Contenu

Je l'ai planifié en référence au site suivant. https://blog.kikagaku.co.jp/2020/04/06/how-to-learn-ai/

• Décidez de ce que vous voulez faire avec l'IA
  Tout d'abord, je pense qu'il est nécessaire de bien comprendre ce qu'est l'IA et ce qui est différent des simulations conventionnelles. Si vous comprenez bien cela, vous comprendrez que vous voulez faire ce que vous pouvez faire naturellement. Le sentiment de crise est plus motivé que ce que je veux faire ――

  Pourquoi avez-vous décidé d'étudier l'IA? C'est mon sentiment personnel, donc vous pouvez l'ignorer. L'IA apparaît fréquemment lors du développement de la technologie chez le fabricant en place. Je ne peux pas écrire en détail, mais par rapport à il y a quelques années lorsque j'ai rejoint l'entreprise, le mouvement pour utiliser l'IA pour les entreprises approche de jour en jour. Il comprend non seulement des informations sur l'entreprise, mais également ce que font d'autres entreprises.
  Je pense qu'il ne fait aucun doute que l'intelligence artificielle sera un moyen de résoudre efficacement les problèmes à l'avenir. Par conséquent, je pense que les personnes capables de maîtriser l'IA seront en mesure de mener des activités de proposition efficaces.
  Par conséquent, j'aimerais étudier l'IA à partir de maintenant et pouvoir l'utiliser à l'avenir.

• Comprendre l’ensemble de l’apprentissage En ce qui concerne les bases, il semble que vous devriez apprendre ce qui suit. Mathématiques requises pour l'apprentissage automatique Python Connaissance de l'apprentissage automatique

  J'ai également fréquenté une école de programmation pour en apprendre davantage sur l'informatique, mais j'ai peur que ce type de langage devienne un soi-disant ingénieur produit en série car c'est un domaine avec de faibles barrières à l'entrée et une population compétitive importante lorsque tout le monde peut le faire. J'ai fait. Par conséquent, il est bon que les bases incluent un contenu hautement spécialisé.

• Mathématiques minimales Il semble que les contenus suivants devraient être supprimés. Dans mon cas, le contenu en gras semble nécessiter un nouvel apprentissage. Différenciation (jusqu'à une différenciation partielle) Algèbre linéaire Statistiques de base (moyenne, variance, écart-type, etc.) Mathématiques de l'analyse de régression simple Mathématiques de l'analyse de régression multiple
• Python Il ne semble y avoir aucun problème avec VS Code pour l'environnement d'apprentissage. Une bibliothèque open source appelée chainer est introduite, et il semble bon d'apprendre tout en programmant.
• Apprentissage automatique Il semble bon de supprimer le programme ci-dessous. Puisqu'il s'agit d'un niveau de livre spécialisé, je me demande s'il est nécessaire d'acheter Algorithme typique pour l'apprentissage supervisé Analyse de régression multiple, régression de crête, régression de lasso, régression logistique, méthode de k-voisinage, machine à vecteurs de support, arbre de décision, forêt aléatoire, algorithme typique pour l'apprentissage non supervisé, méthode de moyennage k, analyse en composantes principales, hyperparamètres typiques Méthode d'ajustement, recherche de grille, recherche aléatoire, optimisation bayésienne, indice d'évaluation typique de classification, taux de réponse correcte, taux de précision, taux de rappel, valeur F

  Vous devez également étudier le deep learning ... Calcul de réseau neuronal (propagation directe), transformation linéaire, transformation non linéaire, calcul de réseau neuronal (propagation arrière) Méthode de propagation de retour d'erreur, méthode de descente de gradient, apprentissage par mini-lots, implémentation de réseau neuronal (TensorFlow ou PyTorch) </ b>

  L'apprentissage automatique est trop sombre et effrayant À propos des données à traiter ci-dessous Données d'image, réseau de neurones à convolution (CNN), algorithme de détection d'objets (R-CNN, YOLO, SSD, etc.), algorithme de segmentation sémantique, données de phrase, méthode d'extraction de caractéristiques de données de phrase (sac de mots, Word2Vec, etc.) , Algorithmes de traduction automatique (Seq2Seq, Attention, etc.)
  Données de séries chronologiques (1/1 du nombre de visiteurs est des données qui ont un contexte dans les données de 100 personnes) Réseau de neurones récursif (RNN, LSTM, GRU, etc.) Réseau neuronal convolutif (CNN)
  Données du tableau (données telles que décrites dans la feuille Excel) Ingénierie de la quantité de fonctionnalités Algorithmes d'apprentissage automatique en évolution (XGBoost, LightGBM, etc.) </ B>