Джерела з теорії, філософії, інструментів та застосувань ШІ [закрито]

Я вже багато років інженер програмного забезпечення та обладнання. Однак я не знаю нічого про AI та машинне навчання. У мене є сильний досвід в цифровій обробці сигналу та різних мовах програмування (наприклад, C, C ++ або Swift)

Чи є джерела (наприклад, книги чи посібники), які навчають вас теорії та філософії AI з нуля, а потім переходять із прикладами до додатків реального життя, поточних інструментів, прикладів, які можна запустити тощо?

Отже, я не шукаю надто академічних чи статистичних джерел.

Якщо ви хочете отримати дуже просту основну книгу про нейронні мережі, а не про машинне навчання, ви можете спробувати:

• Нейронні мережі для прикладних наук та інженерії: від основ до складного розпізнавання образів Сандх'я Самарасінгхе
• Основи нейронних мереж: архітектури, алгоритми та програми Лорен В. Фаусетт

Ці 2 основні та дуже прості книги, які починаються з нуля та показують обчислення вручну на простих прикладах. Також це книги, засновані на реальному застосуванні.

Якщо ви хочете посилити свою теорію і всебічно дізнатися про машинне навчання, особливо для розпізнавання образів, найкраща книга на сьогоднішній день:

• Розпізнавання візерунків та машинне навчання CM Bishop

Ця книга потребує ґрунтовних математичних знань, особливо у галузі теорії ймовірностей, лінійної алгебри та обчислення.

Дві інші дуже теоретичні книги про нейронні мережі:

• Нейронні мережі: всебічний фонд Саймона Хайкіна
• Вступ до нейронних мереж Джеймса Андерсона, якщо вас цікавить біологічний аспект Нейронних мереж.

З мого досвіду це найкращі вступні книги. Крім того, ви можете перевірити різні OCW, керовані edx.org, наприклад, Machine Machine for Data Science і настійно рекомендується курс по Coursera.org перспективі професором Ендрю Нг Machine Learning Стенфордського університету

Я також пропоную вам вивчити Python або R, оскільки він в основному використовується для машинного навчання завдяки потужним науковим пакетам. Python дуже легко вивчати та реалізовувати програми порівняно з C / C ++.

Редагувати: Забув цю книгу. Хоча, трохи просунутий деяким користувачеві це може бути легко:

• Глибоке навчання (серія адаптивного обчислення та машинного навчання) Іана Гудфеллоу

Ви можете переглянути підручник з машинного навчання, зроблений Google. Його простота і спілкування дуже зрозуміло. У 6 відео ви можете отримати хороший досвід машинного навчання.

Ось: Hello World - Рецепти машинного навчання №1

Просто візьміть клас старого машинного навчання Ендрю Нґ на Coursera, або клас машинного навчання з Себастьяном Трун і Кеті Малоун на Udacity. Або і те й інше. Це досить швидкий спосіб отримати хороший, ґрунтовний вступ до основ машинного навчання. Потім подивіться на матеріал з класу на веб-сайті http://ai.berkeley.edu і прочитайте « Штучний інтелект - сучасний підхід» . Якщо ви пройдете це, ви зможете перейти до того, що вас цікавить.

Майте також на увазі, що ви не можете повністю розлучитися з математикою, яка займається цією сферою. Якщо у вас вже немає досвіду в багатовимірному обчисленні, ймовірності та лінійній алгебрі (в основному матричних операціях), можливо, вам знадобиться кісткувати цей матеріал.

Ви можете переглянути підручник з машинного навчання, зроблений Google тут: Hello World - Рецепти машинного навчання №1 . Його простота і спілкування дуже зрозуміло.

Шість рядків Python - це все, що потрібно для написання вашої першої програми машинного навчання! У цьому епізоді ми коротко представимо, що таке машинне навчання і чому це важливо. Потім ми будемо слідувати рецепту контрольованого навчання (техніка створення класифікатора з прикладів) і кодуємо його.

Є чудова онлайн-книга, яка дає ґрунтовне ознайомлення з навчанням щодо побудови нейронних мереж - це нейронні мережі та глибоке навчання. Майкла Нільсона. У першій главі він використовує приклад розпізнавання рукописних цифр і переходить через перцептрони, сигмоподібні нейрони, основні нейронні сітки, як їх кодувати в Python тощо. Пізніші глави заглиблюються в основні поняття нейронних сіток.

Я б рекомендував цю книгу навіть тим, хто вже має досвід роботи з нейронними мережами. Це чудовий ресурс.