Источники по теории, философии, инструментам и приложениям ИИ [закрыто]

Я программист / аппаратный инженер уже много лет. Однако я ничего не знаю об искусственном интеллекте и машинном обучении. У меня большой опыт работы с цифровой обработкой сигналов и различными языками программирования (например, C, C ++ или Swift).

Существуют ли какие-либо источники (например, книги или руководства), которые обучают вас теории и философии ИИ с нуля, а затем приводят примеры из реальных приложений, текущих инструментов, примеров, которые вы можете использовать, и т. Д.?

Поэтому я не ищу слишком академических или статистических источников.

Если вам нужна очень простая базовая книга по нейронным сетям, а не компьютерное обучение, вы можете попробовать:

• Нейронные сети для прикладных наук и инженерии: от основ до сложного распознавания образов Сандхья Самарасингхе
• Основы нейронных сетей: архитектуры, алгоритмы и приложения Лорен В. Fausett

Эти две основные и очень простые книги, которые начинаются с нуля и показывают вычисления вручную на простых примерах. Также это настоящие книги, основанные на приложениях.

Если вы хотите укрепить свою теорию и всесторонне изучить машинное обучение, особенно для распознавания образов, лучшая книга на данный момент:

• Распознавание образов и машинное обучение CM Bishop

Эта книга требует глубоких математических знаний, особенно в области теории вероятностей, линейной алгебры и исчисления.

Две другие очень теоретические книги по нейронным сетям:

• Нейронные сети: всеобъемлющая основа Саймона Хайкина
• Введение в нейронные сети Джеймсом Андерсоном, если вас интересует биологический аспект нейронных сетей.

Из моего опыта это лучшие вступительные книги. Также вы можете ознакомиться с различными OCW, проводимыми edx.org, такими как « Машинное обучение для наук о данных», и с очень рекомендуемым курсом на coursera.org, который проводит профессор Эндрю Нг « Машинное обучение» из Стэнфордского университета.

Я бы также посоветовал вам изучить Python или R, поскольку он в основном используется для машинного обучения благодаря мощным научным пакетам. Python очень прост в изучении и реализации программ по сравнению с C / C ++.

Изменить: Забыли эту книгу. Хотя, немного продвинутый, некоторые пользователи могут найти это легко:

• Глубокое обучение (серия «Адаптивные вычисления и машинное обучение») Иана Гудфеллоу

Вы можете посмотреть Учебное пособие по машинному обучению от Google. Это просто и общение очень понятно. В 6 видео вы можете получить хороший опыт в машинном обучении.

Здесь: Hello World - Рецепты машинного обучения # 1

Просто возьмите Эндрю Нг (старый) класс машинного обучения на Coursera или класс машинного обучения с Себастьяном Труном и Кэти Мэлоун на Udacity. Или оба. Это довольно быстрый способ получить хорошее, основательное введение в основы машинного обучения. Затем посмотрите материал из класса на сайте http://ai.berkeley.edu и прочитайте « Искусственный интеллект - современный подход» . Если вы пройдете через это, у вас будет все необходимое для того, чтобы идти дальше, чем вам интересно.

Имейте также в виду, что вы не можете полностью отделить себя от математики, связанной с полем. Если у вас еще нет некоторого фона в многопараметрическом исчислении, вероятности и линейной алгебре (в основном, в матричных операциях), то вам, возможно, придется докопаться до этого.

Вы можете посмотреть Учебное пособие по машинному обучению, созданное Google здесь: Hello World - Рецепты машинного обучения # 1 . Это просто и общение очень понятно.

Шесть строк Python - все, что нужно для написания вашей первой программы машинного обучения! В этом эпизоде ​​мы кратко представим, что такое машинное обучение и почему это важно. Затем мы следуем рецепту обучения под наблюдением (методика создания классификатора из примеров) и кодируем его.

Существует отличная онлайн-книга, которая дает подробное введение и обучение тому, как строить нейронные сети, - « Нейронные сети и глубокое обучение » Майкла Нильсона. В первой главе он использует пример распознавания рукописных цифр и рассматривает персептроны, сигмовидные нейроны, базовые нейронные сети, как их кодировать на Python и т. Д. В последующих главах более подробно рассматриваются основные понятия нейронных сетей.

Я бы порекомендовал эту книгу даже тем, кто уже имеет опыт работы с нейронными сетями. Это отличный ресурс.