2024 年学习 AI 路线图_人工智能学习路线

想学习AI吗？但您不知道如何或从哪里开始？为了逃离教程地狱真的学习时，你必须亲自动手，从头开始编写算法，实现论文，并使用人工智能解决问题来完成有趣的副业项目。

1. 自上而下的方法：首先是代码，然后是理论。
2. 有很多东西需要学习，而且你永远学不完，尤其是在人工智能方面，当每周都会发布新的革命性论文和想法时。所以，你应该在公共场合学习。

一、数学

机器学习在很大程度上依赖于数学的三大支柱：线性代数、微积分、概率和统计学。每个都在使算法有效运行方面发挥着独特的作用。

• 线性代数：用于数据表示和操作的数学工具包，其中矩阵和向量构成算法解释和处理信息的语言
• 微积分：机器学习优化的引擎，使算法能够通过理解梯度和变化率来学习和改进。
• 概率与统计：不确定性下决策的基础，允许算法预测结果并通过随机性和可变性模型从数据中学习。

这是从程序员角度来看的关于 ML 数学的精彩系列：通过权重和偏差进行机器学习的数学（代码）

如果您想要采用代码优先的方法来学习线性代数，请观看由 fast.ai 的创建者制作的计算线性代数（视频、代码）。

在课程旁边阅读《Python 应用机器学习的线性代数简介》 。

如果您想要更传统的东西，请观看伦敦帝国理工学院的讲座-线性代数和多元微积分。

观看 3Blue1Brown 的《线性代数精华》和《微积分精华》。

观看StatQuest 的统计基础知识了解统计数据

补充

• 书籍：机器学习数学
• 论文：深度学习所需的矩阵微积分

二、工具

2.1 Python

初学者从这里开始：实用 Python 编程。

如果您已经熟悉 Python，请执行此高级 Python 掌握

它们都是 Python Cookbook 的作者 David Beazley 的精彩课程。

之后，观看詹姆斯·鲍威尔的一些演讲

阅读Python 设计模式。

补充

• 书籍：Fluent Python，第二版（代码）
• 播客：真正的 Python和谈论 Python

2.2 PyTorch

观看Aladdin Persson的PyTorch 教程

PyTorch 网站是一个很棒的地方。

• PyTorch 示例
• PyTorch 官方教程
• 常见问题页面

用一些谜题测试你的知识

• srush/Tensor-Puzzles：解决难题。改进你的 PyTorch

补充

• 书籍：深度学习 PyTorch 编程

三、机器学习

阅读100 页的机器学习书籍。

3.1 从头开始编写

当你阅读时，从头开始编写算法。

查看下面的存储库

• eriklindernoren/从头开始的机器学习
• 杰里米尼克松/甲骨文
• Trekhleb/自制机器学习

如果您想要挑战，请按照本课程从头开始编写 PyTorch。

• MiniTorch：机器学习工程 DIY 课程（视频、代码）

3.2 参加比赛

在比赛中应用您所学到的知识。

• 参加bitgrit和Kaggle等平台上的 ML 竞赛；在这篇文章中找到更多内容。
• 查看过去的获胜解决方案并研究它们

3.3 做副业项目

阅读Vicki Boykis 的《将机器学习运用到生产中》

她还写了她在构建Viberary（一种书籍语义搜索）时所学到的知识。

获取数据集并构建模型（即使用Earthaccess获取 NASA 地球数据）。

使用Streamlit创建 UI并在 Twitter 上分享。

3.4 部署模型

获取生产中的模型。跟踪您的实验。了解如何监控模型。亲身体验数据和模型漂移。

这里有一些优秀的资源

• 用机器学习制造
• DataTalksClub/mlops-zoomcamp：免费 MLOps 课程
• Chiphuyen/机器学习系统设计
• 明显的 AI — ML 系统设计：300 个案例研究
• stas00/ml-engineering：机器学习工程在线书籍

3.5 补充材料

• 使用 PyTorch 和 Scikit-Learn 进行机器学习（代码）
• [1811.12808]机器学习中的模型评估、模型选择和算法选择
• 机器学习入门面试书·MLIB

四、深度学习

如果你想要自上而下，请从 fast.ai 开始。

4.1 fast.ai

• fast.ai（第 1 部分、第 2 部分）+ W&B 研究小组

喜欢 fast.ai？查看全栈深度学习。

如果您想要更全面的传统课程，请查看François Fleuret的UNIGE 14x050 — 深度学习。

如果您在某些时候需要接触理论，这些都是很棒的书。

• 深入研究深度学习（包含 PyTorch、NumPy/MXNet、JAX 和 TensorFlow 中的代码示例）
• 深度学习作者：Ian Goodfellow、Yoshua Bengio 和 Aaron Courville
• 神经网络和深度学习
• 了解深度学习（带有动手笔记本）

在手机上阅读《深度学习小书》，而不是滚动 Twitter。

在您的神经网络收敛时阅读这些内容。

• 训练神经网络的秘诀
• 深度神经网络：33 年前和 33 年后

4.2 多参加一些比赛

• PlantTraits2024 — FGVC11 | Kaggle（计算机视觉）

4.3 论文实现

查看labml.ai 带注释的 PyTorch 论文实现

Papers with Code 是一个很好的资源；这是BERT在他们的网站上的解释。

以下是深度学习专业领域的一些资源

4.4 计算机视觉

很多人推荐CS231n：计算机视觉深度学习。这很有挑战性，但如果你能克服它，那就值得了。

4.5 强化学习

对于强化学习来说，这两个都很棒：

• OpenAI在深度强化学习中的旋转
• 本文内容由网友自发贡献，转载请注明出处：【wpsshop博客】