走出学习人工智能的第一步

“无意中发现了一个巨牛的人工智能教程，忍不住分享一下给大家。教程不仅是零基础，通俗易懂，而且非常风趣幽默，像看小说一样！觉得太牛了，所以分享给大家。点这里可以跳转到教程。”

21世纪初的时候，曾流行一种说法：不懂计算机、外语和驾驶技术的人将成为21世纪的文盲。时光荏苒，现在会计算机、外语和驾驶技术的人越来越多了。但是，近几年又流行另外一种说法：不懂人工智能的人将成为21世纪的新文盲。由此可见，学习人工智能技术的重要性和紧迫性。那么，人工智能技术到底是什么呢？它的知识体系是什么样的呢？我们该如何学习人工智能技术呢？带着这种种的疑问，我学习了极客时间App上《人工智能基础课》专栏。本专栏作者王天一老师是工学博士，目前在贵州大学大数据与信息工程学院担任副教授，对大数据和人工智能技术有着深入的研究。

通过对本专栏的学习，我对人工智能技术有了全面的了解。在这篇文章中，我分享一下自己的学习总结，供各位想入门人工智能的朋友参考。

 

专栏主要内容

作者在开篇词中提到，人工智能复杂，但并不神秘，普及人工智能的基础知识，是走出了解人工智能的第一步。为什么说人工智能不神秘呢？因为它建立在以线性代数和概率论为骨架的基础数学上，通过简单模型的组合实现复杂功能。对于具备一定数学基础的人来说，只要掌握了正确的方法，就一定能够登堂入室，领略到人工智能之美。

本专栏的主要内容分为七个部分，分别是：数学基础、机器学习、人工神经网络、深度学习、深度学习框架下的神经网络、深度学习之外的人工智能、应用场景。

我用下面这张思维导图来概括本专栏的主要内容。

数学基础

如作者在开篇词中提到的，人工智能是建立在数学的基础上的，因此我们首先要了解必备的数学知识。

作者将线性代数作为数学基础的第一课，是因为线性代数不仅仅是人工智能的基础，更是现代数学和以现代数学作为主要分析方法的众多学科的基础。我是在大一的时候就学习了线性代数，但当时并不清楚它到底有什么实际的用途，现在才知道它在人工智能中起着基础性的作用。

其他的数学知识包括：概率论、数理统计、最优化方法、信息论和形式逻辑。

 

机器学习

在很多人的印象中，人工智能基本可以和机器学习划等号，可见机器学习在人工智能中的地位之高。在我们的日常生活中，会从大量现象中提取反复出现的规律与模式，作为指导未来行动的标准。这一过程在人工智能中的实现就是机器学习。从学术上来解释，机器学习是计算机基于数据构建概率统计模型并运用模型对数据进行预测与分析的学科。

本专栏中介绍的机器学习知识点包括：线性回归、朴素贝叶斯方法、逻辑回归、决策树、支持向量机、集成学习、聚类分析、降维学习。

 

人工神经网络

作者在专栏中提到，从物质基础的角度看，人类智能是建立在有机物基础上的碳基智能，而人工智能是建立在无机物基础上的硅基智能。碳基智能与硅基智能的本质区别在于架构，正是架构决定了数据的传输与处理是否能够同时进行。在我们的大脑中，数据的传输和处理是同步进行的。

人工神经网络涉及到的内容包括：神经元与感知器、多层感知器、径向基函数神经网络、自组织特征映射、模糊神经网络。

 

深度学习

在介绍深度学习之前，作者首先介绍了“深蓝”与AlphaGo的区别：前者的核心在于“算”，即利用强大的计算资源来优化目标函数；后者的核心则在于“想”。作者进而提到，深蓝是专注于国际象棋的、以暴力穷举为基础的专用人工智能，而AlphaGo是几乎没有特定领域知识的、基于机器学习的、更加通用的人工智能。作者认为，AlphaGo的胜利也是深度学习的胜利，深度学习是利用包含多个隐藏层的人工神经网络实现的学习。

深度学习涉及到的内容包括：深度前馈网络、深度学习中的正则化、深度学习中的优化、自编码器、深度强化学习。

 

总结

除了前面介绍的内容之外，专栏还介绍了深度学习框架下的神经网络、深度学习之外的人工智能。任何一门技术都需要不停地实践，才能够达到熟能生巧的程度，人工智能也不例外。因此，作者专门用了一个部分的内容来介绍应用场景。

在结束语中，作者提到，本专栏是一份简历、一份提纲，勾勒出这个领域的基本框架。作者还给出了学习人工智能的建议，也就是：与其星辰大海，不如近水楼台，将自身专门的领域知识和人工智能的方法结合，以处理和解决实际问题，并在实践中不断学习和进化，才是搭上人工智能这列快车的正确方法。我们要学习的不是干巴巴的理论，而是要将人工智能融入到现有的工作之中。我们要逐步在应用中积累经验，再从经验中提取出理论，这才是合理的学习路径。

如果大家对专栏的内容感兴趣，可以订阅学习，也可以阅读我绘制的思维导图。下载链接如下，希望对大家了解人工智能有所帮助。

链接：https://pan.baidu.com/s/164DLbFpPNyG588Kn6s2lwA  

密码：yi32