大家好,我是大白
最近很多同学放暑假了,我偶尔去刷了一下关于AI的圈子
诸如学习人工智能的一大推言论:
我想利用暑假期间学人工智能行吗?
学AI是从什么编程语言开始学?
AI该如何学习?有书籍推荐嘛?
学AI必须读博吗?
关注过我的同学都知道,前段时间,我也是一直在给大家分享python相关的知识点和学习路线,
也跟同学们强调的一点,就是python是作为人工智能的首选语言
今天,我将关于AI的学习路径及我所参考的资料全部免费分享出来,虽然机器冰冷,但希望在学习AI的路径上让大家感受到温暖!
学习途径
在我学习人工智能的过程中,主要有以下两个途径:
- 首先是B站。
- 第二是书籍。视频的讲解难免会不全面,很多时候我们需要翻阅书籍对知识进行查漏补缺、透彻理解。本文提及所有书籍在文末可免费获取电子版。
AI知识大纲
AI知识大体可以分为5个模块,接下来我会依次介绍每个模块的学习路径,最后给大家推荐几个我入门时做过的项目,帮助大家快速入门人工智能。
一、Python编程基础
在AI领域,目前大部分程序员都使用Python
作为第一语言。
学会上述操作后就入门了,但一定要将基础部分的内容掌握扎实。进阶操作在前期不着急学习,可以在日后使用过程中逐渐精通,比如函数式编程、多线程使用、异常处理与日志管理等等。
书籍推荐
这里给大家推荐两本学习Python
必备书籍。《Python编程》中每个知识点下都有对应示例,非常直观。入门后,《流畅的Python》可以帮你精通Python
,完成从小白到大神的进阶。
二、数学基础
很多同学看到数学就头疼,其实模型通用的基本数学原理并不难,难的公式在之后的模型中遇见时再逐个击破即可。
切记前期不要深陷到数学知识中去深挖!!
高数
首先大家不要惧怕数学。在遇到我们不会的数学公式时,我们要更多的思考这个公式能解决什么问题,而不是一直纠结公式的推导与计算。
比如梯度下降和反向传播的根本原理就是求导,全局最优解就是极值点,所以最优解一定在导数的某一个拐点处,类似的很多知识都是高中就学过的。
线代
在深度学习中,线代最重要的应用就是高维数据相乘运算,可以大大提升运算速度。
- 首先要明白矩阵各维度所代表的意义
- 其次清楚矩阵的运算规则
概率论
概率论的知识在AI体系中看似不那么重要,但却无处不在。从数据预处理、建模、模型参数初始化及归一化,到最后的结果分析都与概率论息息相关。
常用指标很多是大家耳熟能详的,比如均值、方差。如果你之前没有很强的概率论功底,建议你掌握常用知识后,在实际中遇到不懂的问题时要养成查阅的习惯。这部分知识不会太难,但是对理解模型与过程十分的重要:
- 比如为什么树模型一般不需要进行数据归一化?
- 而逻辑回归、神经网络、PCA中就必须进行数据归一化?
网络资源推荐
-
人工智能必备数学基础全套课程:此课程将高数、概率论、线代知识进行浓缩,针对人工智能领域开发的数学综合课程,都是入门必备和模型中常见的数学知识。
-
网易可汗学院统计学公开课:统计学入门课程,涵盖统计学所有的主要知识。
书籍推荐
这里推荐的是3本经典教材与1本我个人非常喜欢的《数学之美》。3本教材书无需多述,《数学之美》把抽象、深奥的数学方法解释得通俗易懂,非常精彩,很多模型原理都可以在其中找到你想要的回答。
三、数据分析
在具备一定的编程能力与数学功底后,我们就可以对实际问题进行分析与挖掘。
爬虫
很多同学问算法工程师需要学爬虫吗?我的回答是:算法的重点在于建模,算法工程师掌握基本爬虫知识就好,因为单位一般都有专门的采集工程师。
但是数据分析师一定需要学。因为数据分析师需要具备自主获取数据的能力,从而进行数据分析。
必备三剑客
不论你做数分还是算法,Numpy
、Pandas
和Matplotlib
都是必须掌握的。但这部分内容很杂,没必要进行系统学习,就好像Excel
中的函数一样。
网络资源推荐
-
【莫烦】Numpy&Pandas :此视频一共只有3小时,但是可以以最快的速度了解三剑客的基本使用。
大家可以网上找一些常用方法多浏览浏览,脑子里留个印象就行,在实际使用的时候再去查具体怎么用。就算没印象,我也建议大家在实际使用时先去官网上查有没有对应的内置方法,如果没有再自己写函数实现。
后续我也会总结三剑客的高频使用方法。
四、机器学习
从机器学习开始就正式进入到了人工智能的领域。ML
涉及的算法都是白盒算法,使用可解释的数学公式去拟合数据、学习参数然后进行预测,最后对模型进行评估。
这部分的知识需要大家从数据处理过程开始就多进行总结与反思:
- 数据清洗过程与特征工程是怎么做的?为什么会最终选用这些方法?
- 文本数据集常用的处理方法有哪些?适用的场景的是什么?
机器学习算法因为都有可解释性,所以大家需要搞懂数学原理,并知道模型之间的差异、以及适用于什么数据集。
对于回归任务与分类任务,我们也需要知道各种评估指标间的差异与使用场景。
网络资源推荐
-
吴恩达机器学习:此教程以理论为主,对小白极为友善,就算没有基础,也能以最快的速度入门机器学习。
-
菜菜的sklearn:此教程以实践为主,从数据处理、特征工程、到模型算法都会给予代码进行实操讲解,并将每个参数都讲的非常细致。
书籍推荐
这里推荐两本学习ML
必备书籍。周志华老师的《机器学习(西瓜书)》与李航老师的《统计学习方法》。
这两本书非常经典,讲述了机器学习核心数学理论与模型推导全过程,是夯实理论的不二选择。强烈推荐将书籍与上述推荐视频相结合进行学习。
五、深度学习
深度学习是黑盒算法,不具可解释性,初学者通常会觉得它比较神秘。但它的基础神经网络,可以说是由众多个逻辑回归函数组成,所以在学机器学习时一定要将逻辑回归彻彻底底学明白。
这部分给大家推荐书籍《图解深度学习》与《深度学习》。前者用图解的方式剖析了深度学习的原理,适合初学者;后者是深度学习领域奠基性的经典教程。
神经网络入门
- 浙大研究生课程:浙大老师上课录像,板书推导神经网络的原理,看完后你会入门深度学习,并感受到它的神奇与魅力。(P19-P24为神经网络)
CNN
与RNN
入门
-
吴恩达深度学习:首推荐还是吴恩达老师的课程:
- 不论往哪个方向发展,都先看神经网络部分
- 如果你之后想学图像方向,就接着看计算机视觉部分,然后对序列模型进行了解
- 如果准备往自然语言或推荐方向发展,则推荐先看计算机视觉部分,掌握
CNN
的基本常识后,再去学习序列模型全部内容
-
白板推导系列:机器学习与深度学习数学原理板书推导,极为硬核。
在学完理论知识后,我们就可以找一些项目进行实战了。
六、项目推荐
我本人是NLP
算法工程师,在此对自然语言处理方向推荐几个入门练手小项目:
-
Bert文本分类:在官网下载源码后进行
Debug
,不仅可以锻炼调试阅读代码的能力,而且可以掌握Bert
的细节。 -
实体识别:此项目使用了多种不同的模型(
HMM
、CRF
、Bi-LSTM
、Bi-LSTM+CRF
)来解决中文命名实体识别问题。 -
对话机器人:此项目为医疗对话问答机器人,主要基于知识图谱实现。
在对NLP
进行初步了解后,大家可以根据自身情况在Github
上多找一些感兴趣的相关项目进行研究,不仅仅要知道代码实现细节,更要思考它能实际解决的业务问题
😝有需要的小伙伴,可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
👉AI大模型学习路线汇总👈
大模型学习路线图,整体分为7个大的阶段:(全套教程文末领取哈)
第一阶段: 从大模型系统设计入手,讲解大模型的主要方法;
第二阶段: 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用;
第三阶段: 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统;
第四阶段: 大模型知识库应用开发以LangChain框架为例,构建物流行业咨询智能问答系统;
第五阶段: 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型;
第六阶段: 以SD多模态大模型为主,搭建了文生图小程序案例;
第七阶段: 以大模型平台应用与开发为主,通过星火大模型,文心大模型等成熟大模型构建大模型行业应用。
👉大模型实战案例👈
光学理论是没用的,要学会跟着一起做,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。
👉大模型视频和PDF合集👈
观看零基础学习书籍和视频,看书籍和视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。
👉学会后的收获:👈
• 基于大模型全栈工程实现(前端、后端、产品经理、设计、数据分析等),通过这门课可获得不同能力;
• 能够利用大模型解决相关实际项目需求: 大数据时代,越来越多的企业和机构需要处理海量数据,利用大模型技术可以更好地处理这些数据,提高数据分析和决策的准确性。因此,掌握大模型应用开发技能,可以让程序员更好地应对实际项目需求;
• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;
• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。
👉获取方式:
😝有需要的小伙伴,可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
文章知识点与官方知识档案匹配,可进一步学习相关知识