如何从Python起步学习AI

2017 年 11 月 28 日 七月在线实验室

  

视频


视频一共分为两部分:第一部分(前28分钟讲人工智能背景及知识层面的内容,第二部分(28分钟到结束讲述 AI 学习规划路径。

1
 人工智能的发展背景

人工智能是门交叉学科,它通过对数据的处理,不断地变得更好和更强,做出各种各样的判断和决策。 

人工智能早在从 1956 年提出概念以来经历了漫长的发展历程,中间有两次高峰,两次低谷,现在是第三次高峰,而带来发展起伏的是机器学习算法的变迁。 第三次高峰开始的标志是 2006 年的时候,机器学习算法中的神经网络方向出现了一个突破,多伦多大学教授 Geoffrey Hinton 提出了“深度学习”的概念。

2
人工智能发展路径 

人工智能(AI)是人类所能想象的科技界最突破性的发明了,某种意义上来说,人工智能就像游戏最终幻想的名字一样,是人类对于科技界的最终梦想。


那我们期待的AI是什么呢?期待它能替代人。机器代替人的重要标准是什么?就是比人更好。很遗憾,前两次的浪潮,计算机只是证明它比人算的快,它没有证明它比人算的准。


第三次浪潮上的人工智能有了改变。拿简历分类来说,一般 HR 人工分类的准确程度大概是 85%,之前用 SVM( Support Vector Machine,支持向量机) 做准确率是 60% 多,还是不如人的。而现在用深度学习算法,准确率可以超过 90%,比人要准确的多,而且速度是人的 N 倍。


观看一下身边的改变:当我们打开支付宝时,机器学习会给我们做面部识别;当我们浏览电商网站时,机器学习算法预测我们对哪种商品更感兴趣,然后显示给我们;当我们打开今日头条时,机器学习算法根据我们的浏览习惯给我们推荐可能感兴趣的新闻。可以说,机器学习早已渗入我们生活的方方面面。

3
机器学习是什么

机器学习的理解:首先我们来看一下人类的学习,人类的学习是一个人根据自己的经验,对一类问题形成认知或者总结出某些规律,然后用这些认知和规律来解决类似问题的过程。 


但人的记忆很容易忘记,而且所有的知识要从头开始学,这是硬伤。但机器没有这个问题,复制粘贴马上就有了两份知识,而且除非硬盘损坏,否则不会丢失。 所以我们就希望,如果机器也能从知识里发现规律,并能自己学习,那就太好了。

 

经过计算机科学家的不断努力,终于成功地发明了一些算法,使得计算机可以从现有的数据中学习到规律,并且可以随着输入的数据数量增长而提升学习效果,这就是机器学习。通俗地讲:机器学习是一种计算机程序,可以从现有的经验中学习如何完成某项任务,并且随着经验的增加,性能也随之提升。 

因此,经验,也就是专业人士说的“数据”,对于机器学习来说,就是最重要的。就像火箭要起飞需要燃料,人要变得有智慧需要阅历一样,机器学习需要海量的数据。

 

AlphaGo 打败李世石不是因为它聪明,而是因为它通过自己和自己下棋的方式,已经相当于下了一万年以上的棋,和一个只下了几十年的人比,自然是有着不可比拟的优势,它打败李世石依靠的是无可比拟的经验。

4
人工智能、机器学习、深度学习的关系

网上有一张图,很有意思,生动的表明了不同的人对机器学习的理解:

机器学习是实现人工智能的一种方法,机器学习有很多的细分领域,其中有一个领域是人工神经网络,而深度学习是人工神经网络这个领域的一个分支。 

5
AI学习路径规划

“数据科学家比程序员擅长统计学,比统计学家擅长编程。”很多零基础的同学,还有有软件开发经验的同学希望转型成为数据科学家,但是他们直接上手sklearn 或 TensorFlow  等高级机器学习框架去处理数据,而没有全面理解其背后的统计学理论知识。这样学习路线是不科学的,他们需要系统的人工智能学习路径。


人工智能领域是一门交叉学科,脱胎于统计学和泛函分析,并结合了信息论、最优化理论和线性代数等多门学科。这也是七月在线创立AI学习路径的目标,即帮助大家建立一个科学,高效的AI学习路径,避免大家盲目地去跨阶段学习而浪费大量的时间和精力,该路径能指引同学们在数据科学的路径上更有效率的前进。


1.python编程基础,算法与数据结构

Python已经成为 AI 和大数据时代的第一开发语言,这本已是一个不需要争论的问题。如果说之前, Matlab 、 Scala 、 R 、 Java 和 Python 还各有机会,局面尚且不清楚,那么现在趋势已经非常明确了。

https://www.julyedu.com/course/getDetail/99


除了要掌握AI时代最火热的开发 语言Python外,还应打牢计算机科学基础的数据结构与算法,这也是许多同学求职面试时的必考题。因此必须掌握。 

https://www.julyedu.com/course/getDetail/62


2.数理统计基础 

https://www.julyedu.com/course/getDetail/41

数学对机器学习的重要性不言而喻,在成为数据科学家的路途上,不少人因数学功底不足,而学不下去。


机器学习中的数学班,着重为大家讲解机器学习中所需要用到的一些重要的数学知识,涵盖微积分、概率统计、矩阵、凸优化等数学基础,包括数学在机器学习中的工业应用,理论 + 实践缺一不可。

 

3.机器学习算法 

https://www.julyedu.com/course/getDetail/47

机器学习过程中涉及的算法各类繁多,该课程有原理、有应用、有代码、有案例、有数据、有作业,让学习有效果。


4.机器学习实战应用

https://www.julyedu.com/course/getDetail/39 

一切的学习都应是以实际应用为导向。

实战课程是将之前所学知识打通并应用至实际项目的生产中,该课程以实际项目贯穿之前所学知识点,帮助同学上手工业级项目,顺利就业。





课程咨询|微信:julyedukefu

七月热线:010-82712840

登录查看更多
5

相关内容

【实用书】学习用Python编写代码进行数据分析,103页pdf
专知会员服务
192+阅读 · 2020年6月29日
【实用书】Python机器学习Scikit-Learn应用指南,247页pdf
专知会员服务
264+阅读 · 2020年6月10日
算法与数据结构Python,369页pdf
专知会员服务
161+阅读 · 2020年3月4日
中科大-人工智能方向专业课程2020《脑与认知科学导论》
《强化学习—使用 Open AI、TensorFlow和Keras实现》174页pdf
专知会员服务
136+阅读 · 2020年3月1日
年薪48万的程序员,他究竟做对了什么?
机器学习算法与Python学习
7+阅读 · 2018年12月28日
做机器学习和AI必备的42个数学知识点
AI前线
9+阅读 · 2018年12月6日
拔刺 | 如何通过人工神经网络实现图像识别?
Python NLP入门教程
七月在线实验室
7+阅读 · 2018年6月5日
Python 如何快速入门?
大数据技术
11+阅读 · 2018年4月9日
Python除了不会生孩子,什么都会
算法与数学之美
3+阅读 · 2017年11月8日
如何系统地学习数据挖掘?
数据库开发
10+阅读 · 2017年10月22日
独家 | 一文读懂TensorFlow(附代码、学习资料)
数据派THU
3+阅读 · 2017年10月12日
Python NLP 入门教程
开源中国
14+阅读 · 2017年10月1日
Arxiv
6+阅读 · 2020年2月15日
Arxiv
7+阅读 · 2019年10月6日
Object Detection in 20 Years: A Survey
Arxiv
48+阅读 · 2019年5月13日
Deep Anomaly Detection with Outlier Exposure
Arxiv
17+阅读 · 2018年12月21日
Arxiv
53+阅读 · 2018年12月11日
Arxiv
7+阅读 · 2018年3月19日
VIP会员
相关VIP内容
相关资讯
年薪48万的程序员,他究竟做对了什么?
机器学习算法与Python学习
7+阅读 · 2018年12月28日
做机器学习和AI必备的42个数学知识点
AI前线
9+阅读 · 2018年12月6日
拔刺 | 如何通过人工神经网络实现图像识别?
Python NLP入门教程
七月在线实验室
7+阅读 · 2018年6月5日
Python 如何快速入门?
大数据技术
11+阅读 · 2018年4月9日
Python除了不会生孩子,什么都会
算法与数学之美
3+阅读 · 2017年11月8日
如何系统地学习数据挖掘?
数据库开发
10+阅读 · 2017年10月22日
独家 | 一文读懂TensorFlow(附代码、学习资料)
数据派THU
3+阅读 · 2017年10月12日
Python NLP 入门教程
开源中国
14+阅读 · 2017年10月1日
相关论文
Arxiv
6+阅读 · 2020年2月15日
Arxiv
7+阅读 · 2019年10月6日
Object Detection in 20 Years: A Survey
Arxiv
48+阅读 · 2019年5月13日
Deep Anomaly Detection with Outlier Exposure
Arxiv
17+阅读 · 2018年12月21日
Arxiv
53+阅读 · 2018年12月11日
Arxiv
7+阅读 · 2018年3月19日
Top
微信扫码咨询专知VIP会员