Inhalt

Ich habe es mit Bezug auf die folgende Seite geplant. https://blog.kikagaku.co.jp/2020/04/06/how-to-learn-ai/

• Entscheiden Sie, was Sie mit AI tun möchten
  Zunächst denke ich, dass es notwendig ist, vollständig zu verstehen, was KI ist und was sich von herkömmlichen Simulationen unterscheidet. Wenn Sie dies gut verstehen, werden Sie verstehen, dass Sie das tun möchten, was Sie auf natürliche Weise tun können. Das Gefühl der Krise ist motivierter als das, was ich tun möchte ――

  Warum hast du dich entschieden, KI zu studieren? Es ist mein persönliches Gefühl, also kannst du es überspringen. KI tritt häufig bei der Entwicklung von Technologie beim etablierten Hersteller auf. Ich kann nicht im Detail schreiben, aber im Vergleich zu vor einigen Jahren, als ich in das Unternehmen eintrat, nähert sich die Bewegung, KI für Unternehmen zu nutzen, Tag für Tag. Es enthält nicht nur Unternehmensinformationen, sondern auch die Aktivitäten anderer Unternehmen.
  Ich denke, es besteht kein Zweifel, dass KI ein Mittel sein wird, um Probleme in Zukunft effizient zu lösen. Daher denke ich, dass Leute, die KI beherrschen können, in der Lage sein werden, effektive Vorschlagsaktivitäten durchzuführen.
  Daher möchte ich von nun an KI studieren und in Zukunft KI verwenden können.

• Verstehen Sie das Gesamtbild für das Lernen Was die Grundlagen betrifft, sollten Sie anscheinend Folgendes lernen. Mathematik für maschinelles Lernen erforderlich Python Kenntnisse des maschinellen Lernens

  Ich habe auch eine Programmierschule besucht, um etwas über IT zu lernen, aber ich befürchte, dass diese Art von Sprache zu einem sogenannten Masseningenieur wird, da es sich um ein Gebiet mit niedrigen Eintrittsbarrieren und einer großen Wettbewerbsbevölkerung handelt, wenn es jemand kann. Ich tat. Daher ist es gut, dass die Grundlagen hochspezialisierte Inhalte enthalten.

• Minimale Mathematik Es scheint, dass der folgende Inhalt unterdrückt werden sollte. In meinem Fall scheint der fett gedruckte Inhalt neues Lernen zu erfordern. Differenzierung (bis zur teilweisen Differenzierung) Lineare Algebra Grundlegende Statistiken (Mittelwert, Varianz, Standardabweichung usw.) Mathematik der einfachen Regressionsanalyse Mathematik der multiplen Regressionsanalyse
• Python Es scheint kein Problem mit VS Code für die Lernumgebung zu geben. Eine Open-Source-Bibliothek namens Chainer wird eingeführt, und es scheint gut zu sein, sie während des eigentlichen Programmierens zu lernen.
• Maschinelles Lernen Es scheint gut, den folgenden Lehrplan zu unterdrücken. Da es sich um ein spezialisiertes Buch handelt, frage ich mich, ob es notwendig ist, es zu kaufen Typischer Algorithmus für überwachtes Lernen Multiple Regressionsanalyse, Ridge-Regression, Lasso-Regression, logistische Regression, k-Nachbarschaftsmethode, Support-Vektor-Maschine, Entscheidungsbaum, Zufallswald, typischer Algorithmus für unbeaufsichtigtes Lernen, k-Mittelungsmethode, Hauptkomponentenanalyse, typische Hyperparameter Anpassungsmethode, Rastersuche, Zufallssuche, Bayes'sche Optimierung, typischer Bewertungsindex der Klassifizierung, Genauigkeitsrate, Präzisionsrate, Rückrufrate, F-Wert

  Sie müssen auch tiefes Lernen lernen ... Berechnung des neuronalen Netzwerks (Vorwärtsausbreitung), lineare Transformation, nichtlineare Transformation, Berechnung des neuronalen Netzwerks (Rückausbreitung) Fehlerrückausbreitungsmethode, Gradientenabstiegsmethode, Mini-Batch-Lernen, Implementierung eines neuronalen Netzwerks (TensorFlow oder PyTorch) </ b>

  Maschinelles Lernen ist zu dunkel und beängstigend Über die Daten, die unten behandelt werden sollen Bilddaten, Faltungs-Neuronales Netzwerk (CNN), Objekterkennungsalgorithmus (R-CNN, YOLO, SSD usw.), Semantischer Segmentierungsalgorithmus, Satzdaten, Methode zur Extraktion von Satzdatenmerkmalen (Wortsack, Word2Vec usw.) , Algorithmen für maschinelle Übersetzung (Seq2Seq, Attention usw.)
  Zeitreihendaten (1/1 Anzahl der Besucher sind Daten, die einen Kontext in den Daten von 100 Personen haben) Rekursives neuronales Netzwerk (RNN, LSTM, GRU usw.) Convolutional Neural Network (CNN)
  Tabellendaten (Daten wie in Excel-Tabelle beschrieben) Feature Quantity Engineering Weiterentwickelte Algorithmen für maschinelles Lernen (XGBoost, LightGBM usw.) </ B>