Bắt đầu từ đâu trên mạng thần kinh


7

Trước hết tôi biết câu hỏi có thể không phù hợp với trang web nhưng tôi thực sự đánh giá cao nó nếu bạn chỉ cho tôi một số gợi ý.

Tôi là một lập trình viên 16 tuổi, tôi đã có kinh nghiệm với nhiều ngôn ngữ lập trình khác nhau, một thời gian trước tôi đã bắt đầu một khóa học tại Coursera, với tiêu đề giới thiệu về học máy và từ đó tôi đã có động lực để học về AI, tôi bắt đầu đọc về các mạng thần kinh và tôi đã tạo ra một tri giác hoạt động bằng Java và nó thực sự rất thú vị nhưng khi tôi bắt đầu làm một điều gì đó khó khăn hơn một chút (xây dựng một phần mềm nhận dạng chữ số), tôi phát hiện ra rằng tôi phải học rất nhiều toán, tôi yêu toán học nhưng các trường học ở đây không dạy chúng tôi nhiều, bây giờ tôi tình cờ biết một người là giáo viên toán học, bạn có nghĩ rằng học toán (cụ thể là tính toán) là cần thiết cho tôi để học AI hay tôi nên đợi cho đến khi tôi học những thứ đó trường học?

Ngoài ra những điều khác sẽ hữu ích trong con đường tôi học AI và học máy? các kỹ thuật khác (như SVM) cũng đòi hỏi toán học mạnh?

Xin lỗi nếu câu hỏi của tôi dài, tôi thực sự đánh giá cao nếu bạn có thể chia sẻ với tôi bất kỳ kinh nghiệm nào bạn có khi học AI.


Vâng, điều này là quá mở nếu bạn chỉ tìm kiếm hướng dẫn và tài nguyên. Có lẽ bạn có thể làm cho điều này cụ thể hơn nhiều bằng cách chỉ định những gì bạn đang cố gắng làm, những gì bạn đã cố gắng cho đến nay và những khái niệm bạn thấy thách thức.
Sean Owen

Tôi ngạc nhiên không ai đánh dấu câu hỏi này là Quá rộng
tumultous_rooster

@Sean Owen, Tại sao có quá nhiều câu hỏi về cách bắt đầu trên mạng thần kinh? Không nên đánh dấu chúng trùng lặp?
Azrael

Heh đừng hỏi tôi, nhưng xin vui lòng gắn cờ trùng lặp khi bạn nhìn thấy chúng.
Sean Owen

Câu trả lời:


5

Không, bạn nên đi trước và tự học toán. Bạn sẽ "chỉ" cần học tính toán, thống kê và đại số tuyến tính (như phần còn lại của học máy). Lý thuyết về mạng lưới thần kinh khá nguyên thủy vào thời điểm này - nó là một nghệ thuật hơn là một khoa học - vì vậy tôi nghĩ bạn có thể hiểu nó nếu bạn thử. Thực tế, có rất nhiều thủ thuật mà bạn cần có kinh nghiệm thực tế để học. Có rất nhiều phần mở rộng phức tạp, nhưng bạn có thể lo lắng về chúng khi bạn đã đi xa đến thế.

Khi bạn có thể hiểu các lớp Coursera trên ML và mạng lưới thần kinh (Hinton's), tôi khuyên bạn nên thực hành. Bạn có thể thích phần giới thiệu này .


Tnx cho liên kết: D
badc0re

2

Tôi sẽ nói ... nó thực sự phụ thuộc. Bạn có thể cần phải:

  • sử dụng thuật toán học máy: điều này sẽ hữu ích cho các ứng dụng cụ thể mà bạn có thể có. Trong tình huống này, những gì bạn cần là một số kỹ năng lập trình và hương vị để thử nghiệm (thực hành sẽ làm cho bạn mạnh mẽ). Ở đây toán học không đòi hỏi quá nhiều.
  • có thể sửa đổi các thuật toán hiện có. Ứng dụng cụ thể của bạn có thể được giữ lại theo các thuật toán thông thường, vì vậy bạn có thể cần điều chỉnh chúng để đạt hiệu quả tối đa. Ở đây toán học đi vào chơi.
  • hiểu lý thuyết đằng sau các thuật toán. Ở đây toán học là cần thiết và sẽ giúp bạn tăng kiến ​​thức về lĩnh vực học máy, phát triển thuật toán của riêng bạn, nói cùng một ngôn ngữ như các đồng nghiệp của bạn ... lý thuyết NN có thể nguyên thủy như đã nói bởi @Emre, nhưng ví dụ, đây là không phải là trường hợp cho SVM (lý thuyết đằng sau SVM yêu cầu ví dụ để hiểu tái tạo không gian Hilbert kernel ).

Về trung hạn chắc chắn bạn sẽ cần những môn toán mạnh. Nhưng bạn không cần đợi họ đến với bạn, bạn có thể bắt đầu ngay bây giờ với đại số tuyến tính, rất hay và hữu ích cho mọi thứ. Và trong trường hợp bạn gặp phải những khó khăn (có thể là tạm thời) với bất kỳ loại toán học nào, hãy tiếp tục thực hành theo cách bạn đã làm (nhiều người có thể nói về perceptron nhưng không thể tạo ra một tri giác trong Java), điều này rất có giá trị.


1

Mạng nơ-ron không phải là một mô hình giới thiệu tuyệt vời, đơn giản chỉ vì sự phức tạp mà bạn mô tả. Nếu bạn đang cố gắng để làm ướt chân, những cây quyết định được tăng cường có xu hướng hoạt động tốt bằng cách so sánh, và trực quan hơn một chút. Nếu bạn muốn mô tả về phương pháp này và đã quen thuộc với Coursera, Đại học Washington có một khóa học giới thiệu về khoa học dữ liệu giải thích nó khá tốt.


0

Để chắc chắn bạn cần phải học một số toán học. Tuy nhiên, bạn cũng nên nỗ lực để đạt được một số kỹ năng khoa học và kỹ thuật rộng lớn hơn. Có quá nhiều người đi vào khoa học máy tính và tất cả những gì họ biết là một vài ngôn ngữ lập trình và toán học. Kết quả cuối cùng là một người rất nhàm chán với rất ít cách sáng tạo để làm bất cứ điều gì mới. Hãy dành một năm khi bạn 18 hoặc 19 tuổi để đi du lịch khắp thế giới.


Bạn có thể cung cấp một số ví dụ cụ thể về loại toán học @Ashkan (và những người đam mê trẻ tuổi khác) có thể học để chuẩn bị tốt hơn không?
Ryan J. Smith

Tôi nghĩ rằng tôi có được những gì bạn đang hướng tới, với bit "du lịch thế giới", nhưng tôi không nghĩ rằng từ ngữ cụ thể là lời khuyên tốt cho ít nhất một số người. " Một người rất nhàm chán với rất ít cách sáng tạo để làm bất cứ điều gì mới " là một người không có hứng thú, và bạn đang nói rằng không chỉ các kỹ năng là quan trọng, mà việc truyền cảm hứng và sáng tạo cũng rất quan trọng. Du lịch thế giới là một cách để có được cảm hứng, nhưng mọi người đều có được cảm hứng theo những cách khác nhau. ( Nó sẽ không cung cấp cho tôi bất kỳ trợ giúp nào đối với Khoa học Máy tính, Kỹ thuật hoặc Khoa học - tất cả )
DoubleDouble

Toán học được sử dụng thường xuyên nhất rõ ràng là đại số tuyến tính, là nền tảng cho nhiều lĩnh vực của khoa học máy tính. Nếu bạn quan tâm đến đồ thị, thì hãy học lý thuyết đồ thị trong khoa học máy tính. Đối với các mô hình xác suất có mạng lưới thần kinh, bạn có thể muốn xem xét số liệu thống kê Bayes.
Victor Ng

0

Đây là một cuốn sách địa ngục tốt. Adrian sẽ bán thứ sáu đen, vì vậy đó là cơ hội tuyệt vời để chọn nó. Đó là hướng dẫn từng bước thông qua học tập sâu với toán học, trực giác và mã. Nó tập trung chủ yếu vào tầm nhìn máy tính, nhưng nó sẽ cho bạn một khởi đầu tốt đẹp.

Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.