Wer ist das Ziel dieses Artikels?

Zweck des Schreibens eines Artikels

Die Begriffe KI und Deep Learning gibt es schon lange, aber ich habe den Eindruck, dass nur wenige Menschen die Bedeutung wirklich verstehen und sprechen. Ich denke, es ist äußerst gefährlich, eine Diskussion darüber zu führen, "was KI tun kann", wie es heute in Japan der Fall ist.

Ich denke, der Grund, warum es so eine technische Diskussion über KI gibt, ist, dass Sie die mathematischen Grundlagen des maschinellen Lernens nicht wirklich verstehen.

Solange Sie die grundlegende Theorie verstehen, sollten Sie leicht vorhersagen können, was KI kann und wie es in Zukunft weitergehen wird.

Zielgruppe und Wissen, das verfügbar sein sollte, um maschinelles Lernen usw. zu lernen.

Dieser Artikel ist für alle gedacht, die oft von KI hören, es aber nicht wirklich verstehen.

Maschinelles Lernen, insbesondere tiefes Lernen, kann mit Kenntnissen der Mathematik der High School vollständig verstanden werden. Ich denke jedoch, dass es besser ist, die Differenzierung zu verstehen.

Darüber hinaus denke ich, dass Sie einige Programmierkenntnisse haben sollten. Für die Bücher und Video-Unterrichtsmaterialien, die ich vorstellen werde, besteht die grundlegende Methode zum Studieren von Eisenplatten darin, maschinelles Lernen zu lernen, während Sie Ihre Hände durch Programmieren bewegen.

Um den Wissensstand dieses Artikels zusammenzufassen, bedeutet dies, dass "Sie in der Lage sein sollten, Programmierung zu lesen, ohne mathematische Kenntnisse vorauszusetzen".

Wie man studiert

Überblick über die Studienmethode

Als Lernmethode für maschinelles Lernen empfehlen wir dringend, aus dem tiefen Lernen zu lernen. Es besteht das Gefühl, dass Deep Learning wie der letzte Chef des maschinellen Lernens auf der Welt behandelt wird, aber in Bezug auf das Verständnis ist dies nicht der Fall.

Mit dem Aufkommen des tiefen Lernens ist sicherlich der aktuelle KI-Boom eingetreten. Unter den vielen Algorithmen für maschinelles Lernen kann jedoch das neuronale Netzwerk, das die Grundlage für tiefes Lernen bildet, als sehr einfach bezeichnet werden.

Deep Learning war revolutionär

Erhöhen Sie (tief) die Anzahl der Berechnungen des neuronalen Netzwerks (ich wage es vage zu sagen lol),
Mit nur wenig "Einfallsreichtum" zusätzlich zum neuronalen Netz Es war möglich, explosive Genauigkeit zu erzeugen.

Ein wenig "Einfallsreichtum" von 2 ist wichtig für tiefes Lernen, aber die Methode dieses "Einfallsreichtums" unterscheidet sich zwischen (1) mehrdimensionalen Daten wie der Bilderkennung und (2) Zeitreihendaten wie der Verarbeitung natürlicher Sprache. Ich werde.

Wenn Sie bisher verstehen können, können Sie sagen, dass Sie die Grundlagen des tiefen Lernens verstehen.

Es reicht aus, tiefes Lernen zu studieren, bevor man allgemein maschinelles Lernen studiert. Erstens, wenn Sie tiefes Lernen mit dem Gefühl des letzten Chefs verstehen können, können Sie denken, dass "maschinelles Lernen einfach ist" lol Außerdem besteht das Studium des maschinellen Lernens danach hauptsächlich darin, jeden Algorithmus zu verstehen und zu versuchen, ihn tatsächlich zu verwenden. Daher ist dies möglicherweise nur erforderlich, wenn Sie Ingenieur sind.

Das Folgende sind die Präsentationsmaterialien für tiefes Lernen, die ich in Lernsitzungen vorgestellt habe. Wir hoffen, dass Sie Ihr Verständnis vertiefen, indem Sie es zusammen mit den Büchern und Videos ansehen, die wir in Zukunft vorstellen werden.

Lass uns gehen!

Buch- und Videostudienauftrag

Studiere, dass ich möchte, dass Leute, die keine Ingenieure sind, das tun

Das erste, was zu lesen ist, ist

[Deep Learning von Grund auf neu und Theorie des mit Python erlernten Deep Learning](https://www.amazon.co.jp/%E3%82%BC%E3%83%AD%E3%81%8B%] E3% 82% 89% E4% BD% 9C% E3% 82% 8BDeep-Learning-% E2% 80% 95Python% E3% 81% A7% E5% AD% A6% E3% 81% B6% E3% 83% 87 % E3% 82% A3% E3% 83% BC% E3% 83% 97% E3% 83% A9% E3% 83% BC% E3% 83% 8B% E3% 83% B3% E3% 82% B0% E3 % 81% AE% E7% 90% 86% E8% AB% 96% E3% 81% A8% E5% AE% 9F% E8% A3% 85-% E6% 96% 8E% E8% 97% A4-% E5 % BA% B7% E6% AF% 85 / dp / 4873117585 / ref = sr_1_1? __Mk_ja_JP =% E3% 82% AB% E3% 82% BF% E3% 82% AB% E3% 83% 8A & crid = 3KK1Y2AGRRRY3 & keywords = deep + Lernen & qid = 1575984944 & sprefix = tief + lea% 2Caps% 2C393 & sr = 8-1) ist.

Ich denke, dies ist ein Muss für jeden, der tiefes Lernen auch nur ein wenig verstehen möchte. Die Bewertung ist auch extrem hoch. Die Haltung ist, während des Schreibens von Python-Code zu lernen, aber ich denke, es ist genug, wenn Sie die Bedeutung verstehen können. Dies ist eine sehr leicht verständliche Beschreibung des tiefen Lernens für die Bilderkennung.

Sie können den Umriss des neuronalen Netzwerks verstehen, das die Grundlage für tiefes Lernen bildet, und die Technik, die als "Faltung" bezeichnet wird und ein Gerät zur Bilderkennung ist.

Wenn Sie sich nur einen groben Überblick über die Grundlagen der KI verschaffen möchten, reicht es meiner Meinung nach aus, diesen Artikel hier zu Ende zu lesen. Sie können die Grundlagen des tiefen Lernens mit nur einem Buch beherrschen.

Nach dem Lesen dieses Buches oder gleichzeitig Udemy's

Maschinelles Lernen mit Python: Einführung in die mit scikit-learn erlernte Identifikation

Bitte schauen Sie sich ** half ** an (lacht).

Der Kursleiter erklärt dies tatsächlich, während er die Programmierung verschiebt. Selbst wenn Sie keine Person sind, die das Engineering ernsthaft versteht, können Sie die Gliederung verstehen.

Dieses Video erklärt genau, was "maschinelles Lernen" ist. Ich denke, Sie können sich einen Überblick über maschinelles Lernen verschaffen, indem Sie dieses Video ansehen, während Sie das obige Buch lesen.

Und der Punkt, dass dieses Video als ergänzendes Material für das obige Buch gut ist, ist, dass es die Technologie "Grundlagen neuronaler Netze Grundlagen des tiefen Lernens" namens "Perceptron" richtig erklärt. Hervorragend ist auch die Erklärung des gleichzeitig auftretenden Grundkonzepts der "Verlustfunktion".

Wenn Sie diesen Bereich richtig verstehen, können Sie tiefes Lernen fast perfekt verstehen.

Als nächstes empfehle ich den gleichen Autor wie das obige Buch und die gleiche Serie.

[Deep Learning von Grund auf neu ❷ - Verarbeitung natürlicher Sprache](https://www.amazon.co.jp/%E3%82%BC%E3%83%AD%E3%81%8B%E3%82% 89% E4% BD% 9C% E3% 82% 8BDeep-Learning-% E2% 80% 95% E8% 87% AA% E7% 84% B6% E8% A8% 80% E8% AA% 9E% E5% 87 % A6% E7% 90% 86% E7% B7% A8-% E6% 96% 8E% E8% 97% A4-% E5% BA% B7% E6% AF% 85 / dp / 4873118360 / ref = sr_1_2? =% E3% 82% AB% E3% 82% BF% E3% 82% AB% E3% 83% 8A & crid = 3KK1Y2AGRRRY3 & keywords = deep + learning & qid = 1575989494 & sprefix = deep + lea% 2Caps% 2C393 & sr = 8-2

ist. Es beschreibt die Technologie, mit der KI unsere menschliche Sprache lernen kann (oder natürliche Sprache, um es schwierig auszudrücken). Wenn Sie neugierig sind, wie Google Translation und Alexa intelligenter werden, werfen Sie einen kurzen Blick darauf.

Es ist keine Übertreibung zu sagen, dass die meisten KI-Diskussionen in der Welt verstanden werden können, wenn man den Inhalt der beiden oben genannten Ausgaben, Bilderkennung und Verarbeitung natürlicher Sprache, versteht. Sie können auch sehen, wer auf Twitter etwas Technisches sagt und Nachrichten mit einem doy Gesicht lol

Für diejenigen, die als Ingenieur die Basistechnologie verstehen wollen

Von hier an ist es für Ingenieure. Lassen Sie uns ein wenig bewegen und einen Überblick über jeden Algorithmus für maschinelles Lernen erhalten.

[Maschinelles Lernen beginnend mit Python-Feature Quantity Engineering und Grundlagen des maschinellen Lernens mit scikit-learn](https://www.amazon.co.jp/Python%E3%81%A7%E3%81%AF%E3% 81% 98% E3% 82% 81% E3% 82% 8B% E6% A9% 9F% E6% A2% B0% E5% AD% A6% E7% BF% 92-% E2% 80% 95scikit-learn% E3 % 81% A7% E5% AD% A6% E3% 81% B6% E7% 89% B9% E5% BE% B4% E9% 87% 8F% E3% 82% A8% E3% 83% B3% E3% 82 % B8% E3% 83% 8B% E3% 82% A2% E3% 83% AA% E3% 83% B3% E3% 82% B0% E3% 81% A8% E6% A9% 9F% E6% A2% B0 % E5% AD% A6% E7% BF% 92% E3% 81% AE% E5% 9F% BA% E7% A4% 8E-Andreas-C-Müller / dp / 4873117984 / ref = sr_1_1? __Mk_ja_JP =% E3% 82% AB% E3% 82% BF% E3% 82% AB% E3% 83% 8A & Schlüsselwörter =% E6% A9% 9F% E6% A2% B0% E5% AD% A6% E7% BF% 92 & qid = 1575988094 & sr = 8 -1)

Es gibt einen Teil, der im vorherigen Video "Maschinelles Lernen mit Python: Einführung in die mit scicit-learn erlernte Identifikation" behandelt wird. Umgekehrt, wenn Sie sich dieses Buch und das obige Video ansehen, werden Sie das gesamte Bild des maschinellen Lernens verstehen.

Wenn Sie eine von Google erstellte Bibliothek für maschinelles Lernen mit dem Namen TensorFlow mit den folgenden Lehrmaterialien verwenden, werden die Grundlagen als Ingenieur für maschinelles Lernen meiner Meinung nach grob unterdrückt. Die Oberseite ist die Bilderkennung und die Unterseite ist die Zeitreihendatenverarbeitung.

[Erfahrung in 4 Tagen! ] Deep Learning-Erfahrungskurs zum Lernen mit TensorFlow, Keras, Python 3](https://www.udemy.com/course/tensorflow/)
[Lernen mit TensorFlow / Keras] Einführung in die Zeitreihendatenverarbeitung (RNN / LSTM, Word2Vec)

Danach zum Beispiel nach persönlichem Geschmack, zum Beispiel

Sie sollten fortfahren, ein wenig praktische Inhalte wie zu lernen.

Zusammenfassung

Das Obige ist meine persönliche empfohlene Studienreihenfolge. Mein Standpunkt ist, dass "ich die mathematischen Grundlagen überhaupt nicht verstehen will und ich die Programmierung überhaupt nicht verstehen will", ich werde KI nie verstehen. Ich wollte jedoch vermitteln, dass es überhaupt nicht schwierig sein wird, wenn Sie ein wenig über Mathematik und Programmierung verstehen und bereit sind, es richtig zu verstehen.

Ich hoffe, dieser Artikel hilft denen, die versuchen, KI und tiefes Lernen zu verstehen.

[PYTHON] Empfohlene Studienreihenfolge für Anfänger des maschinellen Lernens / Deep Learning