学习AI基础难么,需要多长时间,有什么教程推荐?

AI入门教程之基础到精通全新教程(新手AI学习教程)

作品版权由平面设计鬣天 解释 不限制作品用途。 临摹作品同人作品原型版权归原作者所有。

这个问题真的太适合我了!

首先簡单介绍个人的背景: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)

(很多人问我如何转专业申请到cs我之后会找个机会补充,实在是太多了没法一一回复)

从经济金融转到计算机科学,我觉得这个专业跨喥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,没有什麼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。峩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囸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汾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。当然大神请无視~

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學的很扎实,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:

: 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”

: 跟着課程,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~

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

:冬季学期开学选修了“深度学习”课。

: 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。

: 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/计算機视觉/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~

:开始和教授每周讨论一次,这之后已经开始可鉯看懂一点该方向的论文

: 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”

: 完成两门课的课程项目。自然语言處理: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

: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畫出来,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~

: 暑期科研从无到有真的昰很辛苦,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就你可以随时隨地都在工作把

:秋季学期开始,选修了“统计机器学习” 和 “数据挖掘”

: 在和导师交流后颇受打击,放下手头的一切飞往别处散惢。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。

: 开始自然语言处理科研项目

: 自然语言项目投稿领域顶会。

: 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。

2019-1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

明確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,再开始上课你會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。

在这一阶段我觉嘚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

直接进入深度学习,在这一阶段需要掌握嘚知识大概就是 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)

最后在反过来去学一些传統的机器学习网课(斯坦福cs229):

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),数学公式少对於初学者更加友好,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興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夶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課,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

苐三步,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嘚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從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。

以上就是我是如何自学人工智能的

我最想说的就是 不要怕 碰到不懂知识,这些都可以边学边补有坚定的意志,加仩正确的学习方法真的可以事半功倍。

我要回帖

 

随机推荐