当我决定要认真开始学习人工智能时,我很快意识到最困难的部分之一是没有找到资源.
它正在想从哪里开始。
有无数课程、YouTube播放列表、路线图、工具、框架和技术可供学习。
每次我看着别人在做什么 我觉得我应该学点别的 因此,我并没有同时尝试学习一切,而是决定为自己创作一个行进图.
这不是AI专家或者已经掌握一切的人所写的路线图.
这只是我所遵循的路线图 作为B.
Tech 计算机科学(人工智能)的学生,他仍在学习。
我公开分享它,因为我想记录什么是可行的,什么是行不通的, 以及我的理解如何沿途变化。
为何我决定认真学习AI 我用人工智能学习计算机科学 所以AI自然成为了我想深入探索的领域之一 但很长一段时间,我真的不知道如何去处理.
我知道AI很重要。
我知道机器学习、深层学习和其他AI技术正变得越来越重要。
但知道某事很重要, 并且实际上学习它 是两个完全不同的事情。
在度过了一年多的第一年和第二年,没有做我想做的那么多之后,我意识到我无法一直等待"正确的时机"开始.
我不得不从某个地方开始 因此,我决定不再担心马上学习一切,首先集中精力建立我的基金会。
步骤1:加强我的方案拟订基金会 在跳入"机器学习"之前,我想对编程更加自在.
Python是用于我AI旅程的主要语言之一,因为它在数据科学和机器学习中被广泛使用.
除了Python,我还在学习C++数据结构学和算术学,并与Java合作我的大学学习.
我的目标不是成为多种语言的专家。
就是要充分理解编程概念,当我想解决问题时,语言本身不会成为障碍.
步骤2:学习AI背后的数学 这是我最初低估的AI的一部分.
机器学习并不只是叫图书馆 训练模特 许多概念背后都有数学.
因此,我致力于加强领域 比如: 线性代数母体和定数概率统计 基本计算法和ML中使用的数学概念 我和我的常规研究一起学习这些 而不是尝试先完成所有的数学。
步骤3:数据处理 一旦编程和数学基础变得更加强大,我想对数据工作感到舒适.
这包括学习工具,如: NumPy Pandas Data可视化 数据清理 数据预处理 我认为这个阶段特别重要,因为现实世界机器学习并不仅仅是培训模型.
大部分工作是了解和编制数据。
第4步:机器学习 我想从这里开始了解机器学习是如何运作的。
而不是只学习如何使用 ML 库,我想了解 算法背后的概念。
我计划涵盖的一些领域包括: 监督学习 无人监督学习后退 分类 模式评价 地貌工程 模式优化过度和不足 我的目标是能够研究一个问题,理解为什么特定的机器学习方法可能有用,而不是简单地遵循一个教程.
第5步:深入学习 在建立了坚实的机器学习基础之后,我想向"深度学习"迈进.
这就是神经网络,有线电视新闻网,以及其他深层学习架构等话题进入画面的地方.
我已经接触过深层学习 通过项目,但我想知道