人工智能学习入门大纲

  开篇之作,看了这么多年别人写的博客,今天也来尝试一下写一些自己的博客,与大家分享一下自己的东西,同样今天也是我开始学习人工智能的第一天(我一直在做汽车电子行业),从行业来说也是比较热门的,这让我的心也骚动了起来.
  话不多说,今天也浏览了很多关于人工智能的博客与资料,自己也做了一个简单的总结,也是自己最近两三个月内的一个小目标,下面我就列出一些大方向上的总结,细致的知识点后面会慢慢更新出来,当然我的学习方式是用到什么学什么,有针对的去学习某一块知识点,这样效率会高一点.下面是我给自己定的一个学习小目标,有什么问题也希望大家不啬赐教.
  先来了解一下机器学习中的三个名词:监督学习、无监督学习和强化学习:
  监督学习:通过已有的训练样本来训练,从而得到一个最优的模型,再利用这个模型将所有新的样本数据映射为相应额度输出结果,对输出结果进行简单的判断从而实现分类的目的,那么这个最优模型就具有了对未知数据进行分类的能力.(有标准答案的试错学习)
  无监督学习:事先没有任何训练数据样本,需要对数据直接进行建模.(根据一定额假设寻找数据内部的结构).
  强化学习:标准答案可能是后期的的一种反馈,不是及时的.(延迟满足,根据结果调整行为).一、机器学习:
  1、监督学习 SL
    
常用算法:
       1、KNN (K线近邻)
     2、线性回归
     3、线性分类
     4、神经网络 Neural Network
     5、SVM (支持向量机,非线性交换)
     6、决策数
     7、模型选择
     8、Graphic models
     9、Naive Bayes
  2、无监督学习 UL
     1、PCA降维算法
     2、聚类算法
  3、强化学习 RL
  
二、深度学习
  
1、CNN 卷积网络
  2、RNN 循环网络
  3、RRM (理论工具)
三、复杂系统
  
1、统计力学
  2、非线性动力学
  3、复杂网络应用
  4、复杂系统反推机器学习
  5、社会组织结构
  6、计算神经科学

  以上是机器学习的一些必备算法,当然没有数学基础也是不行的,人工智能也是基于在数学上的,下面我列出一些需要的数学基础知识,如果大家有忘记的可以自己复习复习,后续我也会更新相应的学习日志.
数学理论知识:
  1、线性代数:矩阵/张量乘法、求逆,奇异值分解/特征值分解,行列式,范数等
  2、统计与概率:概率分布,独立性与贝叶斯,最大似然(MLE)和最大后验估计(MAP)等
  3、优化:线性优化,非线性优化(凸优化/非凸优化)以及其衍生的求解方法如梯度下降、牛顿法、基因算法和模拟退火等
  微积分:偏微分,链式法则,矩阵求导等
  信息论、数值理论等
编程语言: 首推Python,因为其良好的拓展支持性,主流的工具包都有Python版本
网页浏览: Arxiv,关注机器学习的顶级会议,如ICML/NIPS等,相关的方法在知乎上可以很容易搜索到
比赛: Kaggle挑战赛/练习,天池大数据竞赛,其他类似的平台还包括DataCastle

参考书籍:
吴恩达Cousera机器学习
Python机器学习
周志华《机器学习》
李航《统计学习基础》
Sklearn文档学习 (是Python上最流行的机器学习/数据科学工具包)

  这是我从各个博客已经书上总结出来的一些要点,有问题希望大家在评论里指出或者加群讨论,大家一起走上人生新巅峰!(学习交流群 924057877)

 

 

没有更多推荐了,返回首页