AI入门学习规划

2025年AI在国内已经出现deepseek这个现象级产品了。今天是2月8日，今年有个规划就是学习一下AI的知识。 想达到的目标是能理解AI的基本原理和训练过程等。

HN的建议

以下来自hacknews的建议和资源列表

首先，虽然我认为学习多种语言（python、R、matlab、julia）是有益的，但我建议选择一种，以免自己不知所措和惊慌失措。我建议使用 python，因为它有很好的工具和大量的学习资源，而且大多数前沿神经网络操作都是用 python 进行的。

那么对于整体课程，我建议：

  1. 从基础机器学习（不是神经网络）开始，特别是阅读 scikit-learn 文档并在 YouTube 上观看一些教程。花一些时间熟悉 jupyter notebook和 pandas，并解决一些实际问题（kaggle 很棒，或者在 google 上搜索让你感兴趣的数据集）。确保你可以解决回归、分类和聚类问题，并了解如何衡量解决方案的准确性（了解诸如精度、召回率、mse、过度拟合、训练/测试/验证分割等内容）

  2. 熟悉传统机器学习后，通过学习 fast.ai 课程深入研究神经网络。这门课程非常棒，可以让你自信地构建近乎前沿的问题解决方案

  3. 选择一个特定的问题领域并观看斯坦福相关课程（例如计算机视觉的 cs231n 或 NLP 的 cs224n）

  4. 开始阅读论文。我建议使用 Mendeley 做笔记并整理。斯坦福课程会提到论文。阅读这些论文以及它们引用的论文。

  5. 开始尝试自己的想法和实施方案。

在完成上述操作的同时，补充：

祝你好运并享受！

资源整理

  • Neural Networks and Deep Learning 免费的在线书籍，介绍神经网络和深度学习的。
  • Goodfellow、Bengio 和 Courville 合著的第一本官方深度学习书籍,本书有中文版
  • 由 Andrew Ng 创办的深度学习在线课程
  • 统计学习简介 统计学习要素两本不错的电子书。与 R 搭配得很好。
  • fast.ai。实用，切中要点，理论+代码。
  • 使用 Scikit-Learn 和 TensorFlow 进行机器学习实践（http://amzn.to/2vPG3Ur）。理论与代码，从 sckikit-learn、pandas、numpy 上的“浅层”学习（例如线性回归）开始；然后转向使用 TF 进行深度学习。
  • 机器学习指南 (http://ocdevel.com/podcasts/machine-learning）。通勤/锻炼背景巩固理论。提供课程和资源。
  • Andrew Ng 在 Coursera 上的教程1非常好。如果你对 Python 编程感兴趣，那么 sentdex2 的教程也很不错，涵盖了 scikit、tensorflow 等内容（更多是实践，更少理论）
  • 这实际上并没有回答问题，但我一直认为想要研究神经网络的人应该阅读 Marvin Minsky 的《感知器》。这是一本学术著作。它很短。它写得非常好，而且很容易理解。它塑造了几十年来神经网络研究的历史（呃……不幸的是，它停止了 :-) ）。你应该可以在任何大学图书馆找到它。虽然这个建议并不真正符合海报的要求，但我认为很容易首先寻求现代的、重新包装的解释而忽略科学文献。我认为这是非常危险的。有时我认为人们有点害怕看原始资料，所以如果你好奇的话，这是一个很好的起点。
  • github上的awesome-deep-learning资源列表
  • github上的awesome-machine-learning资源列表
  • arxiv.org 学习模型，SemanticScholar 查找论文之间的联系，GitHub 搜索查找其他人的实现以及 Andrej Karpathy 的 Sanity Preserver 网站，可以更轻松地搜索和查看 Arxiv 论文： http://www.arxiv-sanity.com/
  • 在教授人工智能基础知识和内部工作原理直觉的相关主题上，有一个名为“AI Unplugged”1的精彩材料，可以使用笔、卡片等以游戏的方式进行活动。我曾多次向不熟悉 AI/ML 领域的各种受众（儿童和成人）使用这种材料，每次人们似乎都很享受它并对他们所生活的现代世界有了一点了解。
  • AI相关的数学知识 提供必要的数学技能，以阅读其他书籍
  • 面向开发者的 LLM 入门教程，吴恩达大模型系列课程中文版 偏向应用端

我筛选的资源和学习的计划

我的学习思路

  • 先入门理解机器学习，神经网络和当下最新的ai技术的概念性知识。有个全局的认识。
  • 然后再深入学习一些具体的技术，比如深度学习，计算机视觉，自然语言处理等。
  • 最后再学习一些实践的项目，比如kaggle上的项目，或者自己找一些数据集，做一些实践项目。

我的学习计划

根据你的学习思路和目标，我帮你整理了一份逐步的学习计划，旨在帮助你系统地掌握AI的基本原理、技术和实践项目。你可以根据自己的节奏调整，确保每个阶段都扎实掌握。

第一阶段：AI基础入门（1-2个月）

目标：建立对AI基本原理和概念的全局认识。

  1. 了解 AI 的基本概念与发展历程

    • AI 的历史与演变：
    • AI 的主要分支：
      • 机器学习、深度学习、强化学习 等不同领域的基本概念与区别，了解各自的应用场景。
      • 学习基本的人工智能应用，特别是在计算机视觉、自然语言处理、自动驾驶等领域的前沿进展。

  2. AI 基础的数学和编程概念

    • 编程语言：
      • 尽管你已经决定使用 Python，但在第一阶段，建议你快速浏览一下 Python 的基础概念，确保对基础语法、数据结构有一个清晰的认识。可以通过《Python编程快速上手》（Eric Matthes）等教材来学习。
    • 数学概念：
      • 在学习机器学习的基础时，理解一些基本的数学概念（线性代数、微积分、概率统计等）是很有帮助的。虽然深入数学内容可以放到后期，但通过简单的例子和直观的图示理解基本概念是非常重要的。
      • 推荐查看 Khan Academy 的相关课程，或 3Blue1Brown 的视频系列，帮助你更直观地理解线性代数和概率论。
      • AI相关的数学知识 提供必要的数学技能，以阅读其他书籍

  3. 机器学习的类型和常见算法

    • 学习机器学习的三种主要类型：
      • 监督学习（Supervised Learning）：学习如何从标注数据中建立模型，常见算法有线性回归、决策树、SVM 等。
      • 无监督学习（Unsupervised Learning）：学习如何从无标签数据中发现模式，常见算法有 K-means、PCA 等。
      • 强化学习（Reinforcement Learning）：学习如何通过与环境交互来最大化奖励，典型应用为自动驾驶、游戏等。
    • 学习常见算法的直观理解：
      • 对每种类型的算法，试着理解其背后的核心思想，而不仅仅是数学推导。例如，理解什么是模型的训练、验证、测试，如何评估模型的表现（准确率、召回率、F1 分数等）。
      • 在学习每个算法时，尽量结合实际的案例和代码实现，例如从 Kaggle 获取相关数据集，动手实践回归、分类、聚类问题。

  4. 机器学习工具的基础了解

    • Python 的数据科学工具链：
      • 学习和实践 NumPy、Pandas 和 Matplotlib，这些工具对数据预处理、数据分析以及结果可视化至关重要。你可以通过在线教程快速掌握这些工具的基本操作。
      • 学习如何使用 Jupyter Notebook 进行交互式编程，并解决实际问题。
    • 了解 scikit-learn：
      • 学习如何在 scikit-learn 中实现常见的机器学习模型，并应用于简单的分类或回归任务。了解如何使用 scikit-learn 来处理数据、训练模型、评估模型效果。

  5. 建立 AI 的全局认知框架

    • 广泛接触 AI 领域的最新进展：
      • 关注 AI 领域的最新发展，可以通过订阅博客、新闻网站（如 MIT Technology Review 或 TechCrunch）和学术期刊（如 arXiv）来跟踪前沿研究。
      • 通过参加线上或线下的讲座、研讨会等活动，与行业专家和同学交流，扩大你的视野。
    • 听播客：例如，Talking Machines 或 The Data Skeptic 等播客可以帮助你在日常通勤或锻炼时轻松了解 AI 的热点话题。

  • 学习机器学习基础：

    • 阅读《统计学习简介》或《统计学习要素》，了解统计学习的基础。
    • 学习 scikit-learn 文档，掌握回归、分类、聚类等基本算法。
    • 熟悉 Jupyter Notebook 和 pandas，进行一些简单的数据分析。
    • 观看 YouTube 上相关的机器学习入门课程（例如，Andrew Ng 的 机器学习课程）。
    • 尝试解决一些 Kaggle 的基础问题，练习回归和分类问题。

  • 学习深度学习基础：

第二阶段：深入学习神经网络与深度学习（2-3个月）

目标：掌握深度学习的核心技术，并开始研究前沿应用。

  • 学习深度学习的细节：

    • 阅读 Goodfellow, Bengio, Courville 的《深度学习》一书，系统掌握深度学习的理论。
    • 学习计算机视觉或自然语言处理等具体领域的深度学习技术。可以选修斯坦福的 CS231n 或 CS224n。

  • 深入理解神经网络的优化与训练：

    • 学习如何使用神经网络解决实际问题，如图像分类、对象检测等。
    • 学习损失函数、梯度下降、反向传播等优化技术。
    • 在 Kaggle 上尝试一些中等难度的深度学习项目，如图像分类和文本分类等。

第三阶段：研究前沿技术和论文阅读（3-4个月）

目标：提升对前沿技术的理解，并深入研究经典与最新的研究论文。

  • 阅读经典和前沿的研究论文：

    • 学习如何使用 Mendeley 管理论文。
    • 阅读斯坦福课程推荐的论文，特别是在计算机视觉和自然语言处理方面的经典论文。
    • 关注前沿的 AI 论文和技术，访问 arXiv，了解最新的研究进展。

  • 关注顶尖研究人员：

第四阶段：实践项目与技能提升（4-6个月）

目标：将所学知识应用于实际项目，提升问题解决能力。

  • 进行 Kaggle 竞赛：

    • 选择你感兴趣的领域，参加 Kaggle 上的深度学习相关比赛，学习如何处理现实世界的数据，提升实战能力。

  • 进行独立项目：

    • 自己选择一个感兴趣的问题领域，找数据集并进行建模。例如，计算机视觉的图像识别，NLP 的情感分析等。
    • 可以尝试 GitHub 上的开源项目，贡献代码，向实际应用场景迈进。

补充学习资源

something a blog

Recording,Writing,Reading

2025-02-08