|
原文 | Ray Alez 此文是想要进入人工智能这个领域、但不知道从哪里开始的初学者最佳的学习资源列表。原文是 Ray Alez 编写的“Artificial Intelligence resources”，简单翻译后供大家参考。
有关机器学习领域的最佳介绍，请观看Coursera的Andrew Ng机器学习课程（https://www./learn/machine-learning）。它解释了基本概念，并让你很好地理解最重要的算法。 有关ML算法的简要概述，查看这个TutsPlus课程“Machine Learning Distilled ”（https://code./courses/machine-learning-distilled）。 “Programming Collective Intelligence”（ https://www.amazon.com/Programming-Collective-Intelligence-Building-Applications/dp/0596529325 ）这本书是一个很好的资源，可以学习 ML 算法在 Python 中的实际实现。 它需要你通过许多实践项目，涵盖所有必要的基础。 这些不错的资源你可能也感兴趣： ◆Perer Norvig 的Udacity Course on ML（ML Udacity 课程）（https://www./course/intro-to-artificial-intelligence—cs271） ◆Tom Mitchell 在卡梅隆大学教授的Another course on ML（另一门ML课程）（http://www.cs./~tom/10701_sp11/lectures.shtml） ◆YouTube 上的机器学习教程mathematicalmonk（https://www./playlist?list=PLD0F06AA0D2E8FFBA）
关于深度学习的最佳介绍，我遇到最好的是Deep Learning With Python（https:///deep-learning-with-python/）。它不会深入到困难的数学，也没有一个超长列表的先决条件，而是描述了一个简单的方法开始DL，解释如何快速开始构建并学习实践上的一切。它解释了最先进的工具（Keras，TensorFlow），并带你通过几个实际项目，解释如何在所有最好的 DL 应用程序中实现最先进的结果。 在 Google 上也有一个great introductory DL course（https://www./playlist?list=PLOU2XLYxmsIIuiBfYad6rFYQU_jL2ryal），还有Sephen Welch的great explanation of neural networks （http:///series/neural-networks-demystified）。 之后，为了更深入地了解，这里还有一些有趣的资源： ◆Geoffrey Hinton 的 coursera 课程“Neural Networks for MachineLearning”（https://www./learn/neural-networks）。这门课程会带你了解 ANN 的经典问题——MNIST 字符识别的过程，并将深入解释一切。 ◆MIT Deep Learning（深度学习）一书。 ◆UFLDL tutorial by Stanford（斯坦福的 UFLDL 教程）（http://deeplearning./wiki/index.php/UFLDL_Tutorial） ◆deeplearning.net教程 （http:///tutorial/） ◆Michael Nielsen 的Neural Networks and Deep Learning（神经网络和深度学习）一书（http:///） ◆Simon O. Haykin 的Neural Networks and Learning Machines（神经网络和机器学习）一书（https://www.amazon.com/Neural-Networks-Learning-Machines-Edition/dp/0131471392）
“ Artificial Intelligence： A Modern Approach (AIMA)”https://www.amazon.com/Artificial-Intelligence-Modern-Approach-Edition/dp/0136042597 （人工智能：现代方法） 是关于“守旧派” AI最好的一本书籍。这本书总体概述了人工智能领域，并解释了你需要了解的所有基本概念。 来自加州大学伯克利分校的 Artificial Intelligence course（人工智能课程）https://www./channel/UCshmLD2MsyqAKBx8ctivb5Q/videos是一系列优秀的视频讲座，通过一种非常有趣的实践项目（训练AI玩Pacman游戏 ）来解释基本知识。 我推荐在视频的同时可以一起阅读AIMA，因为它是基于这本书，并从不同的角度解释了很多类似的概念，使他们更容易理解。它的讲解相对较深，对初学者来说是非常不错的资源。 大脑如何工作 如果你对人工智能感兴趣，你可能很想知道人的大脑是怎么工作的，下面的几本书会通过直观有趣的方式来解释最好的现代理论。 ◆Jeff Hawkins 的On Intelligence（有声读物）https://www.amazon.com/On-Intelligence-Jeff-Hawkins/dp/0805078533 ◆G?del， Escher， Bachhttps://www.amazon.com/G%C3%B6del-Escher-Bach-Eternal-Golden/dp/0465026567 我建议通过这两本书入门，它们能很好地向你解释大脑工作的一般理论。 其他资源 Ray Kurzweil的How to Create a Mind（如何创建一个头脑Ray Kurzweil） (有声读物).https://www.amazon.com/How-Create-Mind-Thought-Revealed/dp/0143124048/ Principles of Neural Science（神经科学原理）https://www.amazon.com/Principles-Neural-Science-Fifth-Kandel/dp/0071390111/ref=sr_1_1?ie=UTF8&qid=1469789160&sr=8-1&keywords=principles+of+neural+science是我能找到的最好的书，深入NS。 它谈论的是核心科学，神经解剖等。 非常有趣，但也很长 - 我还在读它。
以下是你开始学习AI需要了解的非常基本的数学概念： 微积分学 ◆ Khan Academy Calculus videos（可汗学院微积分视频）https://www./playlist?list=PL19E79A0638C8D449 ◆MIT lectures on Multivariable Calculus（MIT关于多变量微积分的讲座）https://ocw./courses/mathematics/18-02sc-multivariable-calculus-fall-2010/index.htm 线性代数 ◆Khan Academy Linear Algebra videos（可汗学院线性代数视频）https://www./playlist?list=PLFD0EB975BA0CC1E0 ◆MIT linear algebra videos by Gilbert Strang（Gilbert Strang的MIT线性代数视频）https://ocw./courses/mathematics/18-06-linear-algebra-spring-2010/video-lectures/ Coding the Matrix（编码矩阵） - 布朗大学线程代数CS课程https://cs./video/channels/coding-matrix-fall-2014/?page=2 概率和统计 ◆可汗学院 Probability（概率）https://www./playlist?list=PLC58778F28211FA19与 Statistics（统计）https://www./playlist?list=PL1328115D3D8A2566 视频 ◆edx probability course （edx概率课程）https://www./course/introduction-probability-science-mitx-6-041x-1#.VJfS2LQAKc
要掌握AI，你要熟悉计算机科学和编程。 如果你刚刚开始，我建议阅读Dive Into Python 3（深入Python 3）http://www./这本书，你在Python编程中所需要的大部分知识都会提到。 要更深入地了解计算机编程的本质 - 看这个经典的MIT course（MIT课程）https://www./watchv=2Op3QLzMgSY&list=PLE18841CABEA24090#t=253。 这是一门关于lisp和计算机科学的基础的课程，基于 CS -结构和计算机程序的解释中最有影响力的书之一。
◆ Metacademy - 是你知识的“包管理器”。 你可以使用这个伟大的工具来了解你需要学习不同的ML主题的所有先决条件。https:/// 来源 | 开源中国 |
|
|
