Źródła na temat teorii, filozofii, narzędzi i aplikacji sztucznej inteligencji [zamknięte]

Od wielu lat jestem inżynierem oprogramowania / sprzętu. Nie wiem jednak nic o sztucznej inteligencji i uczeniu maszynowym. Mam duże doświadczenie w cyfrowym przetwarzaniu sygnałów i różnych językach programowania (takich jak C, C ++ lub Swift)

Czy są jakieś źródła (np. Książki lub przewodniki), które uczą teorii i filozofii sztucznej inteligencji od podstaw, a następnie zawierają przykłady rzeczywistych aplikacji, aktualnych narzędzi, przykładów, które można uruchomić itp.?

Nie szukam więc źródeł akademickich ani statystycznych.

Jeśli potrzebujesz bardzo prostej podstawowej książki na temat sieci neuronowych, a nie do końca uczenia maszynowego, możesz spróbować:

• Sieci neuronowe dla nauk stosowanych i inżynierii: od podstaw po rozpoznawanie złożonych wzorów przez Sandhya Samarasinghe
• Podstawy sieci neuronowych: architektury, algorytmy i zastosowania autorstwa Laurene V. Fausett

Te 2 są podstawowymi i bardzo prostymi książkami, które zaczynają od zera i pokazują obliczenia ręcznie na prostych przykładach. Są to także książki oparte na prawdziwych aplikacjach.

Jeśli chcesz wzmocnić swoją teorię i uczyć się kompleksowo na temat uczenia maszynowego, szczególnie w zakresie rozpoznawania wzorców, najlepszą książką jest:

• Rozpoznawanie wzorców i uczenie maszynowe CM Bishop

Ta książka wymaga solidnej wiedzy matematycznej, szczególnie w zakresie teorii prawdopodobieństwa, algebry liniowej i rachunku całkowego.

Dwie inne bardzo teoretyczne książki na temat sieci neuronowych to:

• Neural Networks: A Comprehensive Foundation autorstwa Simona Haykina
• Wprowadzenie do sieci neuronowych Jamesa Andersona, jeśli jesteś zainteresowany biologicznym aspektem sieci neuronowych.

Z mojego doświadczenia są to najlepsze książki wprowadzające. Możesz także sprawdzić różne OCW prowadzone przez edx.org, takie jak Machine Learning for Data Science oraz wysoce polecany kurs na coursera.org prowadzony przez profesora Andrew Ng Machine Learning przez Uniwersytet Stanforda

Sugeruję również, abyś nauczył się języka Python lub R, ponieważ jest on głównie używany do uczenia maszynowego ze względu na ich potężne pakiety naukowe. Python jest bardzo łatwy do nauki i implementacji programów w porównaniu do C / C ++.

Edycja: Zapomniałem tej książki. Chociaż nieco zaawansowani niektórzy użytkownicy mogą uznać to za łatwe:

• Deep Learning (Adaptive Computation and Machine Learning series) autorstwa Iana Goodfellow

Możesz obejrzeć samouczek Machine Learning opracowany przez Google. Jest prosty i komunikatywny. W 6 filmach możesz uzyskać dobre wrażenia z uczenia maszynowego.

Tutaj: Hello World - Przepisy dotyczące uczenia maszynowego # 1

Po prostu weź klasę Andrew Ng (stara) Machine Learning na Coursera lub klasę Machine Learning z Sebastianem Thrun i Katie Malone na Udacity. Lub oba. To dość szybki sposób na dobre i solidne wprowadzenie do podstaw uczenia maszynowego. Następnie spójrz na Materiał z klasy na stronie http://ai.berkeley.edu i przeczytaj Artificial Intelligence - A Modern Approach . Jeśli przejdziesz przez to, będziesz mieć dobrą pozycję, aby przejść do tego, co cię interesuje.

Pamiętaj też, że nie możesz całkowicie oddzielić się od matematyki związanej z tą dziedziną. Jeśli nie masz jeszcze pewnego tła w rachunku różniczkowym, prawdopodobieństwie i algebrze liniowej (głównie operacje na macierzach), być może będziesz musiał pogodzić się z tym.

Możesz obejrzeć samouczek Machine Learning wykonany przez Google tutaj: Hello World - Przepisy Machine Learning # 1 . Jest prosty i komunikatywny.

Wystarczy sześć linii Python, aby napisać swój pierwszy program do uczenia maszynowego! W tym odcinku krótko przedstawimy, czym jest uczenie maszynowe i dlaczego jest ważne. Następnie postępujemy zgodnie z przepisem na naukę nadzorowaną (technika tworzenia klasyfikatora z przykładów) i kodujemy go.

Istnieje doskonała książka online, która dokładnie opisuje i buduje sieci neuronowe to Neural Networks and Deep Learning autorstwa Michaela Nielsona. W pierwszym rozdziale wykorzystuje przykład rozpoznawania ręcznie napisanych cyfr i omawia perceptrony, sigmoidalne neurony, podstawowe sieci neuronowe, jak je kodować w Pythonie itp. Późniejsze rozdziały wnikają głębiej w podstawowe koncepcje sieci neuronowych.

Poleciłbym tę książkę nawet tym, którzy mają już doświadczenie z sieciami neuronowymi. To świetny zasób.