|
想要入门人工智能，必须两个工具，即算法知识和海量的数据，外加一台计算机，倘若有GPU就更好了。
1、学习并把握有些数学知识
高等数学是基本中的基本，一切理工科都必须这个打底，数据挖掘、人工智能、模式识别此类跟数据打交道的又尤其必须多元微积分运算基本
线性代数很要紧，通常来讲线性模型是你最先要思虑的模型，加上很可能要处理多维数据，你必须用线性代数来简洁清晰的描述问题，为分析求解奠定基本
概率论、数理统计、随机过程更加是少不了，触及数据的问题，不确定性几乎是不可避免的，引入随机变量顺理成章，关联理论、办法、模型非常丰富。非常多设备学习的算法都是创立在概率论和统计学的基本上的，例如贝叶斯归类器、高斯隐马尔可夫链。
再便是优化理论与算法，除非你的问题是像二元一次方程求根那样有现成的公式，否则你将不得不面对各样看起来没解然则要解的问题，优化将是你的GPS为你指路
有以上这些知识打底，就能够开拔了，针对详细应用再弥补关联的知识与理论，例如说有些我觉得有帮忙的是数值计算、图论、拓扑，更理论一点的还有实/复分析、测度论，偏工程类一点的还有信号处理、数据结构。
2、把握经典设备学习理论和算法
倘若有时间能够为自己创立一个设备学习的知识图谱，并争取把握每一个经典的设备学习理论和算法，我简单地总结如下：
①回归算法：平常的回归算法包含最小二乘法（OrdinaryLeast Square），规律回归（Logistic Regression），逐步式回归（Stepwise Regression），多元自适应回归样条（MultivariateAdaptive Regression Splines）以及本地散点平滑估计（Locally Estimated Scatterplot Smoothing）；
② 基于实例的算法：平常的算法包含 k-Nearest Neighbor(KNN), 学习矢量量化（Learning Vector Quantization， LVQ），以及自组织映射算法（Self-Organizing Map ， SOM）；
③ 基于正则化办法：平常的算法包含：Ridge Regression， Least Absolute Shrinkage and Selection Operator（LASSO），以及弹性网络（Elastic Net）；
④决策树学习：平常的算法包含：归类及回归树（ClassificationAnd Regression Tree， CART），ID3 (Iterative Dichotomiser 3)，C4.5， Chi-squared Automatic Interaction Detection(CHAID), Decision Stump, 随机森林（Random Forest），多元自适应回归样条（MARS）以及梯度推进机（Gradient Boosting Machine，GBM）；
⑤ 基于贝叶斯办法：平常算法包含：朴素贝叶斯算法，平均单依赖估计（AveragedOne-Dependence Estimators， AODE），以及Bayesian Belief Network（BBN）；
⑥ 基于核的算法：平常的算法包含支持向量机（SupportVector Machine
| 
发表于 2024-7-1 08:54:16
