2018人工智能盛大开幕 学习AI势在必得 打好这些基础很重要
人工智能(Artificial Intelligence)是这几年科技圈很火的名词之一,以深度学习为代表的机器学习在近几年取得了很多令人震惊的成果,并且普遍应用到了诸如图像识别、增强、风格转换、生成,语音识别、翻译,文章生成以及无人驾驶等诸多领域,在互联网、科技和资本圈内备受重视。
广义的说,人工智能包含诸多不同的方法,其主旨是让程序像一个智能体一样解决问题。机器学习是实现人工智能的一种方法,它不完全依靠预先设计,而是从数据中进行总结,达到模拟记忆、推理的作用。包括诸如支持向量机(SVM)、各类基于决策树的算法(包括Boosting、Bagging、Random Forest等),各类基于人工神经网络的算法(例如简单网络及深度网络等),以及多方法的集成等。
基于人工智能的发展优势,很多小伙伴都想要在这个领域大展宏图,但摆在面前的三道门槛是需要你逐一攻克的。
门槛一、数学基础
我们应该了解过,无论对于大数据还是对于人工智能而言,其实核心就是数据,通过整理数据、分析数据来实现的,所以数学成为了人工智能入门的必修课程!
数学技术知识可以分为三大学科来学习:
1、 线性代数,非常重要,模型计算全靠它~一定要复习扎实,如果平常不用可能忘的比较多;
2、 高数+概率,这俩只要掌握基础就行了,比如积分和求导、各种分布、参数估计等等。
提到概率与数理统计的重要性,因为cs229中几乎所有算法的推演都是从参数估计及其在概率模型中的意义起手的,参数的更新规则具有概率上的可解释性。对于算法的设计和改进工作,概统是核心课程,没有之一。当拿到现成的算法时,仅需要概率基础知识就能看懂,然后需要比较多的线代知识才能让模型高效的跑起来。
3、统计学相关基础
回归分析(线性回归、L1/L2正则、PCA/LDA降维)
聚类分析(K-Means)
分布(正态分布、t分布、密度函数)
指标(协方差、ROC曲线、AUC、变异系数、F1-Score)
显著性检验(t检验、z检验、卡方检验)
A/B测试
门槛二、英语水平
我这里说的英语,不是说的是英语四六级,我们都知道计算机起源于国外,很多有价值的文献都是来自国外,所以想要在人工智能方向有所成就,还是要读一些外文文献的,所以要达到能够读懂外文文献的英语水平。
门槛三、编程技术
首先作为一个普通程序员,C++ / Java / Python 这样的语言技能栈应该是必不可少的,其中 Python 需要重点关注爬虫、数值计算、数据可视化方面的应用。
人工智能入门的三道门槛,都是一些必备的基础知识,所以不要嫌麻烦,打好基础很关键!