Lista de verificación de aprendizaje de inteligencia artificial
Una lista de aprendizaje de inteligencia artificial para ayudar a los principiantes a comprender el marco de conocimiento en este campo y encontrar excelentes recursos de aprendizaje.
Algunos recursos se comparten en GitHub , bienvenido a participar y contribuir.
Ⅰ Conocimientos básicos
1. Inteligencia artificial : Comprender el concepto de inteligencia artificial y los campos específicos que involucra.
Referencias:
[1] Russell, Stuart y Peter Norvig. “Inteligencia artificial: un enfoque moderno”. (1995)，书籍
2. Aprendizaje automático : tenga una comprensión integral de los términos, algoritmos, indicadores de evaluación y procesos del aprendizaje automático, y aprenda en profundidad paso a paso en el orden de aprendizaje supervisado, aprendizaje no supervisado, aprendizaje semisupervisado y aprendizaje de refuerzo.
Empezando:
[1] Zhou Zhihua. "Machine Learning" (2016), libro (comúnmente conocido como Watermelon Book), derivación de fórmula de apoyo: Pumpkin Book
[2] Andrew Ng (Stanford). "CS229: Machine Learning" , curso en línea (edición de otoño de 2018), video en chino: [Stanford University] CS229 Machine Learning
[3] Li Hongyi. "Aprendizaje automático" , curso en línea
Aprendizaje profundo:
[1] Derivación de pizarra de aprendizaje automático , curso en línea
[2] Li Hang, "Métodos de aprendizaje estadístico" (2012), libro
[3] Tom Mitchell, "Aprendizaje automático" (1997), Libro
3. Aprendizaje profundo : estudie exhaustivamente el método de descenso de gradiente estocástico, la red neuronal profunda (incluida la red de avance MLP, CNN, etc. y la red de retroalimentación como RNN, etc.), el mecanismo de atención y el aprendizaje de refuerzo profundo, y domine todo el proceso de profundo aprendiendo en el combate real.
Empezando:
[1] Li Mu y otros "Aprendizaje profundo práctico, segunda edición" , libros y cursos en línea
[2] Andrew Ng (Stanford). "CS230: Aprendizaje profundo" , curso en línea
Aprendizaje profundo:
[1] Ian Goodfellow, Yoshua Bengio, Aaron Courville. "Deep Learning" (2017), traducción al chino, libro (comúnmente conocido como libro de flores)
4. Ciencia de datos : comprender los cuatro tipos de datos comunes en la ciencia de datos: imagen, secuencia, tabla y gráfico (Gráfico), familiarizarse con la adquisición de datos, el almacenamiento, la extracción, el preprocesamiento y las tecnologías relacionadas con la visualización, dominar los conceptos básicos de estadística y ser competente en herramientas de cálculo y análisis de datos de ciencias aplicadas.
Referencias:
[1] Camino al científico de datos，Hoja de ruta
[2] Wes McKinney.Using Python for Data Analysis Second Edition , traducción al chino, libro
5. Campos subdivididos : estudio en profundidad de campos específicos de la inteligencia artificial, como el procesamiento del lenguaje natural, la visión artificial, el procesamiento de series temporales, la inteligencia artificial explicable, etc.
Procesamiento del lenguaje natural: CS124: De los idiomas a la información , CS224d: Aprendizaje profundo para el procesamiento del lenguaje natural y CS224n: Procesamiento del lenguaje natural con aprendizaje profundo , cursos en línea
Computer Vision: CS231n: Convolucional Neural Networks for Visual Recognition , curso en línea
时间序列处理：Adhikari, R. y Agrawal, RK (2013). Un estudio introductorio sobre modelado y pronóstico de series de tiempo. preimpresión de arXiv arXiv:1302.6613. ，文章；Introducción a la previsión de series temporales (Python)，Aprendizaje profundo para la previsión de series temporales，Blogs
Procesamiento de datos espacio-temporales: W. Li, W. Tao, et.al., A Survey on Spatial and Spatiotemporal Prediction Methods , artículo,
X. Shi y D.-Y. Yeung, Aprendizaje automático para la previsión de secuencias espaciotemporales: una encuesta , artículo .
Redes neuronales gráficas: Yao Ma, Jiliang Tang (2021), Deep Learning on Graphs , libro, J. Zhou et al., Redes neuronales gráficas: una revisión de métodos y aplicaciones , artículo, Z. Wu, S. Pan et al. Una encuesta completa sobre redes neuronales gráficas , artículo.
Inteligencia artificial interpretable: AAAI2020 Tutorial XAI , CVPR2021 Tutorial de aprendizaje automático interpretable para visión artificial , CVPR 2020 Tutorial de aprendizaje automático interpretable para visión artificial , Tutoriales
Ⅱ Herramientas
1. Lenguaje de programación : dominio de Python.
Tutorial de introducción:
[1] Tutorial básico de Python | Tutorial para principiantes
[2] Tutorial de Python de Liao Xuefeng
Aprendizaje profundo:
[1] Versión intermedia en chino de Python
[2] Versión china de PEP8: guía de estilo de codificación de Python
2. Marco de aprendizaje profundo : dominio de al menos un marco de aprendizaje profundo, como Pytorch, TensorFlow 2 (Keras), etc.
Tutorial de introducción:
[1] APRENDIZAJE PROFUNDO CON PYTORCH: UN BLITZ DE 60 MINUTOS
[2] Tu primer proyecto de aprendizaje profundo en Python con Keras paso a paso
[3] Tutorial de TensorFlow 2: Introducción al aprendizaje profundo con tf.keras
[4] Implementación práctica de PyTorch de aprendizaje profundo , almacén de código
[5] Implementación práctica de aprendizaje profundo de TensorFlow2.0 , almacén de código
3. Herramientas de computación científica y análisis de datos : tome el lenguaje Python como ejemplo, necesita dominar numpy, scipy, pandas, statsmodels
Los materiales de referencia son los documentos de cada biblioteca, y es recomendable utilizar la última versión en inglés del documento (no leer la traducción al chino).