Quellen zur KI-Theorie, Philosophie, Werkzeugen und Anwendungen

Ich bin seit vielen Jahren Software- / Hardware-Ingenieur. Ich weiß jedoch nichts über KI und maschinelles Lernen. Ich habe einen starken Hintergrund in der digitalen Signalverarbeitung und in verschiedenen Programmiersprachen (wie C, C ++ oder Swift).

Gibt es Quellen (z. B. Bücher oder Anleitungen), die Ihnen KI-Theorie und -Philosophie von Grund auf beibringen und dann Beispiele für reale Anwendungen, aktuelle Tools, Beispiele, die Sie ausführen können, usw. enthalten?

Ich suche also nicht nach zu akademischen oder statistischen Quellen.

Wenn Sie ein sehr einfaches Grundbuch über neuronale Netze und nicht gerade maschinelles Lernen möchten, können Sie Folgendes versuchen:

• Neuronale Netze für angewandte Wissenschaften und Ingenieurwissenschaften: Von den Grundlagen zur komplexen Mustererkennung von Sandhya Samarasinghe
• Grundlagen neuronaler Netze: Architekturen, Algorithmen und Anwendungen von Laurene V. Fausett

Diese 2 sind einfache und sehr einfache Bücher, die von vorne beginnen und anhand einfacher Beispiele Berechnungen von Hand zeigen. Auch dies sind reale anwendungsbasierte Bücher.

Wenn Sie Ihre Theorie stärken und umfassend über maschinelles Lernen lernen möchten, insbesondere zur Mustererkennung, ist das mit Abstand beste Buch:

• Mustererkennung und maschinelles Lernen von CM Bishop

Dieses Buch erfordert fundierte mathematische Kenntnisse, insbesondere auf dem Gebiet der Wahrscheinlichkeitstheorie, der linearen Algebra und der Analysis.

Zwei weitere sehr theoretische Bücher über neuronale Netze sind:

• Neuronale Netze: Eine umfassende Grundlage von Simon Haykin
• Eine Einführung in neuronale Netze von James A Anderson, wenn Sie sich für den biologischen Aspekt neuronaler Netze interessieren.

Nach meiner Erfahrung sind dies die besten Einführungsbücher. Sie können auch verschiedene OCW von edx.org wie Machine Learning for Data Science und einen sehr empfohlenen Kurs auf coursera.org von Professor Andrew Ng Machine Learning der Stanford University ausprobieren

Ich würde auch vorschlagen, dass Sie Python oder R lernen, da es aufgrund seiner leistungsstarken wissenschaftlichen Pakete hauptsächlich für maschinelles Lernen verwendet wird. Python ist im Vergleich zu C / C ++ sehr einfach zu erlernen und zu implementieren.

Edit: Dieses Buch vergessen. Obwohl es ein wenig fortgeschritten ist, kann es für einige Benutzer einfach sein:

• Deep Learning (Reihe Adaptive Computation and Machine Learning) von Ian Goodfellow

Sie können das von Google erstellte Tutorial zum maschinellen Lernen ansehen. Es ist einfach und Kommunikation ist sehr klar. In 6 Videos können Sie eine gute Erfahrung im maschinellen Lernen machen.

Hier: Hallo Welt - Rezepte für maschinelles Lernen # 1

Nehmen Sie einfach an Andrew Ngs (altem) Kurs für maschinelles Lernen auf Coursera oder an dem Kurs für maschinelles Lernen mit Sebastian Thrun und Katie Malone an Udacity teil. Oder beides. Dies ist ein ziemlich schneller Weg, um eine gute und solide Einführung in die Grundlagen des maschinellen Lernens zu erhalten. Schauen Sie sich dann das Material aus der Klasse auf der Website http://ai.berkeley.edu an und lesen Sie Künstliche Intelligenz - Ein moderner Ansatz . Wenn Sie das durchstehen, sind Sie gut positioniert, um sich Ihren Interessen zuzuwenden.

Denken Sie auch daran, dass Sie sich nicht vollständig von der Mathematik auf diesem Gebiet trennen können. Wenn Sie noch keinen Hintergrund in den Bereichen Multi-Variablen-Kalkül, Wahrscheinlichkeit und lineare Algebra (meistens Matrixoperationen) haben, müssen Sie sich möglicherweise mit diesen Dingen auseinandersetzen.

Sie können das von Google erstellte Tutorial für maschinelles Lernen hier ansehen: Hello World - Rezepte für maschinelles Lernen Nr. 1 . Es ist einfach und Kommunikation ist sehr klar.

Sechs Zeilen Python reichen aus, um Ihr erstes maschinelles Lernprogramm zu schreiben! In dieser Folge werden wir kurz vorstellen, was maschinelles Lernen ist und warum es wichtig ist. Dann folgen wir einem Rezept für überwachtes Lernen (eine Technik zum Erstellen eines Klassifikators aus Beispielen) und codieren es.

Es gibt ein ausgezeichnetes Online-Buch, das eine gründliche Einführung und Schulung zum Aufbau neuronaler Netze bietet: Neuronale Netze und Deep Learning von Michael Nielson. Im ersten Kapitel verwendet er das Beispiel des Erkennens handgeschriebener Ziffern und geht auf Perzeptrone, Sigmoidneuronen, grundlegende neuronale Netze, deren Codierung in Python usw. ein. Spätere Kapitel befassen sich eingehender mit den grundlegenden Konzepten neuronaler Netze.

Ich würde dieses Buch auch denen empfehlen, die bereits Erfahrung mit neuronalen Netzen haben. Es ist eine großartige Ressource.