-
1 # 徐克的分享
-
2 # 三個大腦
目前人工智慧的核心演算法是神經網路演算法。
所以數學要好:高數1和2是基礎。
計算機語言要會,這是基本的實現工具。
人工智慧本質還是計算機軟體硬結合,所以計算機原理,資料結構,嵌入式開發基礎要牢固。
暑假可以看看計算機原理和資料結構。也可以學學Python。
-
3 # 喬212
我就是學這個的,專業要求:數學和邏輯思維能力要很好。
在這個專業中數學佔的比例很大,所以數學很重要。高等數學和線性代數是入門基礎,更高階的就先不談,還會涉及到很多高中數學知識,比如線性迴歸。
所以你可以先學學這兩門,不過你在學的過程中可能感受不到和人工智慧有半毛錢關係,所以學起來會比較枯燥。如果想要自己做點案例體驗體驗,你還得掌握一門程式語言和對應的人工智慧框架,程式語言python沒跑,框架多半是Pytorch或者tensorflow. 你可以先去學學python。
b站上有很多pytorch和tensorflow基礎教程,你可以去看看,體驗體驗,但大多不會講得太深,不過作為預習和入門內容還是可以的。
總結:
1.學習高等數學和線性代數
2.學習程式語言python,b站教程很多
3.可以找一門pytorch或者tensorflow教程體驗一下人工智慧,但是不是很推薦這麼做。因為學習人工智慧是一個長期的過程
-
4 # 夜色2333
基礎不牢只能跑跑demo自嗨,需要落地時發現還是計算機科班那一套:程式語言,計算機組成原理,設計模式,經典演算法,工程經驗。。。
-
5 # 我就喜歡你6523
一般來說,現階段的人工智慧指的是三個方面,一是統計學習和最佳化方面,主要數學基礎是機率、線代和最佳化;二是智慧機器,intelligence Robotics,比如自動駕駛;三是計算神經月,computing neuroscience,用計算機模擬實際神經系統。人工智慧起源上世紀60年代,目前還處於非常非常基礎階段,很多東西等待突破,這三個方面統計學習相對比較成熟一點,計算神經比較弱一些。就目前看,計算神經學可能是最終的解決方案。
準備以後從事人工智慧方面的職業或研究,有很多很多的角度,從計算機角度重點是數學基礎。建議本科統計、計算機雙休,本科畢業直接申請歐美加澳等優秀大學的攻讀NLP或CV等方向的博士。
-
6 # 智客林
已經涉及人工智慧幾年的工作了,分享一下我的經驗吧。
人工智慧涉及的知識體系非常的寬廣,最近幾年,人工智慧得到更多發展的是基於卷積神經網路的深度學習,這得益於計算機GPU和CPU計算效能的提高,卷積神經網路的前向網路推理和反向誤差傳遞都是一個計算量極大的過程,GPU實現了平行計算,多CPU協同工作,縮短了智慧推理的時間。
針對卷積神經網路的人工智慧演算法,你需要學習卷積的原理、神經網路的推斷和誤差反向傳遞等知識,所以你需要學習高等數學的微積分、線性代數的矩陣運算和求導、平方和誤差函式等知識,系統的課程就包括線性代數、矩陣論、高等數學、泛函分析、模式識別、數字訊號處理等;同時要學習C語言、Python這兩個基本的程式設計課程。
人工智慧除了卷積神經網路深度學習,還有機器學習的一些其他研究,包括隨機過程、機率模型統計 、馬爾可夫過程等內容,可根據需要自行學習。
另外人工智慧還有大資料、雲計算、物聯網、區塊鏈等方面的研究。如果只是想做影象影片等計算機視覺領域的學習和研究,專注於卷積神經網路方面的相關研究就可以了。
-
7 # 老曹侃職教
如何自學人工智慧?
不會程式碼、不懂數學、英語不好,就不能學習人工智慧?
答案~當然是否定的。
How:出於興趣而非需求,自學人工智慧的方法論
人們可以對自己從哪兒來、到哪兒去感興趣,去了解柏拉圖、維特根斯坦和齊澤克,瞭解樸素唯物與機械主義,但並不需要成為哲學家。
如果你並非為了成為研究者,只是出於興趣學習人工智慧,完全不必被鋪天蓋地的程式碼困住手腳,只需遵循以下原則:
1、明確內涵和現實
每個人都知道人工智慧的目標是「實現與人類相似的智慧」,當下的我們處在哪個階段?已經取得了哪些成果?
雖然與思考和智慧相去甚遠、被稱作「弱人工智慧」,它依然能比人類更高效的完成特定任務。除了這些網際網路領域的應用,人臉識別驗票閘機、醫院的叫號系統這類行業應用,甚至港口管理、油田預測、新藥研發,通通都有弱人工智慧的身影。
如果提起人工智慧,出現在你腦中的是 Samantha、Wall-E 或是終結者這些機器人形象,恐怕需要更近一步瞭解現實。
這些應用如何實現?為什麼能實現?
沒有任何學科建立在空談的基礎上,人工智慧也不例外。
接下來,我們需要——
2、理解「黑話」
機器學習、深度學習、監督學習、計算機視覺、神經網路、RNN……它們是什麼?和人工智慧有什麼關係?
如果你聽說過或是瞭解以上名詞的含義,恭喜你,你已經踏入了人工智慧的大門。
這些名詞就像是歷史教科書上的事件名,或是數學中的定理,瞭解它們的內涵、探尋它們之間的關係,能幫助你找到這門學科的層次和邊界。
比如:
「機器學習」、「深度學習」、「監督學習」是人工智慧得以實現的方式,其中「深度學習」屬於「機器學習」的分支,是以超過 8 層的「神經網路」為標誌的模型訓練方法;
「監督學習」則是從輸入資料是否帶有標籤的角度對「機器學習」進行劃分,除此之外還有「無監督學習」和「半監督學習」;
RNN 則是「神經網路」的分支,即「迴圈神經網路」……
那,模型、資料、標籤又是什麼?
順著這些「黑話」和它們關聯的「黑話」,你會漸漸理解人工智慧的能做什麼、不能做什麼,為什麼會出現某些現象(如 AlphaGo),以及接下來會發生什麼。
還有很重要的一點——
3、拋棄想象
想象宇宙中的其他文明,想象一個由機器控制的社會,想象一個為愛落淚的機器人。想象給了我們無限可能,是人類最寶貴的能力之一,不過我們的世界依然建立在「真實」之上。把「想象」留給藝術,把「真實」留給科學。
What:我們該怎麼做?
有了方法論,接下來當然是……獲取優質的資訊。
1、課程類
經典的系統課程有很多,例如 Andrew Ng 的斯坦福機器學習課程等等,答案裡也有很多推薦質量相當高,在此不多做贅述。
除了學院派系統課程,很多媒體或內容平臺上也有工業界人工智慧專家的「公開課」。這些「公開課」更類似於講座,有時是對現狀的思考、總結,有時會針對人工智慧的某一現實痛點展開。如果上一節的「黑話」過關,可以相當輕鬆的學到不少書本上沒有的知識,以及他人的思考沉澱(這部分相當寶貴),很適合對某一領域感興趣的人研讀。
2、機構、學術會議及論文
人工智慧領域是高度依賴學術界,並保留有非常強學術傳統的領域。
如面向 CV 領域的視覺與學習青年學者研討會(Valse),面向NLP領域的中文人工智慧學會等,這些學會機構除了定期舉辦公開講座,同時會會不定期的釋出相關內容。
以及這些學會機構往往也會舉辦暑期學校等培訓課程,質量較高,對細分領域感興趣不妨瞭解課程構成後報名學習。
論文也是一個不錯的學習途徑,知網可以搜尋論文購買閱讀。
以及人工智慧領域是一個高度資訊流通的學科,如果英文過關,不妨前往 arXiv.org閱讀英文論文。
3、媒體及社交媒體
除了學術薰陶,新鮮新聞資訊可以幫助我們瞭解當下、提供啟發。
目前中文領域有不少細分媒體專注人工智慧領域,一些科技媒體的人工智慧子版塊質量也相當不錯。
4、書籍
太難了看不懂?《圖解深度學習》、《科學的極致|漫談人工智慧》、《Python神經網路程式設計》這些向科普方向傾斜的書籍也不錯哦。
Why:真正的知識都是免費的
重要的是去看、去思考、去實踐,遠比做出一個「我想要」的姿態重要得多。
尋求知識的道路異常艱辛,在此引用汪丁丁教授的一段話作為結尾:
願我們都有與一流知識相配的美德。
回覆列表
我專業是計算機科學與技術,雖然沒有從事本專業工作,但是很多大學同學都在本專業領域做得很好。在大學學習基礎專科通用知識後,我們一個班就會根據自己的喜好分方向,資料探勘,資料庫,硬體程式設計,軟體程式設計,網站製作等等,另外有的同學會根據實際就業需求另外進修學習。
從上面看,只要你從事計算機相關工作和學習,都必須經歷基礎學習。在沒有這些基礎的理解前,是很難快速學習高階技術應用研究的。
你高三剛畢業,我覺得不用學大學本就會學到的內容,但是可以先玩玩機器人程式設計應用,學學現在很流行的網路程式設計課,主要培養興趣,還有程式設計思維等,興趣有了,基礎有了,我相信後面就會上手快多了。
我不敢說具體該先學什麼,因為這個大領域更新迭代太快了。我已經工作十幾年不知道你現在該學什麼。但是我知道,因為我的專業是這方面的,我學很多軟體應用上手很快,也許就是有基礎吧。