赞
踩
我接触AI的时候,是在研一。那个时候AlphaGo战胜围棋世界冠军李世石是大新闻,人工智能第一次出现我面前,当时就想搞清楚背后的原理以及这些技术有什么作用。
就开始找资料,看视频。随着了解的深入,对AI的兴趣就越大。这儿总结一些我学习的心得、学习路径以及资源,帮助大家快速入门,少走弯路。
在智能化时代,越来越多的人想要学习人工智能,提高自己的核心竞争力。
人工智能(AI),是“Artificial Intelligence”的缩写。是一种人类创造出来的拥有才智的东西,让机器模拟人类的行为、思维,来处理人类面临的特定问题。
AI展现出的能力越来越多,在某些方面的能力能媲美甚至超过人类。现在学习人工智能,在我看来可以分为两个方向:
一个是学习人工智能的原理,比如学习自然语言处理(NLP)、机器学习(ML)、深度学习(DL);
二是学习AI的应用工具,比如现在很火的各种大模型。
现在有很多大模型,有聊天类的CHATGPT、claude、文心一言等,也有绘画类的MJ、SD,此外还有很多行业通用大模型。这些大模型将普通人和AI前沿技术之间的距离拉近了很多,大模型也是这次AI技术的主要内容。
大模型可以极大的提高我们工作和学习效率,给大家带来了很多机会,但要高效使用这些AI大模型,也要给足够的准确的提示词。通过不断的学习,在这次AI技术中赚到更多的技术红利。
大家可以看看这一门专门讲AI大模型的公开课,也是知乎知学堂官方发布的,【程序员的AI大模型进阶之旅】公开课也邀请了圈内技术大佬来解读前沿AI技术,通过两天的学习,让大家更加淡定面对AI技术。现在参加还可以领取AI大模型、免魔法就可以使用的AI工具,点击下面的卡片就可以参加:
更多关于AI的学习,是想要学习AI的原理,然后拓展自己的技术面。下面这个图可以说明人工智能、机器学习、深度学习之间的关系,此外,还有一些其他的分支,比如计算机视觉、自然语言处理等。
整个AI的学习路径,推荐按着这个步骤来学习:
基础知识(统计学知识、概率论、编程语言、高数)——算法和策略(机器学习、深度学习)——基于自己的兴趣方法找到深耕方向(计算机视觉、自然语言处理等)
高数
数学是AI 的基石,这些是理解各种算法的基础。学习AI需要学习的高数知识主要有:
函数、函数极限(无穷小与无穷大、极限的四则运算、导数)、可导和连续(导数的四则运算、复合函数求导法、高阶导数、偏导数)、微分、中值定理、泰勒展开式、不定积分、函数单调性与极值、曲线的凹凸与拐点等。
概率论和统计学知识
AI需要大量的数据和数学模型来分析和决策,统计学可以帮助AI快速来处理这些信息。下面来举一些学习AI必须知道的概率论和统计学知识:
1.了解随机变量的类型,并清楚随机事件的基本定义、随机变量的基本概念
2.掌握概率、概率密度的概念及其表示
3.会计算随机变量的联合分布、边缘分布、条件分布
4.掌握先验概率、后验概率的基本概念及其计算方法
5.掌握随机变量的均值、方差、协方差、协方差矩阵、矩、相关系数的基本概念及其计算方法
6.掌握常见的随机变量的分布函数及其特征
7.掌握统计模型的参数估计的基本方法,重点掌握极大似然估计、最大后验概率估计等
8.理解假设检验的基本概念、作用,掌握进行假设检验的基本方法
9.理解多元统计分析与常规统计分析的区别、难点
10.掌握多元高斯随机变量的均值向量、方差矩阵、协方差矩阵、相关系数矩阵的推导
11.掌握随机过程的基本概念、作用及其统计描述
12.掌握马尔科夫链基本概念、作用及其统计描述
13.掌握马尔科夫随机场基本概念、作用及其统计描述
编程语言
AI的编程语言有很多中,不过推荐大家学习python,主要有三个原因:
1.python的语法相对来说比较简单,更适合零基础入门;
2.python有很多AI的库,这些库极大的方便了AI的学习;
3.在当前的市场上,python的使用面更广一些。
基础的python知识主要包括:基本数据类型、关键字、标识符和内置函数、运算符、语句。
在有了一定得基础后,就可以深入学习机器学习、深度学习了。
我在另一个如何学习机器学习得回答中详细介绍了机器学习的流程、机器学习应用方向、需要哪些知识等等,在这儿就不赘述了。大家可以看看我这篇文章:如何系统学习机器学习?
了解机器学习、深度学习后,有了 算法基础,就可以根据自己的兴趣爱好做更专业的研究了,比如自然语言处理、计算机视觉等。
自然语言处理
自然语言处理属于人工智能的一个子领域,是指用计算机对自然语言的形、音、义等信息进行处理,即对字、词、句、篇章的输入、输出、识别、分析、理解、生成等的操作和加工。
目前各类的聊天类大模型都可以说是基于自然语言处理生成的。
计算机视觉
计算机视觉是指让计算机和系统能够从图像、视频和其它视觉输入中获取有意义的信息,并根据该信息采取行动或提供建议。
计算机视觉可以做很多事情,包括:图像分类、目标检测、语义分割、实例分割、目标追踪等。
AI发展至今,也有很多优质的资源。总结了一些推荐给大家:
DeepLearning.AI ——[《Machine Learning》](https://www.zhihu.com/search?q=《Machine Learning》&search_source=Entity&hybrid_search_source=Entity&hybrid_search_extra={“sourceType”%3A"answer"%2C"sourceId"%3A3157821046})
这个课程是机器学习入门的经典课程,大家在入门的时候可以看看这个课程。
DeepLearning.AI ——《Deep Learning》
谷歌[生成式 AI](https://www.zhihu.com/search?q=生成式 AI&search_source=Entity&hybrid_search_source=Entity&hybrid_search_extra={“sourceType”%3A"answer"%2C"sourceId"%3A3157821046}) 课程
对于想要学习现在生成式AI如何使用的同学可以看看这个课程:《生成式 AI 学习路径》,教授生成式 AI 的产品和技术学习内容,覆盖了大语言模型的基础知识,以及如何在 Google Cloud 上创建和部署生成式 AI 解决方案等内容。
DeepLearning.AI ——《面向开发人员的 ChatGPT Prompt 工程课程》
这个课程是DeepLearning.AI 与 OpenAI 共同制作的,课程主要是学习如何使用大型语言模型 (LLM) 快速构建新的强大应用程序。学习如何编制有效的prompt。
此外还有很多优质的课程:
林轩田《机器学习基石》
林轩田《机器学习技法》
李宏毅 《机器学习课程》
Fast.ai《程序员深度学习实战》
吴恩达 CS229
周志华《机器学习》
经典入门书籍,需要慢慢啃得一本书。
李航《统计学习方法》
《机器学习实战》
《Scikit-Learn 与 TensorFlow 机器学习实用指南》
《利用python进行数据分析》
《深度学习》
又被称为花书,深度学习领域最经典的畅销书。从浅入深介绍了基础数学知识、机器学习经验以及现阶段深度学习的理论和发展,帮助学习者全方位得了解深度学习。
此外,还有很多优质得资源,比如各大python数据库得官方文档,也还有很多优质得社区,比如**CSDN、GITHUB**等,在学习的过程中,都可以根据自己的需要找资料完善自己的知识体系。
最后还是要提醒大家的是,一定要多实战、多练习。只有实战出真知。
以上就是本次的分享,欢迎大家点赞收藏,想看的人多的话,更新更多AI信息。
这两年AI大火,很多人想学AI,但被坑怕了,为了确保你能获取到真正有价值的AI信息(人人都能享受的 AI 技术平权),给想改变自己境遇的知乎朋友们赠送一个福利!限额免费赠送。
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。