如何自学人工智能？ | 非常靠谱的高赞回答

最新推荐文章于 2023-06-29 15:07:08 发布

九三智能控v

最新推荐文章于 2023-06-29 15:07:08 发布

阅读量1k

点赞数 1

点击上方蓝色字体，关注：决策智能与机器学习，每天学点AI干货

编者按：作者用2017-2019年的自学实现专业转换的亲身经历证明了本文方法的可行性，是目前为止我看到的最靠谱的人工智能自学路径。不要一头扎到各种资料里出不来，通过实践训练边用边学效果最好，不要怕碰到不懂知识，这些都可以边学边补。有坚定的意志，加上正确的学习方法，真的可以事半功倍。

640?wx_fmt=jpeg

背景

首先简单介绍个人的背景：本科在澳洲学的是经济和金融-->硕士在北美学的计算机cs-->即将入学北美top30计算机的PhD项目（方向是机器学习／自然语言处理）

从经济金融转到计算机科学，我觉得这个专业跨度是很大的。我的数学基础就是普通的微积分，线性代数，概率统计，外加一下经济里面的计量经济学。本科学的也是马马虎虎，没有什么目标可言，水水的混了过去。

我看了很多答案，说要从最基本的微积分，线代，概率统计着手，从读教科书一步一步开始，稳扎稳打。我看的时候真的是直摇头，这种学习方式我个人认为完全就是在抹杀一个人的兴趣爱好，学的时候没有任何反馈信息来激励自己。

我觉得正确的方式是直接入手学习人工智能目前最前沿的深度学习（deep learning），从神经网络开始着手，遇到什么不懂的，需要用到的再回头去补这一部分的知识。教科书的作用在我看来是工具书，你可以去翻，但你别自己骗自己（什么都不懂的情况下）能从头到尾读完。当然，大神请无视～

我的基础背景：

编程：我只会python，自学的那种。本科毕业论文写的交易策略是用python实现的。

数学：会基本的微积分，线性代数，统计和概率。但都没有说学的很扎实，学了也都忘了，平时都不怎么用得到呀。

计算机：算法一无所知，计算机系统那是完全不懂。

接下来我会列出我自学人工智能的学习路径和时间线：

2017-11-12: 下定决心自学深度学习，在网上开始自学网课（优达城的深度学习微学位）。同时课堂里选修了“算法”。

2017-11-20: 跟着课程，写出了第一个神经网络模型做自行车租借量的预测。开心的在朋友圈（自己可见）做了个小记录～

2017-12-16: 乘着寒假，继续自学网课。并在kaggle上的狗品种识别比赛上第一次提交成绩。

2018-1-6：冬季学期开学，选修了“深度学习”课。

2018-1-20: 自学了强化学习，AlphaGo算法，从github上下载了几个项目的代码玩玩。套用算法到五子棋／用强化学习训练模型玩Flappybird游戏。

2018-2-20: 蠢蠢欲动，开始联系学校里做机器学习应用的教授（语音／自然语言处理／计算机视觉／机器人）。很幸运的是有几个老师回复我说没有位置，或者说可以见面聊一聊～

2018-3-20：开始和教授每周讨论一次，这之后已经开始可以看懂一点该方向的论文。

2018-3-28: 春季学期开学，选修了“自然语言处理NLP”， “语音识别”， “机器学习ML”。

2018-6-11: 完成两门课的课程项目。自然语言处理：我做了用神经网络生成电影评论。语音识别：我做了用神经网络实现了生成模型做声音风格的转换。已经可以在集群上调用n块gpu训练模型啦～再次在pyq（自己可见）记录了一下进展。

2018-6-14：开始在学校的暑研，因为自己很喜欢画图，就把一些看起来很复杂的神经网络模型用图画出来，并在知乎记录一下，没想到获赞500+。其实我的理念一直是把看起来很难的东西用很简单的方式解释明白～

Yuanche.Sh：Transformer模型笔记zhuanlan.zhihu.co

Yuanche.Sh：真正的完全图解Seq2Seq Attention模型zhuanlan.zhihu.co

2018-9-28: 暑期科研从无到有，真的是很辛苦，每天早上8点到实验室，待到晚上9点回家。回家后也是一直在纠结代码／模型的问题。周末也没休息过。总之感觉cs就你可以随时随地都在工作把。

2018-10-1：秋季学期开始，选修了“统计机器学习” 和 “数据挖掘”。

2019-10-14: 在和导师交流后颇受打击，放下手头的一切，飞往别处散心。太久没有休息了，回来后开始着手准备博士申请，从写文书／简历／到选择学校，一大堆的事情压了上来。

2018-10-20: 开始自然语言处理科研项目。

2018-12-11: 自然语言项目投稿领域顶会。

2018-12-15: 申请计算机博士，完成北美自然语言组教授的资料整理，目标确定在专排20-40同方向的组，将所有的申请材料投出，等待安排。。。

2019-2-22：论文被接收啦。

2019-1月到3月：开始面试，去campus visit，最终收到三个top30的offer，全部为自然语言处理方向。在这个申请cs沾边AI的年代，真的好幸运。

2019-3-19: 拿到北美某大厂的 research intern offer～

如何自学？

明确目标后就要开始付诸行动，建立起坚定的意志是最关键的！

第一步，立刻选一门网课开始自学，碰到不会的知识点，再去搜索，理解，解决。对自己不知道的点有目的地去学习，深挖，才是一个良好的回馈信号。比如说我当时在学的一个的知识点，为了搞懂它，我看了一晚上很多blog，知乎的回答，然后在github上看代码的实现。最后搞懂了把它写下来，画成图，感觉神清气爽。这样相比打完基础，再开始上课，你会发现一开始打基础的过程中你不知道自己学这个东西有什么用，正向的反馈很少，很容易看了一半就坚持不下去了。

在这一阶段，我觉得网上有很多非常好的公开资源：首先推荐的就是斯坦福cs231n的“卷积神经网络-视觉识别”的公开课

CS231n: Convolutional Neural Networks for Visual Recognitioncs231n.stanford.ed

直接进入深度学习，在这一阶段需要掌握的知识大概就是微分，chain rule，再加上一些python。

之后，选择自己感兴趣的应用领域学习，比如说自然语言处理（斯坦福cs224n）

CS 224N | Homeweb.stanford.edu

最后在反过来去学一些传统的机器学习网课（斯坦福cs229）：

CS229: Machine Learningcs229.stanford.ed

说实话，神经网络的入门门槛比机器学习低很多，但是课程很丰富（i mean 图片很多哈哈哈），数学公式少，对于初学者更加友好，并且有很多很有趣的项目可以实现，增加自己的兴趣。之后再学习传统的机器学习加深自己的理解，这时候你会更有兴趣去理解不同的算法，机器学习的理念。

其实网上也有很多花钱的网课，什么30天入门机器学习／年薪40w机器学习工程师。我觉得这些课程大家还可能还是要好好想想。。。

第二步，开始动手做项目。在深度学习时代，有许多很有意思的想法都能通过神经网络去实现。学了很多课，看了很多模型，最重要的是去动手做一做。这个阶段可以选择去kaggle上找项目／比赛，看别人的模型思路来学习。从抄别人的代码开始。

第三步，这个阶段已经对深度学习／机器学习有一个模糊的概念了。可以开始找一个自己喜欢的方向深入探究。之后就在网上找各种各样的博客读别人写的笔记。中间碰到很多一时间没法理解的数学公式，都一点一点在网上搜，看视频，看笔记把他们搞懂。为了实现这个模型，参考了各种各样的代码。之后看了很多相关的论文，逐渐加深理解。

第四步，找工作。如果你的目标是找工作的话，这时候就可以开始准备各种算法会遇到的面试题了。像我在找实习的时候就自己从头到尾详细地整理出了机器学习各个模型的知识点，会遇到问题+如何用python从头实现的代码。深度学习的话，我也整理不少许多经常碰到的基础问题。之后在面试时，也都经常被问到。在此同时，我也开始练习算法题，在leetcode上做题目。