当前位置:首页 > 百科 > 正文

人工智能课(对人工智能的认识1000字)

人工智能课(对人工智能的认识1000字)  第1张

1.Andrew Ng的机器学习课程可以作为入门。

这门课程花费了很多的课时去讲解监督学习算法,例如线性回归、逻辑回归、SVM等,同时也花了很多时间去讨论无监督学习算法,例如聚类、降维和异常检测等等。

本课程中还涉及到了一些机器学习在学术界和工业界的应用,像推荐系统、计算机视觉的滑动窗口对象分类等。这门课能够很好地帮助刚接触人工智能的同学们入门,如果认真地去完成课后作业,也会使同学们在相关工具的使用上变得熟练。

链接:https://www.bilibili.com/video/av9912938

2.需要了解AI如何布局到公司以及AI对社会的影响,可以参考Andrew Ng的最新课程《AI for everyone》。

这是一门非技术类的课程,更主要的是谈论AI如何布局到公司以及随着AI的发展会给我们的社会带来什么样的影响。但是对于现在在工业界的人士来讲,是很有帮助的。

从这门课的大纲来看,我们可以学到常见人工智能的相关概念、人工智能可以做什么,不可以做什么、AI怎么布局到公司中、怎么和AI团队建立合作以及AI引发的相关伦理道德问题。

链接:https://www.coursera.org/learn/ai-for-everyone?action=enroll&errorCode=existingCourseraAccount

3.Google的机器学习速成课程,这门课从文字到声音都有中文版,适合多数当代刚入门的大学生。

这个速成课通过20小时的密集型实践课程来介绍机器学习的基础知识,并且附带TensorFlow练习。谷歌官方称其为机器学习爱好者的自学指南,并且相关的课程资料都是用中文来编写的,对于刚入门的大学生和爱好者在知识理解上会有很大的帮助。

链接:https://developers.google.com/machine-learning/crash-course

4.台湾大学林轩田的机器学习基石和机器学习技法课程也非常不错。

台湾大学的林轩田老师开的这两门有关机器学习的课程是全球首例纯国语授课的机器学习课程,其中机器学习基石主要涉及一些机器学习的基础知识,包含了少量的理论知识。另外一门机器学习技法则主要侧重机器学习的应用技能,对于有兴趣爱好的同学来讲十分适合。

链接:http://www.csie.ntu.edu.tw/~htlin/mooc/

5.台湾大学李宏毅的深度强化学习课程。

这门课程是深度学习的进阶版,非常适合深度学习的相关从业者,课程内容丰富易懂。但是在学习这门课之前建议大家先去看一下李宏毅老师的《一天搞懂深度学习》的ppt,在ppt中对深度学习的原理,目前的应用和未来的发展进行了相关介绍。在学习完成以后我们就可以学习深度强化学习了。深度强化学习这门课主要介绍了一些高级算法,像策略梯度算法、近端策略优化、Q-learning算法等等,适合想要深入研究深度学习的同学们。

一天搞懂深度学习ppt:http://ishare.iask.sina.com.cn/f/15YsFr66p-a.html

深度强化学习:http://www.bilibili.com/video/av24724071

6.斯坦福CS224d自然语言处理的深度学习。

这门课是全球NLP(自然语言处理)领域最受欢迎的课程之一,不仅能够让我们了解丰富的自然语言处理应用案例,而且能让我们在实践中去学会搭建最先进的自然语言处理模型。

该课程全面介绍了应用于NLP的深度学习尖端研究。在模型方面,介绍词向量表示、基于窗口的神经网络、时间递归神经网络、长期短期记忆模型、结构递归神经网络、卷积神经网络以及一些涉及存储器组件的最新模型。通过课后作业,我们能够掌握神经网络解决实际NLP问题的必备技巧。

链接:http://cs224d.stanford.edu/syllabus.html

7.斯坦福CS231n面向视觉识别的卷积神经网络。

计算机视觉在社会中已经逐渐普及,并广泛运用于搜索检索、图像理解、手机应用、地图导航、医疗制药、无人机和无人驾驶汽车等领域。而这些应用的核心技术就是图像分类、图像定位和图像探测等视觉识别任务。神经网络方法上的进展极大地提升了这些代表当前发展水平的视觉识别系统的性能。

这门课程深入讲解了深度学习框架的细节问题,聚焦面向视觉识别任务(尤其是图像分类任务)的端到端学习模型。在10周的课程中,学生们将会学习如何实现、训练和调试他们自己的神经网络,并建立起对计算机视觉领域的前沿研究方向的细节理解。最终的作业将包括训练一个有几百万参数的卷积神经网络,并将其应用到最大的图像分类数据库(ImageNet)上。

链接:http://vision.stanford.edu/teaching/cs231n/index.html

8.UC Berkeley CS294深度强化学习。

这门课主要包含以下内容:从监督学习到决策,Q学习和策略梯度,高级模型学习和预测、distillation、奖励学习,置信域策略梯度、actor-critic 方法、探索等。通过这门课程的学习,能够让我们了解最新最前沿的深度学习技术,对于以后不论从事科研或者是项目开发都很有帮助。

课程主页:http://rll.berkeley.edu/deeprlcourse/

链接:https://www. ********* .com/playlist?list=PLkFD6_40KJIznC9CDbVTjAF2oyt8_VAe3

9.MIT自动驾驶课程《Deep Learning for Self-DrivingCars》。

这门课程的针对性较强,主要针对对自动驾驶有兴趣的同学,这门课对于无人驾驶能够应用到的技术进行了详细的介绍,在介绍深度学习部分,概述了计算机视觉领域研究的难点,深度学习得以大规模发展的几个原因,目前的几个制约其发展的因素,深度学习的主要应用等。

这部分可以促进入门者对于深度学习的理解。同时还提出了一些目前自动驾驶方面存在的挑战,也介绍了常用的框架和工具。有意从事自动驾驶方面工作的同学可以仔细学习一下。

链接:https://selfdrivingcars.mit.edu/

10.Deeplearning.ai最新的TensorFlow2.0课程《Introduction to TensorFlow for Artificial Intelligence, MachineLearning, and Deep Learning》发布在coursera上。

在最开始的时候我们提到了Andrew Ng的机器学习课程,这个TensorFlow课程将会教我们怎么用TensorFlow去实现之前学过的机器学习和深度学习的算法。

通过这门课程我们可以开始构建属于自己的AI项目,有很强的实践性,这样我们就可以用学过的知识去解决实际问题。另外课程的所有课后作业基于Google的Colaboratory平台,有点类似于我们平时用的Jupyter,在线的使用方式让我们省去了很多配置环境的麻烦。

链接:https://www.coursera.org/learn/introduction-tensorflow/

人工智能课(对人工智能的认识1000字)  第2张