您现在的位置: 首页 > 网站导航收录 > 百科知识百科知识

人工智能应该怎么学习呢？学习路线是什么？

人工智能,算法,基础人工智能应该怎么学习呢？学习路线是什么？

发布时间：2019-02-08加入收藏来源：互联网点击：

所以要有一定的数学基础：微积分、概论、线性代数；

其次是算法与模型，这也是重中之重，算法模型学不好以后会很痛苦，甚至有些方面完全不能理解。

 

对自学没有信心的话可以参加社会上的培训课程，从零开始到高级课程全都有，找感兴趣的，然后就是坚持下去。但总体来说市场上的课程还是有些乱，要边学便自己梳理知识体系。

 

此外，还要深入了解一些框架：

谷歌的Tensorflow:

TensorFlow是一个开源软件库，可以描述一幅数据计算的数据流图（data flow graph）,用于各种感知和语言理解任务的机器学习。当前被50个团队用于研究和生产许多Google商业产品，如语音识别、Gmail、Google 相册和搜索。

Facebook 的 PyTorch：

与TensorFlow抗衡的学习框架，由 Facebook 的团队开发，并于 2017 年在 GitHub 上开源。

TensorFlow 和PyTorch的关键差异是它们执行代码的方式。这两个框架都基于基础数据类型张量（tensor）而工作。TensorFlow更像是一种语言，而PyTorch与Python结合的更紧密。

TensorFlow 是一种非常强大和成熟的深度学习库，具有很强的可视化功能和多个用于高级模型开发的选项。它有面向生产部署的选项，并且支持移动平台。另一方面，PyTorch 框架还很年轻，拥有更强的社区动员，而且它对 Python 友好。

所以如果你想更快速地开发和构建 AI 相关产品，TensorFlow 是很好的选择。建议研究型开发者使用 PyTorch，因为它支持快速和动态的训练。

两者还有很多差异，各有优缺点，可以在实践中慢慢摸索。

以上内容都完全懂了，就算入门了。

回答于 2019-09-11 08:43:50

学习机里零基础的教育方案都有，不用担心，买好点的，可以学到高中，教师视频一对一的辅导，不会什么问题可以跟机器人交流，它会给你一一的解释

回答于 2019-09-11 08:43:50

人工智能涉及到的学科涉及到数学和计算机科学。所以，学好人工智能首先需要具备一些相关的基础知识。

数学方面，主要包括一些概率统计知识，线性代数矩阵的运算，简单的微积分运算。这些知识复习一下大学的高等数学就足够了。

计算机方面，需要掌握一门编程语言，在人工智能领域，Python是比较易于掌握和应用的编程语言，很多人工智能算法框架也都基于Python开发。Python的学习除了基本的语言外，还需要进一步熟悉Numpy、Pandas等数学和分析库的使用，这些在后面的算法实现中都必不可少。

有了以上的基础，那么就要开始了解一些人工智能算法的基本原理，常见的算法分类包括贝叶斯、决策树、线性分类器、支持向量机(SVM)、主成份分析（PCA）、深度学习和神经网络等。需要对各类算法的原理、使用方法、优缺点有一定了解。相关知识可以通过互联网上的视频公开课学习，并且很多资源都是免费的。

对各类人工智能算法有了理论学习后，就需要通过实践来掌握这些算法的具体应用和相关工具的使用。常见的人工智能框架有SciPy，TensorFlow， Keras, PyTorch等。建议可以先从SciPy和Keras入手，通过对一些典型问题的解决来熟悉这些工具的使用，并初步掌握人工智能算法模型的构建方法。

完成这些任务之后，你就算是踏入人工智能的大门了。当然这只是万里长征第一步，想要把你的所学的知识运用到实际工作中，还有更多细节需要学习和掌握，例如：数据的收集、清理、分析；模型的构建、训练，参数的调整和优化，性能的优化，与应用端的结合，算法的实现和部署等等。这些都可能更需要在实际工作中完成。

回答于 2019-09-11 08:43:50

人工智能学习的话，涉及的东西比较多。大概包括：编程语言的选择、智能算法学习、数据库。作为一项新的技术，缺少成熟的系统课程，因此，你要很强的自我学习能力，各大技术论坛多逛逛，多交流，国外的技术论坛必不可少，因此，你要提高提高自己英语水平。

回答于 2019-09-11 08:43:50

最好搞懂什么是人工神经网络（Artificial Neural Network，即ANN ），这是20世纪80 年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象， 建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。

 4/10   首页 上一页 2 3 4 5 6 7 下一页 尾页