Python 神经网络编程之学习笔记——转学习人工智能路径

路径一:一步一个脚印,扎扎实实从基础学起,逐步提高学习难度

Step1:了解行业资讯,先来一波科普

所以在学习人工智能之前,你先了解一下行业得相关资讯,对这个行业有一个基本的认识,那么接下来你要准备学习了

Step2:务实基础—高数+Python来当道

机器学习里面涉及了很多算法,而这些算法又是数学推导出来,所以你要理解算法,就需要先学习一部分高数知识。不管是你在机器几面编辑一个算法还是应用算法,你都需要通过写程序来和机器进行对话,那么你需要编程,假如你的造诣比较高,可以用C语言,如果你是转行过来或者以前没有编程基础,那么学习Python会不错,因为Python语言相对比较简单。

Step3:机器学习算法+实践

掌握以上基础以后,就要开始学习完机器学习的算法,并通过案例实践来加深理解和掌握。还有很多机器学习的小案例等着你来挑战,前面掌握的好,后面当然轻松很多,步入深度学习

Step4:深度学习

深度学习需要机器大量的经过标注的数据来训练模型,所以你的掌握一些数据挖掘和数据分析的技能,然后你再用来训练模式。在这里你可能会有疑问,据说深度学习,好像有很多神经网络,看着好复杂,编辑这些神经网络那不是太难了,你大可放心,谷歌、亚马逊、微软等大公司已经把这些神经网络模型封装在他们各自的框架里面了,你只需要调用就可以了。

Step5:行业大型项目实践

当你学习完深度学习,此时你就可以自己动手训练一个小模型了。有条件的话,从一个项目的前期数据挖掘,到中间模型训练,并做出一个有意思的原型,能把一整套的流程跑通,那么恭喜你,你已经具备一名人工智能初级工程师的水准了

为了方便让你理解,我给你列举了学习课程的大纲:

1、人工智能基础 — 高等数学必知必会

数据分析(就是高数)

常数e

导数

梯度

Taylor

gini系数

信息熵与组合数

梯度下降

牛顿法

2.概率论(大一大二学过有木有)

微积分与逼近论

极限、微分、积分基本概念

利用逼近的思想理解微分,利用积分的方式理解概率

概率论基础

古典模型

常见概率分布

大数定理和中心极限定理

协方差(矩阵)和相关系数

最大似然估计和最大后验估计

3.线性代数及矩阵(大一大二学过有木有)

线性空间及线性变换

矩阵的基本概念

状态转移矩阵

特征向量

矩阵的相关乘法

矩阵的QR分解

对称矩阵、正交矩阵、正定矩阵

矩阵的SVD分解

矩阵的求导

矩阵映射/投影

4.凸优化(看不懂不要紧,掌握基础即可)

凸优化基本概念

凸集

凸函数

凸优化问题标准形式

凸优化之Lagerange对偶化

凸优化之牛顿法、梯度下降法求解

2、人工智能基础-Python入门及实践课程

Python快速入门

科学计算库Numpy

数据分析处理库Pandas

可视化库Matplotlib

更简单的可视化Seaborn

3、人工智能提升 — Python项目

Python爬虫项目

4、机器学习基础入门-算法讲解

线性回归算法

梯度下降原理

逻辑回归算法

案例实战:Python实现逻辑回归

案例实战:对比不同梯度下降策略

案例实战:Python分析科比生涯数据

案例实战:信用卡欺诈检测

决策树构造原理

案例实战:决策树构造实例

随机森林与集成算法

案例实战:泰坦尼克号获救预测

贝叶斯算法推导

案例实战:新闻分类任务

Kmeans聚类及其可视化展示

DBSCAN聚类及其可视化展示

案例实战:聚类实践

降维算法:线性判别分析

案例实战:Python实现线性判别分析

降维算法:PCA主成分分析

案例实战:Python实现PCA算法

5、机器学习进阶提升-项目演练

EM算法原理推导

GMM聚类实践

推荐系统

案例实战:Python实战推荐系统

支持向量机原理推导

案例实战:SVM实例

时间序列ARIMA模型

案例实战:时间序列预测任务

Xgbooost提升算法

案例实战:Xgboost调参实战

计算机视觉挑战

神经网络必备基础

神经网络整体架构

案例实战:CIFAR图像分类任务

语言模型

自然语言处理-word2vec

案例实战:Gensim词向量模型

案例实战:word2vec分类任务

探索性数据分析:赛事数据集

探索性数据分析:农粮组织数据集

6、深度学习基础

计算机视觉-卷积神经网络

三代物体检测框架

卷积神经网络基本原理

卷积参数详解

案例实战CNN网络

网络模型训练技巧

经典网络架构与物体检测任务

深度学习框架Tensorflow基本操作

Tensorflow框架构造回归模型

Tensorflow神经网络模型

Tensorflow构建CNN网络

Tensorflow构建RNN网络

Tensorflow加载训练好的模型

深度学习项目实战-验证码识别

深度学习框架Caffe网络配置

Caffe制作数据源

Caffe框架小技巧

Caffe框架常用工具

7、深度学习项目演练

项目演练:人脸检测数据源制作与网络训练(基于Caffe)

项目演练:实现人脸检测(基于Caffe)

项目演练:关键点检测第一阶段网络训练(基于Caffe)

项目演练:关键点检测第二阶段模型实现(基于Caffe)

项目演练:对抗生成网络(基于Tensorflow)

项目演练:LSTM情感分析(基于Tensorflow)

项目演练:机器人写唐诗(基于Tensorflow)

项目演练:文本分类任务解读与环境配置

项目演练:文本分类实战(基于Tensorflow)

项目演练:强化学习基础(基于Tensorflow)

项目演练:DQN让AI自己玩游戏(基于Tensorflow)

8、人工智能综合项目实战

语音识别、人脸识别、

电商网站数据挖掘及推荐算法

金融P2P平台的智能投资顾问

自动驾驶技术

医疗行业疾病诊断监测

教育行业智能学习系统

路径二、如果你希望快速学习完进行项目实践,请直接学习深度学习(哪里不懂,单独学习不懂得地方就可以了)

你可能感兴趣的:(Python 神经网络编程之学习笔记——转学习人工智能路径)