中,我分享一下自己的學習總結,供各位想入門人工智能的朋友參考。
專欄主要內容
作者在開篇詞中提到,人工智能複雜,但並不神祕,普及人工智能的基礎知識,是走出瞭解人工智能的第一步。爲什麼說人工智能不神祕呢?因爲它建立在以線性代數和概率論爲骨架的基礎數學上,通過簡單模型的組合實現複雜功能。對於具備一定數學基礎的人來說,只要掌握了正確的方法,就一定能夠登堂入室,領略到人工智能之美。
本專欄的主要內容分爲七個部分,分別是:數學基礎、機器學習、人工神經網絡、深度學習、深度學習框架下的神經網絡、深度學習之外的人工智能、應用場景。
我用下面這張思維導圖來概括本專欄的主要內容。
數學基礎
如作者在開篇詞中提到的,人工智能是建立在數學的基礎上的,因此我們首先要了解必備的數學知識。
作者將線性代數作爲數學基礎的第一課,是因爲線性代數不僅僅是人工智能的基礎,更是現代數學和以現代數學作爲主要分析方法的衆多學科的基礎。我是在大一的時候就學習了線性代數,但當時並不清楚它到底有什麼實際的用途,現在才知道它在人工智能中起着基礎性的作用。
其他的數學知識包括:概率論、數理統計、最優化方法、信息論和形式邏輯。
機器學習
在很多人的印象中,人工智能基本可以和機器學習劃等號,可見機器學習在人工智能中的地位之高。在我們的日常生活中,會從大量現象中提取反覆出現的規律與模式,作爲指導未來行動的標準。這一過程在人工智能中的實現就是機器學習。從學術上來解釋,機器學習是計算機基於數據構建概率統計模型並運用模型對數據進行預測與分析的學科。
本專欄中介紹的機器學習知識點包括:線性迴歸、樸素貝葉斯方法、邏輯迴歸、決策樹、支持向量機、集成學習、聚類分析、降維學習。
人工神經網絡
作者在專欄中提到,從物質基礎的角度看,人類智能是建立在有機物基礎上的碳基智能,而人工智能是建立在無機物基礎上的硅基智能。碳基智能與硅基智能的本質區別在於架構,正是架構決定了數據的傳輸與處理是否能夠同時進行。在我們的大腦中,數據的傳輸和處理是同步進行的。
人工神經網絡涉及到的內容包括:神經元與感知器、多層感知器、徑向基函數神經網絡、自組織特徵映射、模糊神經網絡。
深度學習
在介紹深度學習之前,作者首先介紹了“深藍”與AlphaGo的區別:前者的核心在於“算”,即利用強大的計算資源來優化目標函數;後者的核心則在於“想”。作者進而提到,深藍是專注於國際象棋的、以暴力窮舉爲基礎的專用人工智能,而AlphaGo是幾乎沒有特定領域知識的、基於機器學習的、更加通用的人工智能。作者認爲,AlphaGo的勝利也是深度學習的勝利,深度學習是利用包含多個隱藏層的人工神經網絡實現的學習。
深度學習涉及到的內容包括:深度前饋網絡、深度學習中的正則化、深度學習中的優化、自編碼器、深度強化學習。
總結
除了前面介紹的內容之外,專欄還介紹了深度學習框架下的神經網絡、深度學習之外的人工智能。任何一門技術都需要不停地實踐,才能夠達到熟能生巧的程度,人工智能也不例外。因此,作者專門用了一個部分的內容來介紹應用場景。
在結束語中,作者提到,本專欄是一份簡歷、一份提綱,勾勒出這個領域的基本框架。作者還給出了學習人工智能的建議,也就是:與其星辰大海,不如近水樓臺,將自身專門的領域知識和人工智能的方法結合,以處理和解決實際問題,並在實踐中不斷學習和進化,纔是搭上人工智能這列快車的正確方法。我們要學習的不是乾巴巴的理論,而是要將人工智能融入到現有的工作之中。我們要逐步在應用中積累經驗,再從經驗中提取出理論,這纔是合理的學習路徑。
如果大家對專欄的內容感興趣,可以訂閱學習,也可以閱讀我繪製的思維導圖。下載鏈接如下,希望對大家瞭解人工智能有所幫助。
鏈接:https://pan.baidu.com/s/164DLbFpPNyG588Kn6s2lwA
密碼:yi32