जवाबों:
ऐ में उत्कृष्टता प्राप्त करने के लिए आपको गणितीय अंतर्ज्ञान या दृष्टिकोण की आवश्यकता होती है। एक पूर्ण स्टैक एआई इंजीनियर बनने के लिए, यह महत्वपूर्ण है कि आपको मशीन लर्निंग की गणितीय नींव की दृढ़ समझ हो।
किसी को भी मैदान में कूदने की तैयारी करने की मेरी सलाह है कि गणित सीखना सीखने के बारे में है। 20/80 नियम याद रखें। आपको समय का 20% सिद्धांत का अध्ययन करने और प्रवीण होने के लिए आपने जो 80% समय सीखा है उसका अभ्यास करने की आवश्यकता है।
आपके द्वारा स्नातक गणित में गोता लगाने से पहले पहला चरण आपके लिए नींव स्तर के गणित पर ताज़ा करना है। इसमें विशेष रूप से बीजगणित में हाई स्कूल गणित की रीविजिटिंग और मास्टरिंग शामिल है। यह आपके लिए उच्च पाठ्यक्रम को समझने के लिए आवश्यक है।
मैट्रिक्स ऑपरेशंस, प्रोजेक्शंस, ईजेनवेल्यूज एंड आईजेनवेक्टर्स, प्रिंसिपल कंपोनेंट एनालिसिस (पीसीए), सिंगुलर वैल्यू डिकम्पोजिशन (एसवीडी), एक मैट्रिक्स का ईजन-अपघटन, एलयू डिकम्पोजिशन, क्यूआर डिकम्पोजर / फैक्टराइजेशन, सिमेट्रिक मैट्रिसेज, ऑर्थोगोनाइजेशन और ऑर्डनॉर्मलाइजेशन, वेक्टर स्पेसेस मशीन सीखने के लिए उपयोग किए जाने वाले अनुकूलन के तरीकों को समझने के लिए आवश्यक है।
रैखिक बीजगणित के बारे में एक अच्छी बात यह है कि लीनियर बीजगणित पर खान अकादमी के पाठ्यक्रम जैसे अद्भुत ऑनलाइन संसाधन हैं https://www.khanacademy.org/math/linear-algebra ।
संभाव्यता नियम और Axioms, सशर्त और संयुक्त वितरण, मानक वितरण (बर्नौली, द्विपद, बहुपद, वर्दी और गाऊसी), पल उत्पन्न कार्य, बे 'प्रमेय, रैंडम वेरिएबल्स, वेरिएंस और एक्सपेक्टेशन, मैक्सिमम लाइबिलिटी एस्टीमेशन (MLE), पूर्ववर्ती पोस्टीरियर। अधिकतम एक पश्चगामी अनुमान (एमएपी) और नमूना लेने के तरीके।
मैं आपको खान अकादमी https://www.khanacademy.org/math/probability पर इस ऑनलाइन सांख्यिकी और संभाव्यता MOOC का उल्लेख करता हूं
डेटा संरचनाओं (बाइनरी ट्रीज़, हैशिंग, हीप, स्टैक आदि) के ज्ञान, डायनामिक प्रोग्रामिंग, रैंडमाइज्ड और सबलाइनियर एलगोरिदम, ग्राफ़, ग्रेडिएंट / स्टोचैस्टिक डिसेंट और प्राइमल-डुअल तरीकों की जरूरत है।
गहराई से ट्यूशन के लिए, मैं सुझाव देता हूं कि आप एंड्रयू एनजी के कर्सरा कोर्स के लिए यहां उपलब्ध https://www.coursera.org/learn/machine-learning पर साइन अप करें ।
डिफरेंशियल और इंटीग्रल कैलकुलस, डायरेक्शनल ग्रेडिएंट, हेसियन, जैकबियन, लैपेलियन और लैग्रैगियन डिस्ट्रीब्यूशन, पार्टिकल डेरिवेटिव्स, वेक्टर-वैल्यूज फंक्शन्स जैसे विषय। यहां खान अकादमी के कैलकुलस कोर्स https://www.khanacademy.org/math/calculus-home का एक अंक है ।
इसमें गणित विषय शामिल हैं जो उपरोक्त चार प्रमुख क्षेत्रों में शामिल नहीं हैं। इनमें इंफॉर्मेशन थ्योरी (एन्ट्रॉपी, इंफॉर्मेशन गेन), फंक्शन स्पेस और मेनिफोल्ड्स, रियल एंड कॉम्प्लेक्स एनालिसिस (सेट्स एंड सीक्वेंस, टोपोलॉजी, मैट्रिक स्पेस, सिंगल-वैल्यूड एंड कंटीन्यूअस फंक्शन्स, लिमिट्स, कैमी कर्नेल, फूरियर ट्रांसफॉर्म) शामिल हैं।
नीचे नि: शुल्क मशीन लर्निंग गणित ई- बुक्स का एक उत्कृष्ट संसाधन है http://blog.paralleldots.com/data-science/list-of-free-must-read-books-for-machine-learning/
अंत में हाल के विकास और नवीनतम पत्रों के साथ रखने के लिए, मैं सुझाव देता हूं कि आप इस ब्लॉग का अनुसरण करें, जो एआई और एमएल पत्रों, http://www.arxiv-sanity.com/ को एकत्रित करता है ।
कौरसेरा पर मशीन लर्निंग कोर्स के लिए एंड्रयू एनजी की शुरूआत के साथ शुरू करें । उस पाठ्यक्रम के लिए कई आवश्यक शर्तें नहीं हैं, लेकिन आप सीखेंगे कि कुछ उपयोगी चीजें कैसे बनाई जाएं। और, इससे भी महत्वपूर्ण बात यह है कि यह आपको स्पष्ट रूप से दिखाएगा कि आपको आगे कौन से विषय सीखने हैं।
ऐ काफी दायरे में है और यह कई क्षेत्रों के चौराहे पर बैठता है। हालाँकि, कुछ आवश्यक क्षेत्र या विषय हैं जिन्हें आपको जानना आवश्यक है
मैं आपको सबसे पहले एआई एल्गोरिदम का पता लगाने की सलाह दूंगा, जिसमें आपकी रुचि हो सकती है। मेरी सलाह है कि आप मशीन लर्निंग और डीप लर्निंग से शुरुआत करें।
एक बहुत महत्वपूर्ण शर्त, जुनून को मत भूलना , इसके बिना आप शायद अपना समय बर्बाद कर रहे हैं!
मैं आपको सुझाव दूंगा
अगर आप गणित में गहराई में जाना चाहते हैं। इन्हें कोशिश करें:
मैं गहरी सीखने के लिए सर्वश्रेष्ठ पुस्तकों में से एक का सुझाव देना चाहूंगा: दीप लर्निंग बाय इयान गुडफेलो और योशुआ बेंगियो और आरोन कोर्टविल। http://www.deeplearningbook.org/
वर्तमान, अत्याधुनिक एआई तरीके सभी सांख्यिकीय मॉडलिंग पर बहुत अधिक निर्भर करते हैं । आप यह देखना चाहते हैं कि लोग क्या कर रहे हैं और वे किस प्रकार के गणित का उपयोग कर रहे हैं, यह देखने के लिए आप डेटा साइंस और क्रॉस वैलिड स्टैक ब्राउज़ करना चाहते हैं। (यह वास्तव में मेरा क्षेत्र नहीं है, इसलिए मैं इसे और अधिक विस्तार प्रदान करने के लिए न्यूरल नेटवर्क और डीप लर्निंग भीड़ पर छोड़ दूंगा।)
मैं दृढ़ता से कॉम्बिनेटरिक्स , कॉम्बीनेटरियल गेम थ्योरी और कम्प्यूटेशनल कॉम्प्लेक्शन थ्योरी को देखने की सलाह दूंगा , क्योंकि इष्टतम निर्णय लेने की मुख्य समस्याओं में से एक अंतरंगता है ।
गेम थ्योरी भी महत्वपूर्ण है, क्योंकि इष्टतम डिसीज़ियो के अन्य मुख्य मुद्दों में अपूर्ण जानकारी और अधूरी जानकारी शामिल है । (पूर्व को कॉम्बिनेटरियल गेम्स में अधिक देखा जाता है, लेकिन दोनों संभाव्यता विश्लेषण की आवश्यकता को जन्म देते हैं।)
सबसे महत्वपूर्ण कौशल जो आपको चाहिए वह है आत्म-अनुशासन।
गणितीय पूर्वापेक्षाओं के बारे में, आपको सांख्यिकी, संभाव्यता सिद्धांत, कैलकुलस और रैखिक बीजगणित का अध्ययन करने की आवश्यकता होगी, यह देखते हुए कि उदाहरण के लिए, अधिकांश मशीन लर्निंग एल्गोरिदम इन क्षेत्रों की अवधारणाओं पर आधारित हैं।
प्रोग्रामिंग पूर्वापेक्षाओं के बारे में, आमतौर पर उपलब्ध पुस्तकालयों को देखते हुए, पायथन और आर एक अच्छा विकल्प हैं।
यदि आप बड़े डेटा के साथ काम करना चाहते हैं, तो आपको Hadoop जैसी रूपरेखाएँ सीखने की आवश्यकता हो सकती है।
आर्टिफिशियल इंटेलिजेंस एक बहुत व्यापक क्षेत्र है और इसलिए इसके अनुसार चीजें बदल जाएंगी।
कुछ आवश्यकताएँ: (सीएस का एक छात्र होने के नाते आपको उन्हें पूरा करना चाहिए)
आर्टिफिशियल इंटेलिजेंस: ए मॉडर्न अप्रोच (स्टुअर्ट जे। रसेल और पीटर नॉरविग द्वारा) को एआई की बाइबिल माना जाता है। मैं आपको पूरी किताब पढ़ने और अभ्यासों को हल करने की जोरदार सलाह देता हूं । आप पुस्तक की pdf यहाँ पा सकते हैं । समाधान मैनुअल के लिए इस लिंक पर जाएँ । बेहतर होगा कि आप पुस्तक की हार्डकॉपी खरीद सकें।
कम्प्यूटेशनल थ्योरी का ज्ञान आपकी बहुत मदद करेगा। खासकर जब आप नेचुरल लैंग्वेज प्रोसेसिंग के क्षेत्र में काम कर रहे हों। AI के अन्य उप-क्षेत्र जो आपको रूचि दे सकते हैं, मशीन लर्निंग, इवोल्यूशनरी कम्प्यूटिंग, जेनेटिक अल्गोरिद्म, रीइनफोर्समेंट लर्निंग, डीप लर्निंग आदि होंगे।
सांख्यिकी में आपका ज्ञान बेहतर होगा, यह आर्टिफिशियल इंटेलिजेंस के लिए बेहतर होगा। मंचों, वेबसाइटों, आदि के माध्यम से क्षेत्र में हाल ही में जाने के लिए तैयार रहें। ओपन एआई वेबसाइट भी एक बहुत अच्छा स्रोत है।
अन्य उत्तरों के पूरक के लिए:
मैं आपको एडेक्स पर कोलंबिया द्वारा दिए गए एआई माइक्रोमास्टर से आर्टिफिशियल इंटेलिजेंस कोर्स लेने की सलाह देता हूं।
पाठ्यक्रम एआई समस्याओं की एक विस्तृत श्रृंखला को कवर करता है और सबसे महत्वपूर्ण यह है कि आप अजगर पर अनुप्रयोगों के मिश्रण के साथ सोचने के लिए एक सामान्य रूपरेखा प्रदान करते हैं। आर्टिफिशियल इंटेलिजेंस की किताब पर आधारित : ए मॉडर्न अप्रोच बाई पीटर नॉरविग और स्टुअर्ट रसेल
मशीन लर्निंग के दृष्टिकोण से और साथ ही गोकुल , एंड्रयू एनजी का मशीन लर्निंग कोर्स । आंगन पर एक अच्छा परिचयात्मक पाठ्यक्रम है और एक संभावित चिकित्सक के लिए बहुत उन्मुख है।
मैंने कुछ मशीन लर्निंग एल्गोरिदम के अध्ययन को सांख्यिकीय प्रोग्रामिंग भाषा आर के साथ गठबंधन करने के लिए कई एल्गोरिदम के साथ अवधारणाओं को पकड़ने के लिए प्रयोग करने के लिए उपयोगी पाया । उपयोगी निम्नलिखित पुस्तकों: सांख्यिकीय लर्निंग के तत्वों और परिचय सांख्यिकीय लर्निंग के लिए , दोनों लेखकों वेबसाइटों पर मुफ्त उपलब्ध हैं।
तंत्रिका नेटवर्क में कूदना उतना जटिल नहीं है।
तंत्रिका नेटवर्क की स्थापना 1: वर्गीकरण समस्याओं ने मुझे आरंभ करने में मदद की।
ओपी ने एआई के बारे में पूछा, न कि मशीन लर्निंग के बारे में। मशीन लर्निंग एआई का उप-अनुशासन है। गेम्स और मोशन प्लानिंग में इस्तेमाल होने वाले ज्यादातर AI में मशीन लर्निंग शामिल नहीं है।
पृष्ठभूमि को आपको "एआई के क्षेत्र में कूदने" की आवश्यकता होगी:
यदि आपके पास पहले से ही ये आवश्यकताएं हैं, तो मैं आपको विभिन्न प्रकार के AI को देखने का सुझाव देता हूं, जो आपको सबसे दिलचस्प लगता है। अधिकतर, AI में आने का अर्थ है कि एल्गोरिदम कैसे काम करता है। उदाहरण के लिए चेहरे की पहचान (एक मशीन सीखने की समस्या) के लिए एल्गोरिदम रोबोट की एक टीम (एक दहनशील अनुकूलन प्रणाली) के समन्वय से बहुत अलग हैं।
"कृत्रिम बुद्धिमत्ता" अब एक परिपक्व क्षेत्र है और इसमें कई उपक्षेत्र हैं। कृत्रिम बुद्धिमत्ता के प्रत्येक उपक्षेत्र के चारों ओर संपूर्ण सिद्धांत हैं। एक सरल सादृश्य "क्या गणित / भौतिकी में सफल होने के लिए आवश्यक कौशल हैं?"। उत्तर वास्तव में इस बात पर निर्भर करता है कि आप किस शाखा में जाना चाहते हैं।
यदि आप कृत्रिम बुद्धिमत्ता (मशीन लर्निंग / डीप लर्निंग) के अधिक अनुप्रयोग विशिष्ट पक्ष में जाने की योजना बना रहे हैं, तो आपको रैखिक बीजगणित के साथ पूरी तरह से होना चाहिए। चूंकि मशीन लर्निंग एल्गोरिदम के अधिकांश को रैखिक बीजगणित में सरल चाल के लिए उबला जा सकता है। अनुकूलन के बारे में सीखने से बहुत मदद मिलेगी क्योंकि आप उत्तल / गैर-रूपांतरण अनुकूलन विधियों से जुड़े कई एल्गोरिदम का सामना करेंगे।
इसके अलावा कृत्रिम एल्गोरिदम में किसी भी क्षेत्र के लिए आंकड़े और संभावनाएं होनी चाहिए।
कहा कि, कोर आर्टिफिशियल इंटेलिजेंस मशीनों के बारे में सोचती है। इसलिए बेहतर होगा कि आप औपचारिक तर्क, ऑटोमेटा और जटिलता सिद्धांत के माध्यम से हों।
आप Youtube पर उनके वीडियो के साथ शुरू कर सकते हैं। यह सरल है, पायथन में एक बुनियादी ज्ञान के साथ , आप एमएल के साथ बहुत कुछ कर सकते हैं।
मुझे यह भी मिला, क्लाउड एआई एडवेंचर्स का एक नया वीडियो "द 7 स्टेप्स ऑफ मशीन लर्निंग" समझाता है , आप यहां देख सकते हैं ।
गणित के बारे में, मैंने वही सवाल पूछा जब मैंने ML / AI सीखना शुरू किया। मैं गणित के साथ अच्छा नहीं हूँ, बस मूल बातें (डेवलपर भी)। लेकिन आज, TensorFlow और अन्य पुस्तकालयों के साथ, आप सिद्धांत और परिभाषा पर ध्यान केंद्रित कर सकते हैं। तो, चिंता न करें, समय के साथ, एआई मॉडल का निर्माण कुछ बटन और लेबल के साथ किया जाएगा ... शायद यह हो रहा है।
जैसा कि उन्होंने अच्छे संसाधनों का सुझाव दिया है और कई संसाधन हैं, लेकिन मैं आपको आर्टिफिशियल इंटेलिजेंस (एआई) की सर्वश्रेष्ठ पुस्तक के साथ शुरुआत करने की सलाह दूंगा । , मशीन लर्निंग का परिचय और आर्टिफिशियल इंटेलिजेंस का - मशीन लर्निंग
और यह वीडियो सारांश जो गणित का ज्ञान है जो आपको मशीन लर्निंग के गणित की आवश्यकता है और यह लिंक समझाता है एआई के लिए गणित की : आपको आवश्यक सभी आवश्यक गणित विषय
उसके बाद, आप इन लिंक को देख सकते हैं, ये मेरे पसंदीदा हैं