通过人工智能学到什么(人工智能从哪里学起)

作者：丹尼尔伯克

我在苹果店工作，我想改变它。为了开始建立我所服务的技术。

我开始研究机器学习(ML)和人工智能(AI)。

这个领域有很多事情可以做。

似乎每周谷歌或脸书都在发布一种新型人工智能，以加快处理速度或改善我们的体验。

不要让我开始谈论无人驾驶汽车公司的数量。这是好事。我不喜欢开车，所以路上很危险。

即使发生了所有这些事情，对于什么是真正的人工智能，仍然没有公认的定义。

有人认为深度学习可以算是AI，也有人认为除非通过图灵测试，否则就不是AI。

起初，缺乏定义确实阻碍了我的进步。学习有许多不同定义的东西是困难的。

足够的定义。

我是怎么开始的？

我和我的朋友正在建立一个在线创业公司。因为没有意义，我们放弃了。但是一路走来，我开始听到越来越多关于ML和AI的信息。

“计算机为你学到了什么？”我真不敢相信。

偶然看到了Udacity的深度学习纳米学位。其中一个有趣的角色Siraj Raval出现在宣传视频中。他的能量是有感染力的。尽管没有达到基本要求(我以前从未写过Python代码)，我还是注册了。

在课程开始前三周，我给Udacity支持小组发了一封电子邮件，询问退款政策是什么。我担心我不能完成这门课程。

我没有得到退款。我在规定的时间内完成了课程。那很难。有时候真的很难。我的前两个项目迟交了四天。然而，参与世界上最重要的技术之一的兴奋让我继续前进。

完成深度学习纳米学位后，我承诺我可以接受Udacity的AI纳米学位、无人驾驶汽车纳米学位或机器人纳米学位。所有伟大的选择。

我有点困惑。“我接下来要去哪里？”

我需要一门课程。我已经利用深度学习的纳米学位建立了一个小型基础，现在是时候确定下一步的发展方向了。

我创造了自己的AI硕士学位。

近期不打算再上大学。反正我没有10万美元的硕士学位。

所以我做了第一件事。求导师谷歌帮忙。

在没有任何这方面的先验知识的情况下，我跳入了深度学习。直升机没有爬到AI冰山的尽头，而是让我掉到了山顶。

在研究了一堆课程后，我列出了最让特雷罗感兴趣的课程。

我知道网络课程的辍学率很高。我不会让自己成为这个号码的一部分。我有任务在身。

为了让自己有责任心，我开始在网上分享我的学习历程。我想我可以练习交流我所学到的东西，并找到其他对同样事情感兴趣的人。我的朋友们仍然认为，当我踏上AI的旅程时，我是一个外星人。

我公开了Trello董事会，并写了一篇关于我的努力的博客。

从我第一次写课程开始，课程略有改动，但还是有意义的。我每周都会拜访特雷罗的董事会，跟踪进展情况。

2020年更新：我把我喜欢的一些AI、机器学习和数据科学资源总结成一个漂亮的表格(来自Trello board)。你可以在这里看到它们。

我买了去美国的机票，但是没有返程票。我已经学了一年了，所以我想是时候开始把我的技能付诸实践了。

我的计划是爬上美国然后被雇佣。

然后，Ashlee在LinkedIn上对我说，“嘿，我看了你的帖子。他们真的很酷。我想你应该见见迈克。”

我遇见了迈克。

我告诉他我在线学习的故事，我对健康技术的热爱和我去美国旅行的计划。

“你最好在这里呆一年左右，看看你能找到什么。我想你会想见见卡梅伦的。”

我遇到了卡梅隆。

我们和我和迈克谈论的很相似。健康，技术，在线学习，美国。

“我们正在解决一些健康问题。你为什么不在星期四来？”

今天是星期四。我很紧张，但是有人曾经告诉我，紧张和兴奋是一样的。我很兴奋。

我花了一天时间会见Max Kelsen团队，讨论他们正在解决的问题。

两个周四之后，我和Athon的首席执行官，首席机器学习工程师Nick一起去喝咖啡。

“你想怎么入队？”尼克问。

“当然。”我说。

原来，我的美国航班延误了几个月，现在有往返机票。

分享你的作品。

网上学习，我知道这不合常规。我想申请的所有职位都有硕士学位或至少某种技术学位。

我连一个都没有。但是我确实有从很多在线课程中学到的技巧。

一路上，我在网上分享我的作品。我的GitHub包含了我完成的所有项目，LinkedIn堆积如山，我练习过通过YouTube和Medium交流我学到的东西。

我从未给马克斯凯尔森投过简历。“我们在LinkedIn上签了你。”

我的工作就是简历。

无论你是在线学习还是通过硕士学位学习，拥有一个你做过的工作的作品集是在游戏中积累皮肤的好方法。

ML和AI技能是需要的，但这并不意味着你不用展示。没有架子

无论是GitHub，Kaggle，LinkedIn还是博客，人们都能在某个地方找到您。另外，拥有自己的上网角落非常有趣。

你如何开始？

您要去哪里学习这些技能？什么课程是最好的？

没有最好的答案。每个人的道路都会不同。有些人通过书籍学习得更好，其他人通过视频学习得更好。

比起您更重要的是为什么开始。

• 从为什么开始。
• 您为什么要学习这些技能？
• 你想赚钱吗？
• 你想建造东西吗？
• 您想有所作为吗？

同样，没有正确的理由。一切都以自己的方式有效。

从为什么开始，因为拥有为什么比如何更重要。有一个“为什么”意味着当事情变得艰难并且将会变得艰难时，您有一些事情要转向。提醒您为什么要开始的事情。

为什么？好。是时候学习一些硬技能了。

我只能推荐我尝试过的东西。

我已经完成了以下课程的学习：

• 树屋-Python简介
• DataCamp-Python和Python的数据科学跟踪简介
• Udacity —深度学习和AI纳米学位
• Coursera-深度学习，作者：Andrew Ng
• fast.ai —第1部分，即将成为第2部分

他们都是世界一流的。我是视觉学习者。看到事情完成/向我解释，我会学得更好。因此，所有这些课程都反映了这一点。

如果您是绝对的初学者，请从Python入门课程开始，如果您更有信心，可以进入数据科学，机器学习和AI。 DataCamp非常适合初学者学习Python，但希望以数据科学和机器学习为重点来学习它。

数学多少？

我上过的最高数学教育是在高中。我根据需要通过可汗学院学到的其他知识。

对于进入机器学习和AI需要知道多少数学有很多不同的看法。我会分享我的。

如果您想将机器学习和AI技术应用到问题上，则不一定需要对数学有深入的了解即可获得良好的结果。 TensorFlow和PyTorch之类的库允许具有一点Python经验的人构建最先进的模型，同时在后台处理数学。

如果您想通过博士学位课程或类似方法深入机器学习和AI研究，那么对数学有深入的了解是至关重要的。

就我而言，我并不是想深入研究数学并将算法的性能提高10％。我会将其留给比我聪明的人。

相反，我很乐意使用可用的库并对其进行操作以帮助解决我认为合适的问题。

机器学习工程师实际上做什么？

机器工程师在实践中所做的可能与您的想法不符。

尽管有许多在线文章的封面照片，但并不总是涉及使用红眼睛的机器人。

这是ML工程师每天都要问自己的几个问题。

上下文-如何使用ML帮助您更多地了解您的问题？

数据-您是否需要更多数据？它需要采用什么形式？数据丢失时该怎么办？

建模-您应该使用哪种模型？它对数据是否工作得很好（过度拟合）？还是为什么它不能很好地工作（拟合不足）？

生产-如何将模型投入生产？它应该是在线模型还是应该定期更新？

进行中-如果您的模型坏了怎么办？您如何通过更多数据来改善它？有没有更好的做事方法？

我从fast.ai的共同创始人之一雷切尔·托马斯（Rachel Thomas）的一篇出色文章中借用了这些内容，她在全文中做得更深入。

没有设定路径

进入机器学习或人工智能是没有对与错的。

这个领域的美丽之处在于，我们可以使用世界上一些最好的技术，我们所要做的就是学习如何使用它们。

您可以从学习Python代码开始。

您可以通过研究微积分和统计开始。

您可以先学习决策的哲学。

由于这些领域的交叉，机器学习和AI使我着迷。

我了解得越多，我就越了解有很多东西要学。这使我兴奋不已。

有时，当我的代码无法运行时，我会感到沮丧。或者我不明白一个概念。所以我暂时放弃。我放弃让自己摆脱问题，小睡一会。或去散散步。当我回来时，感觉就像是我用不同的眼睛看着它。兴奋又回来了。我一直在学习。

该领域发生了很多事情，因此上手可能令人生畏。太多的选择导致没有选择。忽略这个。

从您最感兴趣的地方开始，并遵循它。如果这将导致死胡同，那就太好了，您已经弄清了自己不感兴趣的内容。重新跟踪自己的脚步，朝路走去。

电脑很聪明，但仍然无法自行学习。他们需要您的帮助。