黑神画Ⅵ--学习人工智能（路线图）

人工智能无处不在；我们在新闻、工作甚至与家人的对话中都会听到它。显然，人工智能将继续存在，并将在可预见的未来影响我们的生活。

如果您和我一样，我总是对新技术及其工作原理着迷，因此在本文中，我将介绍可用于从头开始学习 AI 的路线图。

让我们开始吧！

什么是人工智能？为什么要学习它？

自 2022 年 ChatGPT 发布以来，人工智能一直备受关注。然而，人工智能本身作为一个概念已经存在很长时间了，其目前的形式可以追溯到 20 世纪 50 年代，当时神经网络诞生了。

最近的爆炸式增长可以归因于许多因素，例如计算资源的增加、可用数据的增加以及更高效的算法。无论出于何种原因，人工智能都将继续存在，我们应该习惯使用它。

我们现在提到的人工智能具体称为生成式人工智能（GenAI），它实际上是整个人工智能生态系统的一个相当小的子集，如下所示。

图片来自作者。

GenAI，顾名思义，是一种生成文本、图像、音频甚至代码等内容的算法。该领域的模型基于数百万行数据进行训练，可以拥有数十亿个参数，例如Meta 的 Llama 2，其唯一目标是根据所见或所训练的数据生成数据。

对于本文，我将假设GenAI = AI，因为这是大多数人感兴趣的。还有许多即插即用和无代码的 AI 解决方案，但我将带您了解一个路线图，它将教您 AI 如何“工作”，而不仅仅是如何使用它。

你可能会想，我为什么要学习人工智能？

人工智能仍处于起步阶段，因此还有很多东西需要探索和学习。所有大型科技公司现在都在研究如何使用人工智能，如果你拥有适当的知识和技能，你将在市场上拥有巨大的价值。

它与互联网类似，懂得如何使用它并创造事物的人做得很好并获得了成功。即使你认为人工智能是一个泡沫，这个领域也蕴藏着巨大的机遇。

基础数学知识

如果你真的想了解人工智能的工作原理，你需要了解一些数学知识。别担心；所需的数学知识不是博士学位或类似的水平。很多数学知识都是你在很多国家高中时学到的，只有少数几个主题被认为是本科水平。

您特别需要了解的三个主要领域是：

• 线性代数——了解矩阵的工作原理，矩阵在人工智能和机器学习中随处可见。
• 微积分——了解人工智能如何使用梯度下降和反向传播等算法进行学习。
• 统计学——了解数据和人工智能模型的概率输入和输出。

人工智能所需的大部分数学知识与数据科学所需的数学知识相同，我已经写了一篇详细的文章，介绍了你应该学习的具体内容以及学习它们的最佳资源。

然而，为了完整起见，以下是您应该理解并获得直觉的关键事项：

• 矩阵和矩阵代数。
• 分化及其工作原理，特别是部分分化。
• 线性、逻辑和多项式回归。
• 概率分布：正态分布、泊松分布、伽马分布和二项分布。

我推荐的两本学习所有这些知识的最佳资源是《数据科学家实用统计学》和《机器学习数学》教科书。说实话，这是学习数据科学、机器学习和人工智能所有数学知识所需的唯一两本书。

技术技能

Python

Python 是人工智能的首选编程语言。许多人工智能和机器学习库都是用 Python 构建的，对于初学者来说，这是一种容易掌握的语言。

就 Python 语言本身而言，您应该了解：

• 变量、数据类型和数据结构（字典、列表、集合）
• For、While 循环和条件
• 函数和类

任何 Python 入门课程都会教你这些内容，因此请选择你喜欢的课程并开始学习。下面给出了一些建议。

• W3Schools Python 课程（免费）。
• 适合所有人的 Python 专业化课程 (Coursera)

在学习了 Python 语法基础知识之后，我会学习一些更针对数据科学和 AI 的包。

• NumPy —该库专为科学计算而设计，提供许多数学函数和矩阵支持。它用 C 语言开发，具有优化的计算能力，这对于处理大型模型和大数据特别有用。
• Pandas —这是用于在 Python 中加载、操作和处理数据的首选库。它几乎适用于任何数据分析任务，并且易于使用。
• Matplotlib — 作为数据科学家，您必须将数据或结果可视化。Matplotlib 是 Python 中领先的可视化包，因为它具有广泛的功能。

关于 IDE，有很多选择，但 Python 的三个主要 IDE 是VSCode、PyCharm或Jupyter Notebook。我认为 Jupyter Notebook 是最适合初学者、易于绘制可视化效果的，也是构建机器学习模型的绝佳选择。

为了节省 AI 模型开发的时间，我建议安装Anaconda。它包括 Python、Jupyter Notebook 和大多数必要的软件包。

如果你有更多时间，我建议学习一些git和GitHub进行版本控制，以及应用程序编程接口（API） 的基础知识，以便在你想要构建 AI 应用程序时使用。

SQL

在从事 AI 项目时，您可能需要使用一些 SQL，即所谓的数据语言。幸运的是，SQL 比 Python 更容易学习，您可以在很短的时间内变得非常熟练。

以下是您应该可以轻松做的事情：

• SELECT * FROM（标准查询）
• ALTER、INSERT、CREATE（修改表）
• 分组、排序
• WHERE、AND、OR、BETWEEN、IN、HAVING（过滤表）
• AVG、COUNT、MIN、MAX、SUM（聚合函数）
• DATEADD、DATEDIFF、DATEPART（日期和时间函数）
• CASE（在其他语言中基本上是 if-else 语句）
• 完全连接、左连接、右连接、内连接、并集（所有连接类型）

关于资源，我推荐W3Schools和Tutorialspoint，我在学习 SQL 时用过它们。它们完全免费，而且确实涵盖了基础知识。

神经网络与机器学习

正如我们在之前的图表中看到的，GenAI 属于机器学习的范畴，因此在直接深入研究 GenAI 算法之前，值得学习一些机器学习。

图片来自作者。

机器学习分为两类：

• 监督学习——我们有目标标签来训练模型。
• 无监督学习——没有目标标签。

还有一种称为半监督学习的东西，但是我们暂时不担心它。

下图说明了这种划分以及每个类别中的一些算法。

图表由作者提供。

学习机器学习的最佳课程是Andrew Ng在 Coursera 上的机器学习专项课程。它涵盖了机器学习中所有最基本概念的 AZ，我强烈推荐它。我在 2020 年学习人工智能和数据科学时参加了这门课程！

您真正需要了解的一个特定算法是神经网络，这是当前所有人工智能和深度学习所基于的。

神经网络示例。图表由作者提供。

对于神经网络，你需要了解以下概念：

• 前向和后向传播
• 激活函数和非线性
• 梯度下降算法
• 神经网络架构

如果可以的话，了解神经网络的计算和方程式是值得的，因为它将建立深刻的直觉。数学其实并不复杂，所以不要回避！

要在 Python 中使用机器学习，我建议学习以下软件包并使用它们做一些项目。

• Sci-Kit Learn——最流行、使用最广泛的构建常规机器学习模型的库。
• PyTorch——最流行的构建和训练神经网络的库，是人工智能背后的骨干算法。
• TensorFlow——谷歌创建的另一个神经网络和深度学习库
• XGBoost——最常用的梯度提升树算法库，特别适用于数字监督学习问题。

人工智能算法

在学习了机器学习和神经网络的基础知识之后，我们现在可以深入研究人工智能及其相关算法的当前“前沿”。

直到最近，人工智能领域仍由两种主要模型主导：

• 卷积神经网络 (CNN) — 用于计算机视觉任务，例如识别和分类图像。
• 循环神经网络 (RNN) —用于基于序列的数据，如时间序列和自然语言。

然而，2017 年发表了一篇名为《Attention Is All You Need》的论文，介绍了 Transformer 架构和模型，该模型从此取代了 CNN 和 RNN。

来源：《Attention Attention Is All You Need》论文。

如今，人工智能领域毫无疑问地被 transformer 所统治，它是我们现在日常使用的 ChatGPT 和 DALL-E 等大型语言模型 (LLM) 的骨干。

Transformer 是推动这场“人工智能革命”的最先进的算法，因此，到目前为止，它们是你在这份路线图中应该学习和理解的最重要的东西。

首先，我会选修吴恩达的《深度学习专业化》课程。这是《机器学习专业化》的后续课程，将教授您需要了解的有关深度学习、CNN 和 RNN 的所有知识，这些知识对于理解和构建 Transformer 背后的背景至关重要。

接下来，我建议观看Andrej Karpathy（特斯拉前人工智能高级总监）制作的LLM 简介视频，以了解有关 LLM 及其培训方法的更多信息。

然后，在 YouTube 上学习 Karpathy 的神经网络：从零到英雄 课程。课程一开始进展很慢，需要从头开始构建神经网络。不过，在最后一个视频中，他教你构建自己的生成式预训练 Transformers (GPT)！

在人工智能领域还有许多其他值得了解的概念：

• 词嵌入和向量数据库。
• 带有人类反馈的强化学习（RLHF）。
• 检索增强生成 (RAG)。
• LLM精细化和及时工程。
• AWS 和 GCP 等云系统可用于扩展和部署您的 AI 应用程序。

这个领域发展如此之快，很难在本文中列出所有内容。不过，上述主题是通用的，所以我建议你在了解了 Transformer 的基础知识后再学习它们。

建造，建造，建造

就像生活中的任何事情一样，要想成功，就必须不断练习。正如著名企业家和投资者Naval Ravikant 所说

这不是 10,000 小时，而是 10,000 次迭代。

因此，在掌握了所有这些知识之后，开始使用人工智能开展一个项目吧。只要你开始，项目是什么其实并不重要。

一些可以尝试甚至复制的想法是：

• 语言翻译应用程序
• 电子邮件、社交媒体等垃圾邮件检测器
• 个人生产力工具

只需谷歌搜索“AI项目”，然后选择一个你喜欢的项目。

有两种工具可以非常轻松地构建 AI，特别是 LLM 应用程序，我强烈建议您使用它们。

• LangChain — 一个帮助您使用大型语言模型的框架。它使使用最先进的模型开发应用程序变得非常容易。
• HuggingFace——这个社区和 Python 包允许您使用计算机视觉、语言建模和强化学习中最先进的模型。

有了这些，你就能快速制作原型，这实际上很不可思议。然后，你可以在 AWS 等云系统上启动，然后，你的 AI 项目就出来了！

其他有用资源

一些其他资源可用于了解更多信息并了解 AI 的最新动态。

YouTube

• 两分钟论文
• Josh Starmer 的 StatQuest
• 雅尼克·基尔彻
• 莱克斯·弗里德曼
• 火船
• 鲍里斯·梅纳德斯

时事通讯

• 超长人工智能
• 数据科学周刊
• 批次
• 概要
• 人工智能早餐

图书

• 马克斯·泰格马克的《生活 3.0》
• 尼克·博斯特罗姆 (Nick Bostrom) 的《超级智能》
• 《算法人生》（作者：Brian Christian 和 Tom Griffiths）
• 穆斯塔法·苏莱曼和迈克尔·巴斯卡的《即将到来的浪潮》

总结与思考

我希望这份路线图能让您很好地了解学习 AI 所需遵循的步骤。如果我要列出您需要的每一点知识，那么这篇文章就太详尽了，但我希望这份路线图能为您指明正确的方向，并为您提供有用的资源，供您在整个旅程中使用。

​

​​​​欢迎前往我们的公众号，阅读更多资讯

创作不易，觉得不错的话，点个赞吧！！！