Nguồn về lý thuyết, triết lý, công cụ và ứng dụng AI

Tôi là kỹ sư phần mềm / phần cứng trong nhiều năm nay. Tuy nhiên, tôi không biết gì về AI và học máy. Tôi có một nền tảng vững chắc trong xử lý tín hiệu số và các ngôn ngữ lập trình khác nhau (như C, C ++ hoặc Swift)

Có nguồn nào (ví dụ như sách hoặc hướng dẫn) dạy cho bạn lý thuyết và triết lý AI ngay từ đầu, sau đó đi kèm với các ví dụ cho các ứng dụng thực tế, các công cụ hiện tại, ví dụ mà bạn có thể chạy, v.v.?

Vì vậy, tôi không tìm kiếm các nguồn quá hàn lâm hoặc thống kê.

Nếu bạn muốn có một cuốn sách cơ bản rất đơn giản về Mạng thần kinh và không chính xác là Machine Learning, bạn có thể thử:

• Mạng lưới thần kinh cho khoa học và kỹ thuật ứng dụng: Từ nguyên tắc cơ bản đến nhận dạng mô hình phức tạp của Sandhya Samarasinghe
• Nguyên tắc cơ bản của mạng lưới thần kinh: Kiến trúc, thuật toán và ứng dụng của Laurene V. Fausett

Đây là 2 cuốn sách cơ bản và rất đơn giản bắt đầu từ đầu và hiển thị các tính toán bằng tay trên các ví dụ đơn giản. Ngoài ra đây là những cuốn sách dựa trên ứng dụng thực tế cuộc sống.

Nếu bạn muốn củng cố lý thuyết của mình và tìm hiểu toàn diện về Machine Learning, đặc biệt là để nhận dạng mẫu, cuốn sách tốt nhất cho đến nay là:

• Nhận dạng mẫu và học máy của CM Giám mục

Cuốn sách này đòi hỏi kiến ​​thức toán học âm thanh đặc biệt là trong lĩnh vực Lý thuyết xác suất, Đại số tuyến tính và Giải tích.

Hai cuốn sách rất lý thuyết khác về Mạng lưới thần kinh là:

• Mạng lưới thần kinh: Một nền tảng toàn diện của Simon Haykin
• Giới thiệu về Mạng lưới thần kinh của James A Anderson nếu bạn quan tâm đến khía cạnh sinh học của Mạng lưới thần kinh.

Từ kinh nghiệm của tôi đây là những cuốn sách giới thiệu tốt nhất. Ngoài ra, bạn có thể kiểm tra nhiều OCW khác nhau được điều hành bởi edx.org như Machine Learning for Data Science và một khóa học rất được khuyến khích trên coursera.org do Giáo sư Andrew Ng Machine Learning của Đại học Stanford điều hành

Tôi cũng đề nghị bạn học Python hoặc R vì nó chủ yếu được sử dụng cho Machine Learning do các gói khoa học mạnh mẽ của chúng. Python rất dễ học và thực hiện các chương trình so với C / C ++.

Chỉnh sửa: Quên cuốn sách này. Mặc dù, một chút nâng cao một số người dùng có thể thấy dễ dàng:

• Deep Learning (loạt tính toán thích ứng và học máy) của Ian Goodfellow

Bạn có thể xem Hướng dẫn học máy do Google thực hiện. Nó đơn giản và giao tiếp rất rõ ràng. Trong 6 video bạn có thể có được trải nghiệm tốt trong Machine Learning.

Tại đây: Hello World - Bí quyết học máy số 1

Chỉ cần tham gia lớp học Machine Machine của Andrew Ng (cũ) trên Coursera hoặc lớp Machine Learning với Sebastian Thrun và Katie Malone trên Udacity. Hoặc cả hai. Đó là một cách khá nhanh để có được phần giới thiệu tốt, vững chắc về những điều cơ bản của Machine Learning. Sau đó nhìn vào Tài liệu từ lớp học tại trang web http: //ai.ber siêu.edu và đọc Trí tuệ nhân tạo - Cách tiếp cận hiện đại . Nếu bạn vượt qua được điều đó, bạn sẽ có vị trí tốt để chuyển sang bất cứ điều gì bạn quan tâm.

Hãy nhớ rằng bạn không thể hoàn toàn ly hôn với toán học liên quan đến lĩnh vực này. Nếu bạn chưa có một số nền tảng về tính toán đa biến, xác suất và đại số tuyến tính (chủ yếu là các phép toán ma trận), thì bạn có thể cần phải nghiên cứu kỹ về công cụ đó.

Bạn có thể xem Hướng dẫn học máy do Google thực hiện tại đây: Hello World - Bí quyết học máy # 1 . Nó đơn giản và giao tiếp rất rõ ràng.

Sáu dòng Python là tất cả để viết chương trình học máy đầu tiên của bạn! Trong tập này, chúng tôi sẽ giới thiệu ngắn gọn về máy học là gì và tại sao nó quan trọng. Sau đó, chúng tôi sẽ làm theo một công thức cho việc học có giám sát (một kỹ thuật để tạo một trình phân loại từ các ví dụ) và mã hóa nó.

Có một cuốn sách trực tuyến tuyệt vời giới thiệu kỹ lưỡng và đào tạo về cách xây dựng mạng lưới thần kinh là Mạng lưới thần kinh và Học tập sâu của Michael Nielson. Trong chương đầu tiên, ông sử dụng ví dụ về nhận dạng chữ số viết tay và đi qua các tri giác, tế bào thần kinh sigmoid, mạng lưới thần kinh cơ bản, cách mã hóa chúng trong Python, v.v. Các chương sau đi sâu hơn vào các khái niệm cơ bản về mạng lưới thần kinh.

Tôi muốn giới thiệu cuốn sách này ngay cả với những người đã có kinh nghiệm với các mạng lưới thần kinh. Đó là một nguồn tài nguyên tuyệt vời.