
初学者如何从零学习人工智能
此文是想要进入人工智能这个领域、但不知道从哪里开始的初学者最佳的学习资源列表。
一、机器学习
有关机器学习领域的最佳介绍,请观看Coursera的Andrew Ng机器学习课程。 它解释了基本概念,并让你很好地理解最重要的算法。
有关ML算法的简要概述,查看这个TutsPlus课程“Machine Learning Distilled”。
“Programming Collective Intelligence”这本书是一个很好的资源,可以学习ML 算法在Python中的实际实现。 它需要你通过许多实践项目,涵盖所有必要的基础。
这些不错的资源你可能也感兴趣:
1、Perer Norvig 的Udacity Course on ML(ML Udacity 课程)
2、Tom Mitchell 在卡梅隆大学教授的 Another course on ML(另一门ML程)
3、YouTube上的机器学习教程 mathematicalmonk
二、深度学习
关于深度学习的最佳介绍,我遇到最好的是 Deep Learning With Python。它不会深入到困难的数学,也没有一个超长列表的先决条件,而是描述了一个简单的方法开始DL,解释如何快速开始构建并学习实践上的一切。它解释了最先进的工具(Keras,TensorFlow),并带你通过几个实际项目,解释如何在所有最好的DL应用程序中实现最先进的结果。
在Google上也有一个great introductory DL course,还有Sephen Welch的great explanation of neural networks。
之后,为了更深入地了解,这里还有一些有趣的资源:
1、Geoffrey Hinton 的coursera 课程“Neural Networks for Machine Learning”。这门课程会带你了解 ANN 的经典问题——MNIST 字符识别的过程,并将深入解释一切。
2、MIT Deep Learning(深度学习)一书。
3、UFLDL tutorial by Stanford (斯坦福的 UFLDL 教程)
4、deeplearning.net教程
5、Michael Nielsen 的 Neural Networks and Deep Learning(神经网络和深度学习)一书
6、Simon O. Haykin 的Neural Networks and Learning Machines (神经网络和机器学习)一书
三、人工智能
“Artificial Intelligence: A Modern Approach (AIMA)” (人工智能:现代方法) 是关于“守旧派” AI最好的一本书籍。这本书总体概述了人工智能领域,并解释了你需要了解的所有基本概念。
来自加州大学伯克利分校的 Artificial Intelligence course(人工智能课程)是一系列优秀的视频讲座,通过一种非常有趣的实践项目(训练AI玩Pacman游戏 )来解释基本知识。我推荐在视频的同时可以一起阅读AIMA,因为它是基于这本书,并从不同的角度解释了很多类似的概念,使他们更容易理解。它的讲解相对较深,对初学者来说是非常不错的资源。
大脑如何工作
如果你对人工智能感兴趣,你可能很想知道人的大脑是怎么工作的,下面的几本书会通过直观有趣的方式来解释最好的现代理论。
1、Jeff Hawkins 的 On Intelligence(有声读物)
2、Gödel, Escher, Bach
我建议通过这两本书入门,它们能很好地向你解释大脑工作的一般理论。
其他资源:
Ray Kurzweil的 How to Create a Mind (如何创建一个头脑Ray Kurzweil) (有声读物).
Principles of Neural Science (神经科学原理)是我能找到的最好的书,深入NS。 它谈论的是核心科学,神经解剖等。 非常有趣,但也很长 – 我还在读它。
四、数学
以下是你开始学习AI需要了解的非常基本的数学概念:
微积分学
1、Khan Academy Calculus videos(可汗学院微积分视频)
2、MIT lectures on Multivariable Calculus(MIT关于多变量微积分的讲座)
线性代数
1、Khan Academy Linear Algebra videos(可汗学院线性代数视频)
2、MIT linear algebra videos by Gilbert Strang(Gilbert Strang的MIT线性代数视频)
3、Coding the Matrix (编码矩阵) – 布朗大学线程代数CS课程
概率和统计
1、可汗学院 Probability(概率)与 Statistics(统计)视频
2、edx probability course (edx概率课程)
五、计算机科学
要掌握AI,你要熟悉计算机科学和编程。
如果你刚刚开始,我建议阅读 Dive Into Python 3 (深入Python 3)这本书,你在Python编程中所需要的大部分知识都会提到。
要更深入地了解计算机编程的本质 – 看这个经典的 MIT course (MIT课程)。这是一门关于lisp和计算机科学的基础的课程,基于 CS -结构和计算机程序的解释中最有影响力的书之一。
六、其他资源
Metacademy – 是你知识的“包管理器”。 你可以使用这个伟大的工具来了解你需要学习不同的ML主题的所有先决条件。
kaggle – 机器学习平台
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15