Wo soll man in neuronalen Netzen anfangen?

7

Zunächst einmal weiß ich, dass die Frage möglicherweise nicht für die Website geeignet ist, aber ich würde es wirklich begrüßen, wenn Sie mir nur einige Hinweise geben würden.

Ich bin ein 16-jähriger Programmierer, habe Erfahrung mit vielen verschiedenen Programmiersprachen. Vor einiger Zeit habe ich einen Kurs bei Coursera mit dem Titel Einführung in das maschinelle Lernen begonnen. Seitdem habe ich mich sehr motiviert, etwas über KI zu lernen Als ich über neuronale Netze las und mit Java ein funktionierendes Perzeptron erstellte, machte es wirklich Spaß, aber als ich anfing, etwas Herausfordernderes zu tun (eine Ziffernerkennungssoftware zu erstellen), stellte ich fest, dass ich viel Mathematik lernen muss Ich liebe Mathe, aber die Schulen hier lehren uns nicht viel. Jetzt kenne ich zufällig jemanden, der Mathematiklehrer ist. Glaubst du, dass ich Mathematik lernen muss (speziell Kalkül), um KI zu lernen, oder sollte ich warten, bis ich diese Dinge bei lerne? Schule?

Welche anderen Dinge wären hilfreich, um KI und maschinelles Lernen zu lernen? Benötigen auch andere Techniken (wie SVM) starke Mathematik?

Es tut mir leid, wenn meine Frage lang ist. Ich würde mich sehr freuen, wenn Sie mir Ihre Erfahrungen mit dem Erlernen von KI mitteilen könnten.

Ashkan
quelle
Ja, dies ist zu offen, wenn Sie nur nach Tutorials und Ressourcen suchen. Vielleicht können Sie dies viel spezifischer gestalten, indem Sie angeben, was Sie versuchen, was Sie bisher versucht haben und welche Konzepte Sie als herausfordernd empfunden haben.
Sean Owen
Ich bin überrascht, dass niemand diese Frage als Too Broad
tumultous_rooster
@ Sean Owen, warum gibt es so viele Fragen, wie man mit neuronalen Netzen anfängt? Sollten sie nicht doppelt markiert werden?
Azrael
Er fragt mich nicht, aber bitte kennzeichnen Sie Duplikate so, wie Sie sie sehen.
Sean Owen

Antworten:

5

Nein, Sie sollten die Mathematik selbst lernen. Sie müssen "nur" Kalkül, Statistik und lineare Algebra lernen (wie der Rest des maschinellen Lernens). Die Theorie der neuronalen Netze ist zu diesem Zeitpunkt ziemlich primitiv - es ist eher eine Kunst als eine Wissenschaft - also denke ich, dass Sie sie verstehen können, wenn Sie es versuchen. Ipso facto gibt es viele Tricks, für deren Erlernen Sie praktische Erfahrung benötigen. Es gibt viele komplizierte Erweiterungen, aber Sie können sich Sorgen machen, wenn Sie so weit sind.

Sobald Sie die Coursera-Klassen für ML und neuronale Netze (Hintons) verstanden haben, empfehle ich Ihnen, etwas Übung zu üben. Diese Einführung könnte Ihnen gefallen .

Emre
quelle
Tnx für den Link: D
badc0re
2

Ich würde sagen ... es kommt wirklich darauf an. Möglicherweise müssen Sie:

  • Verwenden Sie Algorithmen für maschinelles Lernen: Dies ist nützlich für bestimmte Anwendungen, die Sie möglicherweise haben. In dieser Situation benötigen Sie einige Programmierkenntnisse und den Geschmack zum Testen (das Üben macht Sie stark). Hier ist Mathe nicht so sehr erforderlich, würde ich sagen.
  • in der Lage sein, vorhandene Algorithmen zu ändern . Ihre spezifische Anwendung ist möglicherweise gegenüber regulären Algorithmen zurückhaltend, sodass Sie sie möglicherweise anpassen müssen, um maximale Effizienz zu erzielen. Hier kommt die Mathematik ins Spiel.
  • Verstehe die Theorie hinter Algorithmen. Hier ist Mathematik notwendig und hilft Ihnen, Ihre Kenntnisse auf dem Gebiet des maschinellen Lernens zu erweitern, Ihre eigenen Algorithmen zu entwickeln, dieselbe Sprache zu sprechen wie Ihre Kollegen ... Die NN-Theorie mag primitiv sein, wie von @Emre gesagt, aber dies ist zum Beispiel der Fall Dies ist bei SVM nicht der Fall (die Theorie hinter SVM erfordert beispielsweise das Verständnis der Reproduktion von Kernel-Hilbert-Räumen ).

Mittelfristig werden Sie sicher starke Mathematik brauchen. Aber Sie müssen nicht warten, bis sie zu Ihnen kommen. Sie können jetzt mit der linearen Algebra beginnen, die für alles schön und nützlich ist. Und falls Sie auf (möglicherweise vorübergehende) Schwierigkeiten jeglicher Art mit Mathematik stoßen, üben Sie weiter so, wie Sie es bereits getan haben (viele Leute können über das Perzeptron sprechen, sind aber nicht in der Lage, ein Perzeptron in Java zu erstellen), dies ist sehr wertvoll.

Polmath
quelle
1

Neuronale Netze sind aufgrund der von Ihnen beschriebenen Komplexität kein gutes Einführungsmodell. Wenn Sie versuchen, Ihre Füße nass zu machen, sind Boosted-Decision-Bäume im Vergleich dazu in der Regel gut und etwas intuitiver. Wenn Sie eine Beschreibung dieser Methode wünschen und bereits mit Coursera vertraut sind, bietet die University of Washington einen Einführungskurs in die Datenwissenschaft an, der diese recht gut erklärt.

Jagartner
quelle
0

Natürlich müssen Sie etwas Mathematik lernen. Sie sollten sich jedoch auch bemühen, einige breitere technische und naturwissenschaftliche Fähigkeiten zu erwerben. Es gibt viel zu viele Leute, die in die Informatik gehen, und alles, was sie wissen, sind ein paar Programmiersprachen und Mathematik. Das Endergebnis ist eine sehr langweilige Person mit wenig Kreativität, um etwas Neues zu tun. Nehmen Sie sich ein Jahr Zeit, wenn Sie 18 oder 19 Jahre alt sind, um die Welt zu bereisen.

SeanOCVN
quelle
Könnten Sie einige konkrete Beispiele für die Art der Mathematik nennen, die @Ashkan (und andere junge Enthusiasten) lernen können, sich besser vorzubereiten?
Ryan J. Smith
Ich glaube, ich bekomme mit dem Bit "Travel the World" das, was Sie anstreben, aber ich denke nicht, dass eine bestimmte Formulierung zumindest für einige Leute ein guter Rat ist. " Eine sehr langweilige Person mit wenig Kreativität, um etwas Neues zu tun " ist eine nicht inspirierte Person, und Sie sagen, dass nicht nur die Fähigkeiten wichtig sind, sondern dass es auch sehr wichtig ist, inspiriert und kreativ zu sein. Das Reisen um die Welt ist eine Möglichkeit, sich inspirieren zu lassen, aber jeder gewinnt auf unterschiedliche Weise Inspiration. ( Es würde mir überhaupt keine Hilfe in Richtung Informatik, Ingenieurwesen oder Wissenschaft geben )
DoubleDouble
Die am häufigsten verwendete Mathematik ist offensichtlich die lineare Algebra, die die Grundlage für viele Bereiche der Informatik bildet. Wenn Sie sich für Grafiken interessieren, lernen Sie die Graphentheorie in der Informatik. Für probabilistische Modelle mit neuronalen Netzen möchten Sie möglicherweise die Bayes'sche Statistik untersuchen.
Victor Ng
0

Das ist ein verdammt gutes Buch. Adrian wird einen Black Friday Sale machen, also ist es eine großartige Chance, ihn abzuholen. Es ist eine Schritt-für-Schritt-Anleitung durch tiefes Lernen mit Mathematik, Intuition und Code. Es konzentriert sich hauptsächlich auf Computer Vision, aber es gibt Ihnen einen guten Start.

Piotr Rarus - Setzen Sie Monica wieder ein
quelle