超星学习通大学生创业导论答案,超星大学生创业导论答案

这篇文章是想进入人工智能领域但不知道从哪里开始的初学者的最佳学习资源列表 。
第一、数学 。数学基础一定要扎实 。以下是你开始学习人工智能需要知道的非常基本的数学概念:
结石
线性代数
概率统计:它是数值顺序在机器学习领域应用的最重要的分支 。条件概率、相关系数、最大似然、大数定律、马尔可夫链等应用 。
矩阵理论:数字图像本身是以矩阵的形式呈现的,由多个向量组成的样本也是矩阵 。这种形式很常见 。在大多数机器学习算法中,每个样本都是以向量的形式存在的,多个矩阵的叠加就是google深度学习库中tensorflow以张量形式存在的字面意思之一 。具体应用,如:世界坐标系 , 相机坐标系,图像坐标系之间的转换,特征值,特征向量 , 范数等 。
凸优化:这需要单独进行 。因为太多的问题(尤其是机器学习领域)都是优化问题(求最优),而凸优化是其中最简单的形式 , 所以大家都在想办法把一般的优化问题变成凸优化问题 。至于纯凸优化理论,似乎已经相当成熟了 。在机器学习中,我们经常会看到一些对偶问题,KKT条件等 。并花两天时间学习 。
建议在高校编制一个关于凸优化的教学课件 。毕竟大家对这一块都比较陌生,缺乏系统感 。比如北大的《凸优化》课程 。
第二、计算机基础知识 。要掌握AI,你要熟悉计算机科学和编程 。
语言:python(python基础教程、廖雪峰python教程、python核心编程)
分析:sql,python中numpy、pandas等(利用python进行数据分析)
数据结构和算法:算法第4版,算法介绍
想要更深入的了解计算机编程的本质——观看 ()这门经典的麻省理工课程 。这是一门关于lisp和计算机科学的基础课程,也是基于CS-structure和计算机程序解释的最有影响力的书籍之一 。
Python一定要有扎实的基础,C会更好
00-1010机器学习领域的最佳介绍 , 请观看Coursera的吴恩达机器学习课程 。它解释了基本概念,并让您很好地理解最重要的算法 。建议多看几遍 。
关于ML算法的简要概述,请参见本TutsPlus课程《机器学习精粹》 。
《机器学习在行动》这本书是学习用Python实际实现ML算法的很好资源 。它需要你通过很多实际的项目 , 涵盖所有必要的基础 。
你可能也会对这些好的资源感兴趣 。
统计机器学习,李航(必看)
机器学习,周志华(必看)
模式识别和机器学习(推荐)
00-1010关于深度学习最好的介绍,我遇到的最好的一个是用Python做深度学习 。不深入难懂的数学,也没有一长串的前提条件 。相反 , 它描述了一种启动DL的简单方法,解释了如何快速开始构建并在实践中学习一切 。它解释了最先进的工具(Keras、TensorFlow),并通过几个实际项目向您介绍了如何在所有最佳DL应用中实现最先进的结果 。谷歌上也有很棒的DL入门课程 , 还有SephenWelch对神经网络的很棒的解释 。之后,为了有更深入的了解,这里有一些有趣的资源:
1.GeoffreyHinton的coursera课程《机器学习的神经网络》 。本课程将向你介绍安的经典问题—— 。
g>MNIST 字符识别的过程 , 并将深入解释一切 。2.Tensorflow实战和Tensorflow:实战Google深度学习框架两本书(选一本必看)
3.MIT Deep Learning(深度学习)一书 。
4.Michael Nielsen 的 Neural Networks and Deep Learning(神经网络和深度学习)一书
5.Simon O. Haykin 的Neural Networks and Learning Machines (神经网络和机器学习)一书
第五、人工智能“Artificial Intelligence: A Modern Approach (AIMA)” (人工智能:现代方法) 是关于“守旧派” AI最好的一本书籍 。这本书总体概述了人工智能领域,并解释了你需要了解的所有基本概念 。如果你对人工智能感兴趣,你可能很想知道人的大脑是怎么工作的,下面的几本书会通过直观有趣的方式来解释最好的现代理论 。

  1. Jeff Hawkins 的 On Intelligence(有声读物)
  2. Gdel, Escher, Bach
其他资源:
  1. Ray Kurzweil的 How to Create a Mind (如何创建一个头脑Ray Kurzweil) (有声读物).
  2. Principles of Neural Science (神经科学原理)是我能找到的最好的书,深入NS 。
第六、其他资源
  1. github 。寻找适合你的开源项目 。

  2. kaggle、天池等大数据比赛
  3. hadoop、scala等大数据工具(官方文档)
  4. 结构之法、算法之道系列博客
最后-------------------选好方向
大数据AI方向有很多,选择感兴趣的方向深入研究即可,列举一些学习资源如下:
自然语言处理:(1) 统计自然语言处理(第2版)宗成庆 著
(2) 语音与语言处理(英文版 第2版)Daniel Jurafsky, James H. Martin 著
(3) 计算语言学(修订 版)刘颖 著
(4) 自然语言处理简明教程 冯志伟 著
【超星学习通大学生创业导论答案,超星大学生创业导论答案】(5) 自然语言处理的形式模型 冯志伟 著
(6) Natural Language processing with Python 很实用
(7) 本体方法及其应用 甘健侯 等 著
(8) 本体与词汇库(英文影印版)典居仁(Chu-Ren Huang)等 编
另外超星学术视频 (网络上可以找到资源):
(9)自然语言理解 宗成庆(中科院)
(10) Stanford 的 NLP 课程(Youtube)
Dan Jurafsky & Chris Manning: Natural Language Processing
(11) Michael Collins 的Coursera课程 和 主页
Michael Collins:Natural Language Processing
计算机视觉: (1) 数字图像处理,冈萨雷斯,阮秋琦(译)
(2) opencv基础篇,于仕琦,刘瑞祯
(3) Learning OpenCV computer vision with the opencv library, Gary Bradski, Adrian Kaebler, O'REILLY
(4) 模式识别,边肇琪
(5) 模式分类,Richard O. Duda, 机械工业出版社
(6) Computer Vision: Algorithms and Applications , Richard szeliski
等等 。。。

    推荐阅读