Дорожная карта курсов для доминирования в области искусственного интеллекта

Дорожная карта курсов для доминирования в области искусственного интеллекта

Вот список курсов, которые позволят вам овладеть искусственным интеллектом.

Теперь наша повседневная жизнь окружена этой технологией, и наше будущее будет тем более, благодаря всем возможным применениям искусственного интеллекта, начиная с области медицины, где можно анализировать исторические данные пациентов и улучшать этапы диагностики и многое другое, вплоть до беспилотных автомобилей, которые уже становятся частью нашей жизни, и многое другое.

Размер глобального рынка искусственного интеллекта оценивался в 39,9 млрд долларов в 2019 году и, как ожидается, будет расти со скоростью 42,2% в год с 2020 по 2027 год, и, по некоторым оценкам, размер этого рынка достигнет 252 млрд долларов к 2023 год и колоссальные 350 миллиардов долларов к 2025 году.

Вам может быть интересно, какова цель этого списка? цель состоит в том, чтобы каждый мог войти в этот мир будущего с нужными знаниями и убедиться, что каждый может участвовать, понимать и сотрудничать в следующей технологической революции, поэтому список охватывает большинство тем, касающихся искусственного интеллекта, начиная с от математических и компьютерных требований до настоящего искусственного интеллекта.

При создании этого списка я в основном основывался на моем личном опыте изучения искусственного интеллекта, но я также наблюдал за другими онлайн-списками и видео на YouTube, которые говорили на эту тему, чтобы создать хороший список.

Предварительные требования по математике:

Линейная алгебра:

1. Линейная алгебра | Ханская академия

Что вы узнаете в этом курсе:

• Вектор, линейные комбинации и пролеты, линейная зависимость и независимость
• Функции и линейные преобразования, преобразования и умножение матриц
• Ортогональные дополнения, ортогональные проекции, смена базиса

2. Линейная алгебра - основы границ | Edx

Что вы узнаете в этом курсе:

• Связь линейных преобразований, матриц и систем линейных уравнений
• Разделенные матрицы и характеристики специальных матриц
• Алгоритмы матричных вычислений и решения систем уравнений
• Векторные пространства, подпространства и характеристики линейной независимости
• Ортогональность, линейные методы наименьших квадратов, собственные значения и собственные векторы

Исчисление:

1. Исчисление 1A: дифференциация | Edx

Как оценить пределы графически и численно

• Физический смысл и геометрическая интерпретация производной
• Чтобы вычислить производную любой функции
• Набросок многих функций вручную
• Для линейного и квадратичного приближения функций
• Применять производные для максимизации и минимизации функций и поиска соответствующих ставок

2. Дифференциальное исчисление | Ханская академия

Что вы узнаете в этом курсе:

• Пределы и преемственность
• Производные: правило цепочки и другие расширенные темы
• Приложения деривативов
• Анализируем функции
• Параметрические уравнения, полярные координаты и вектор-функции

3. Многомерное исчисление | Ханская академия

Что вы узнаете в этом курсе:

• Производные функций многих переменных
• Производные: правило цепочки и другие расширенные темы
• Приложения многомерных производных
• Интегрирование функций с несколькими переменными
• Грина, Стокса и теоремы о расходимости

Статистика и вероятность:

1. Статистика и вероятность | Ханская академия

Что вы узнаете в этом курсе:

• Анализ категориальных данных
• Отображение, сравнение и обобщение количественных данных
• Моделирование распределений данных, изучение двумерных числовых данных
• Дизайн исследования
• Вероятность
• Подсчет, перестановки и комбинации, случайные величины
• Распределения выборки, доверительные интервалы
• Тесты значимости, вывод для категориальных данных

Предварительные условия для программирования:

Информатика:

1. CS50: Введение в информатику | Edx

Что вы узнаете в этом курсе:

• Широкое и четкое понимание информатики и программирования
• Как мыслить алгоритмически и эффективно решать задачи программирования
• Такие понятия, как абстракция, алгоритмы, структуры данных, инкапсуляция, управление ресурсами, безопасность, разработка программного обеспечения и веб-разработка.
• Знакомство с несколькими языками, включая C, Python, SQL и JavaScript, а также CSS и HTML.

Программирование на Python:

Python - один из самых быстрорастущих и популярных языков программирования в последние годы, и ему удалось стать основным языком, используемым для разработки искусственного интеллекта, благодаря своей огромной простоте и множеству разработанных библиотек и фреймворков, которые позволяют вам делать много с очень небольшим количеством строк кода

1. Учебные курсы Python | Удеми

Скорее всего, это может быть один из лучших и наиболее всеобъемлющих онлайн-курсов по изучению Python.

Что вы узнаете в этом курсе:

• Научитесь использовать Python профессионально, изучая Python 2 и Python 3
• Создавайте игры на Python, такие как крестики-нолики и блэкджек.
• Изучите расширенные функции Python, такие как модуль коллекций и как работать с отметками времени
• Научитесь использовать объектно-ориентированное программирование с классами
• Понимать сложные темы, например, декораторы.
• Узнайте, как использовать Jupyter Notebook и создавать файлы .py.
• Получите представление о том, как создавать графические интерфейсы в системе Jupyter Notebook.

2. Учебное пособие по Python | учебная точка

На этом сайте вы сможете узнать все, что нужно знать о Python, это может быть хорошим выбором для сопровождения курса, указанного выше.

Структура данных и алгоритмы:

Знание основных структур данных и основных алгоритмов может быть очень полезно для более глубокого понимания искусственного интеллекта.

1. Изучите структуру данных и алгоритмы | Programiz

Что вы узнаете в этом курсе:

• Структура данных: стек, очередь, связанный список, хеш-таблица, двоичное дерево и многое другое.
• Сортировка, поиск и жадные алгоритмы

2. Алгоритмы | Ханская академия

Что вы узнаете в этом курсе:

• Введение в алгоритмы
• Бинарный поиск, асимптотические обозначения
• Сортировка по выбору, сортировка вставкой, сортировка слиянием, быстрая сортировка
• рекурсивные алгоритмы, графическое представление
• Поиск в ширину

Искусственный интеллект:

Искусственный интеллект:

1. AI для всех | Coursera

Этот курс в основном нетехнический и предназначен для тех, кому не нужно углубленно изучать технические аспекты ИИ, но кто хочет узнать, как лучше использовать ИИ в своих организациях, запускать инициативы ИИ или работать с командой разведки. искусственный

Это также отличный курс для инженеров, программистов и людей с техническим образованием, чтобы изучить бизнес-аспекты ИИ. Он очень информативный и подробный для новичков, которые ничего не знают об искусственном интеллекте. Этот курс по искусственному интеллекту начинается со всестороннего обзора того, что такое искусственный интеллект, и, наконец, продолжается обсуждением всего рабочего процесса проекта ИИ и того, как разработать стратегию ИИ для вашего бизнеса. Что вы узнаете в этом курсе:

• Обзор того, что такое ИИ
• Значение общей терминологии ИИ
• Реалистичный взгляд на ИИ и то, что он может и чего нельзя делать, с примерами
• Как определить возможности применения ИИ для решения задач и проблем в вашей организации
• Как построить ИИ в вашей компании
• Этические и социальные проблемы и дискуссии вокруг ИИ

2. Введение CS50 в искусственный интеллект с Python | Edx

Этот курс исследует концепции и алгоритмы, лежащие в основе современного искусственного интеллекта, погружаясь в идеи, которые порождают такие технологии, как игровые движки, распознавание рукописного ввода и машинный перевод.

Что вы узнаете в этом курсе:

• алгоритмы поиска по графу. состязательный поиск
• представление знаний, логический вывод
• теория вероятности. Байесовские сети
• Марковские модели, выполнение ограничений
• машинное обучение, обучение с подкреплением, нейронные сети, обработка естественного языка

3. Искусственный интеллект | Edx

Этот курс предоставит широкое понимание основных методов построения интеллектуальных компьютерных систем и понимание того, как ИИ применяется для решения проблем.

Вы узнаете об истории ИИ, интеллектуальных агентах, представлениях проблем в пространстве состояний, неинформированном и эвристическом поиске, игровых процессах, логических агентах и ​​проблемах удовлетворения ограничений.

Что вы узнаете в этом курсе:

• Введение в искусственный интеллект и интеллектуальные агенты, история искусственного интеллекта
• Создание интеллектуальных агентов (поиск, игры, логика, задачи удовлетворения ограничений)
• Алгоритмы машинного обучения
• Приложения ИИ (обработка естественного языка, робототехника / зрение)
• Решение реальных проблем ИИ с помощью программирования на Python

Машинное обучение:

1. Машинное обучение | Coursera

Этот Стэнфордский курс машинного обучения был создан Эндрю Нг, самым известным экспертом в области искусственного интеллекта и машинного обучения, соучредителем Coursera, ведущим основателем исследовательского подразделения Google по глубокому обучению Google Brain, бывшим руководителем отдела искусственного интеллекта в Baidu, а в настоящее время генеральным директором компании Посадка AI

О популярности этого курса машинного обучения можно судить по тому факту, что около 3,5 миллионов студентов и профессионалов уже прошли этот курс, и 93% из них дали ему 5-звездочную оценку.

Этот курс знакомит учащихся с основными идеями машинного обучения, интеллектуального анализа данных и статистического распознавания образов. Это дает им хорошее знание основ математики, статистики и информатики, которые составляют основу автоматизированных обучающих машин.

Что вы узнаете в этом курсе:

• Обзор линейной алгебры
• Линейная регрессия с одной или несколькими переменными и логистическая регрессия
• Контролируемое обучение
• Машины опорных векторов
• Нейронные сети и алгоритм обратного распространения для нейронных сетей
• Неконтролируемое обучение
• Уменьшение размерности
• Обнаружение аномалий
• Рекомендательные алгоритмы
• Глубокое обучение
• Применение алгоритмов машинного обучения с большими наборами данных

2. Учебный курс по Python для науки о данных и машинного обучения | Удеми

Этот курс является одним из самых популярных на Udemy для машинного обучения и анализа данных с помощью Python.

Он учит работать с самыми популярными библиотеками Python, такими как NumPy, Pandas, Matplotlib, SciKit-Learn и многими другими. Он также учит, как теоретически, так и практически, как работают самые известные алгоритмы машинного обучения.

Что вы узнаете в этом курсе:

• Используйте Python для анализа данных и машинного обучения и используйте Spark для анализа больших данных
• Внедрение алгоритмов машинного обучения
• Научитесь использовать NumPy, Pandas, Matplotlib, Seaborn, Plotly и SciKit-Learn
• Кластеризация K-средних, логистическая регрессия, линейная регрессия, случайный лес и деревья решений
• Обработка естественного языка и фильтры спама
• Нейронные сети
• Машины опорных векторов

3. Машинное обучение от А до Я | Удеми

Это, вероятно, самый покупаемый курс и, безусловно, один из самых популярных на Udemy, когда дело доходит до искусственного интеллекта. Поскольку курс разработан двумя профессиональными специалистами по анализу данных, он широк по содержанию. В то же время он организован таким образом, чтобы учащиеся всех уровней могли легко усвоить концепции.

Курс рекомендуется для начинающих, не имеющих предыдущего опыта, предлагает хороший и основательный обзор машинного обучения, а также предлагает хороший баланс между теорией и практической работой.

Что вы узнаете в этом курсе:

• Обработка данных
• Регрессия, Классификация, Кластеризация, Изучение правил ассоциации
• Обучение с подкреплением, глубокое обучение, уменьшение размерности

4. Машинное обучение | Edx

Этот курс обучает основам машинного обучения и алгоритмов, включая методы контролируемого обучения для регрессии и классификации, методы неконтролируемого обучения для моделирования и анализа данных, вероятностное и не вероятностное моделирование, а также алгоритмы оптимизации и вывода.

Что вы узнаете в этом курсе:

• Методы контролируемого обучения для регрессии и классификации
• Методы неконтролируемого обучения для моделирования и анализа данных
• Вероятностные и не вероятностные точки зрения
• Алгоритмы оптимизации и вывода для обучения модели

Глубокое обучение:

1. Специализация по глубокому обучению | Coursera

В этом курсе вы изучите основы глубокого обучения, поймете, как создавать нейронные сети, и научитесь руководить успешными проектами машинного обучения.

Вы узнаете о сверточных сетях, RNN, LSTM, Adam, Dropout, BatchNorm, инициализации Xavier / He и многом другом. Вы будете работать над тематическими исследованиями из здравоохранения, автономного вождения, чтения на языке жестов, создания музыки и обработки естественного языка. Вы освоите не только теорию, но и увидите, как она применяется в промышленности. Вы отработаете все эти идеи на Python и TensorFlow.

Что вы узнаете в этом курсе:

• Основы глубокого обучения и как построить нейронную сеть
• Сверточная сеть, RNN, LSTM, Adam, Dropout, BatchNorm, инициализация Xavier / He и др.

2. Глубокое обучение от А до Я | Удеми

Этот курс - один из лучших курсов глубокого обучения, который вы можете найти на Udemy, он охватывает основные темы этой ветви машинного обучения, рассказывая о различных типах нейронных сетей и многих других темах.

Что вы узнаете в этом курсе:

• Искусственная нейронная сеть, сверточная нейронная сеть и рекуррентная нейронная сеть
• Самоорганизующиеся карты, Машины Больцмана, Автоэнкодеры

Обучение с подкреплением:

1. Искусственный интеллект: обучение с подкреплением в Python

Обучение с подкреплением - это совершенно другая парадигма в искусственном интеллекте и машинном обучении. Это дало нам удивительное понимание как поведенческой психологии, так и нейробиологии, и это самое близкое, что у нас есть до настоящего времени, к истинному общему искусственному интеллекту.

Этот курс - один из лучших курсов искусственного интеллекта по обучению с подкреплением. Он дает учащимся основы обучения с подкреплением на основе искусственного интеллекта, уделяя особое внимание биржевой торговле и онлайн-рекламе. Это дает представление о методах искусственного интеллекта, которые невозможно увидеть в традиционном машинном обучении с учителем, машинном обучении без учителя или даже в глубоком обучении.

Этот курс лучше всего подходит для тех, кто уже имеет базовые знания теоретических и технических аспектов ИИ и хочет досконально изучить обучение с подкреплением. Поскольку он преподает концепции продвинутого уровня, ожидается, что студенты будут знать исчисление, вероятность, объектно-ориентированное программирование, кодирование Python, кодирование Numpy, линейную регрессию, градиентный спуск и т. Д.

Что вы узнаете в этом курсе:

• Проблема многорукого бандита и дилемма исследовать-эксплуатировать
• Способы вычисления средних и скользящих средних и их связь со стохастическим градиентным спуском
• Марковские процессы принятия решений (MDP)
• Динамическое программирование
• Монте-Карло
• Обучение временной разнице (TD) (Q-Learning и SARSA)
• Методы аппроксимации

2. Специализация обучения с подкреплением | Coursera

Что вы узнаете в этом курсе:

• Создайте систему обучения с подкреплением для последовательного принятия решений.
• Изучите пространство алгоритмов RL (временное обучение, Монте-Карло, Сарса, Q-обучение, Градиенты политики, Dyna и др.).
• Поймите, как формализовать вашу задачу как проблему обучения с подкреплением и как приступить к реализации решения.
• Понять, как RL вписывается в более широкий круг машинного обучения и как он дополняет глубокое обучение, контролируемое и неконтролируемое обучение.

Обработка естественного языка:

1. Специализация по обработке естественного языка | Coursera

Что вы узнаете в этом курсе:

• Используйте логистическую регрессию, наивный байесовский анализ и векторы слов для анализа настроений, полных аналогий и перевода слов
• Использование динамического программирования, скрытых марковских моделей и встраивания слов для реализации автозамены, автозаполнения и определения тегов части речи для слов
• Используйте повторяющиеся нейронные сети, LSTM, GRU и сиамскую сеть в TensorFlow и Trax для анализа настроений, генерации текста и распознавания именованных сущностей.
• Используйте кодировщик-декодер, причинно-следственную связь и самовнимание для машинного перевода полных предложений, обобщения текста, создания чат-ботов и ответов на вопросы

___________________________________________________________________

Мы, наконец, подошли к концу списка, я надеюсь, что он будет полезен для вас и может вдохновить вас и подтолкнуть вас на этот долгий путь изучения технологии, которая заложит основы нашего будущего как вида
Наконец, если у вас есть какие-либо вопросы или предложения, не стесняйтесь оставлять их в комментариях ниже.

Другие статьи из ресурсов, которые могут вам понравиться