Как новичок, мы склонны сильно искажать, если не ошибаться, представления о том, что на самом деле включает в себя искусственный интеллект.

Вы должны понимать, вся шумиха вокруг ИИ сильно построена вокруг модных линий СМИ, маркетинговых кампаний и сказок.

Искусственный интеллект сегодня - это класс самообучающихся, самонастраивающихся и самосовершенствующихся алгоритмов, результаты которых почти полностью зависят от качества данных. В наших алгоритмах нет ничего «интеллектуального», только действительно умная математика.

Но с другой стороны, это обещает стать величайшим технологическим достижением нашего времени. Многие из нас, как и я, верят в это обещание. И раз уж вы здесь, вы тоже должны.

Для начала я бы сказал, что вы сначала перейдете к машинному обучению. Причина проста и двояка. Во-первых, помимо того, что это лучшая точка входа в ИИ, есть много ресурсов, которые могут вам помочь, а во-вторых, это, по большей части, наименее математически строгий.

Прежде чем вы начнете, я рекомендую вам сначала выполнить следующие очень важные предварительные условия:

  • Линейная алгебра и умножение матриц: Скорее всего, почти любой онлайн-курс, который вы изучаете, будет предполагать, что вы на 100% разбираетесь в умножении матриц. И им, возможно, будет легче следовать вначале, за ними, как правило, становится немного труднее следовать, когда вы направляетесь к искусственным нейронным сетям. Кроме того, знание умножения матриц позволяет вам серьезно сократить время выполнения вашей программы ИИ, заменив циклы на векторизацию. Если вы хотите продолжить ML и добиться в этом успеха, ваши алгоритмы должны масштабировать, поэтому вам необходимо знать и следовать векторизации.
  • Python: где-то должна быть причина, если все основные игроки переходят на Python для решения любых задач программирования. Помимо того, что это самый интуитивно понятный и удобный для новичков язык, который я когда-либо видел, почти любой курс, который вы берете по машинному обучению, обязательно будет преподаваться на Python. Это отличный язык для учебных целей. Поиграйте с библиотеками Python, такими как NumPy, Pandas, SciPy. Это то, что вы будете использовать изначально. Вы можете осваивать другие библиотеки по ходу дела. Основная идея - просто познакомиться с ним. Он будет твоим лучшим другом на долгое время. Когда вы до некоторой степени освоите Python,

Теперь перейдем к делу: Машинное обучение | Eduonix Пожалуйста, начните этот курс прямо сейчас. Я кратко расскажу, что охватывает курс и что он вас оставит.

Курс является вводным и наилучшим образом познакомит вас с миром искусственного интеллекта. Курс требует, чтобы вы выполнили упражнения по программированию на MATLAB / Octave, так что сразу несколько практических занятий пойдут вам на пользу. MATLAB или Octave, курс проведет вас с синтаксисом на всем протяжении, пока вы не освоите его. Само собой разумеется, что эти языки тоже очень легко освоить. Так что не о чем беспокоиться новичку!

На прохождение курса у вас уйдет около месяца (при условии, что вы пройдете достаточно быстро).

Хорошо. Итак, какая следующая остановка? Вы, наверное, уже слышали о «нейронных сетях» или «глубоком обучении». Если нет, то некоторые из этих популярных терминов появятся в курсе, о котором я упоминал ранее, и это следующая остановка в нашей дорожной карте: Глубокое обучение!

Есть несколько способов сделать это. Вы можете выполнить поиск в Google и выбрать любой понравившийся вам курс, но я прошел последующую специализацию (набор курсов на Coursera, посвященных определенному предмету) у того же инструктора, Эндрю Нг, и был очень доволен содержанием и что еще более важно, с тем, как это открыло мне глаза и добавило мне ценности. Если можно, я направлю вас к тому же курсу из нашей дорожной карты: Глубокое обучение | Эдуоникс

Этот курс охватывает различные области глубокого обучения, такие как настройка гиперпараметров (как настроить ваши ИНС), сверточные нейронные сети, структурирование проектов искусственного интеллекта и несколько других имен, которые могут показаться вам немного устрашающими прямо сейчас, но я обещаю только волноваться позже, когда вы идете по дороге. На прохождение специализации у вас уйдет около пары месяцев (при условии, что вы пройдете достаточно быстро).

Теперь это критический момент на нашем пути.

А вокруг есть люди. Вы могли бы пройти больше курсов, и мне нечего было бы возражать против этого. Но разве вы не задумывались над собой, что, похоже, ключ к тому, чтобы модель давала вам хорошие результаты, в значительной степени зависит от данных, которые вы скармливаете модели. А данные - это то, чем вы были все это время попадает в ваши руки в готовом виде!

Надеюсь, направление, в котором я вас указываю, довольно ясно. ДА! Практикуйтесь в сборе данных и очистке набора данных! Это, пожалуй, самый различающийся навык, который у вас есть, и он определенно поможет вам получить работу! Вы можете просто зайти в Kaggle, принять участие в соревновании, которое вам нравится, и поиграть с набором данных. Очень распространенная статистика, которую приводит почти каждый другой блог, заключается в следующем: «80% работы в AI / ML / Data Science - это сбор и очистка наборов данных».

Что ж, теперь вы и с этой целью избавились!

Пока вы занимаетесь этим, также ознакомьтесь с методами визуализации данных, которые вы можете использовать, чтобы сделать результаты вашей модели презентабельными и привлекательными. Когда дело доходит до ИИ, я всегда подчеркивал одну вещь. И для этого изучение того, как продавать, становится неотъемлемой частью.

Вы зашли очень далеко, и я думаю, что настало время позволить вашему коду говорить.

Следующая остановка: проекты.

Вы также можете делать проекты с Youtube

Завершенный проект по обнаружению мошенничества с кредитными картами

Здесь вы узнаете максимум о поле деятельности, а также о себе и своем подходе. Конечно, вы можете взяться за проект на любом этапе вашей дорожной карты. Но причина, по которой я не предлагаю вам этого, заключается в том, что если вы попытаетесь реализовать проект, не зная его должным образом, вы просто скопируете что-то откуда-то, чтобы выполнить работу. Это ошибка, которую часто совершают новички и энтузиасты. Они хотят получить тег «проекты» под своим именем как можно быстрее только для своего резюме, но даже не знают базовых данных о веб-сайте. Не делайте этого. Уважайте процесс, и процесс будет уважать вас многократно.

Мы подошли к концу нашей небольшой дорожной карты.

Теперь врата открыты для вас повсюду. Пойдите и подайте заявку на работу (поверьте мне, вы легко приземлитесь) или изучите другие навыки, такие как Apache Spark, возможно, выучите быстро развивающийся язык, такой как Scala, или попробуйте свои силы в функциональном программировании, или, черт возьми, углубитесь в исследования и напишите несколько публикаций для себя!

Все готово для вас.

Все.

И никто, даже вы, отныне не сможет составить для себя дорожную карту для этого момента. Просто доверьтесь себе, что разберетесь с этим, когда доберетесь сюда, и подтвердите, что куда бы вы ни пошли, успех будет. Потому что у тебя не будет другого выбора.