कृत्रिम बुद्धिमत्ता में एल्गोरिदम के मुख्य भाग को समझने और स्वयं के एल्गोरिथ्म को विकसित करने के लिए गणितीय पूर्वापेक्षाएँ क्या हैं?
कृपया, मुझे विशिष्ट पुस्तकों का संदर्भ दें।
कृत्रिम बुद्धिमत्ता में एल्गोरिदम के मुख्य भाग को समझने और स्वयं के एल्गोरिथ्म को विकसित करने के लिए गणितीय पूर्वापेक्षाएँ क्या हैं?
कृपया, मुझे विशिष्ट पुस्तकों का संदर्भ दें।
जवाबों:
अच्छा गणित फाउंडेशन
मध्यवर्ती बीजगणित और कलन और असतत गणित की कुछ अन्य नींव के साथ पूर्ण योग्यता सुनिश्चित करने से शुरू करें, जिसमें इन विषयों के भीतर शब्दावली और बुनियादी अवधारणाएं शामिल हैं।
साइबरनेटिक्स की नींव
नॉर्बर्ट वीनर, साइबरनेटिक्स, 1948, एमआईटी प्रेस, में बाद की रचनाओं में नहीं देखी गई स्पष्टता और आदेश के साथ समय श्रृंखला और प्रतिक्रिया अवधारणाएं शामिल हैं; इसमें शैनन के लॉग 2 फार्मूले के साथ शुरू होने वाले सूचना सिद्धांत का परिचय भी है, जो जानकारी की मात्रा को थोड़ा परिभाषित करता है। सूचना एन्ट्रापी अवधारणा के विस्तार को समझना महत्वपूर्ण है।
गणना
एक अच्छी कैलकुलस बुक ढूंढें और सुनिश्चित करें कि आपके पास इन श्रेणियों में मुख्य सिद्धांत और अनुप्रयोग के आसपास स्पष्टता है।
इसमें से अधिकांश कैलकुलस , स्ट्रैंग, एमआईटी, वेलेस्ले-कैम्ब्रिज प्रेस में है । हालांकि पीडीएफ वेब पर उपलब्ध है, यह बुनियादी है और विशेष रूप से गहरा नहीं है। हमारी प्रयोगशाला की लाइब्रेरी में एक है इंटरमीडिएट कैलकुलस , हर्ले, होल्ट रेनहार्ट एंड विंस्टन, 1980 । यह व्यापक है और कुछ मायनों में बेहतर है कि मेरे घर की लाइब्रेरी में मेरे द्वारा रखी गई किताब है, जिसे प्रिंसटन सोफोरमोर के लिए उपयोग करता है।
सुनिश्चित करें कि आप you 2 ( 2 डी से परे) से परे रिक्त स्थान में काम कर रहे हैं । उदाहरण के लिए, इस तरह के RNNs ℝ के रूप में रिक्त स्थान में अक्सर 4 ℝ thorugh 7 क्योंकि क्षैतिज, खड़ी, पिक्सेल गहराई, और फिल्म फ्रेम आयामों की।
परिमित मठ
यह दुर्भाग्यपूर्ण है कि मैं इन तीनों में से किसी भी तीन पुस्तकों का कोई संयोजन नहीं सोच सकता।
रसायन विज्ञान और न्यूरोलॉजी
हाई स्कूल केमिस्ट्री से रासायनिक संतुलन को याद करना अच्छा है। संतुलन अधिक परिष्कृत AI डिजाइनों में एक महत्वपूर्ण भूमिका निभाता है। GAN में जेनरेटर और भेदभावपूर्ण मॉडल के बीच सहजीवी संबंध को समझने से एक छात्र को इस समझ को आगे बढ़ाने में मदद मिलेगी।
जैविक प्रणालियों के भीतर नियंत्रण कार्य कृत्रिम बुद्धि अनुसंधान में अवधारणा के प्रमाणों का एक प्राथमिक स्रोत बने हुए हैं। चूंकि शोधकर्ता अनुकूलन के रूपों की कल्पना करने में अधिक रचनात्मक हो जाते हैं, जो जीव विज्ञान के कुछ पहलू (अभी भी इस लेखन के रूप में एक दूरी से दूर) की नकल नहीं करते हैं, एआई अनुसंधान उद्देश्य निर्माण में रचनात्मकता एक बड़ा रोल निभा सकती है।
फिर भी, एआई शायद काफी हद तक अंतःविषय क्षेत्र बना रहेगा।
मैं एक प्रोफेसर के रूप में काम करता हूं, और हाल ही में अन्य संस्थानों में अपने कई सहयोगियों के परामर्श से एक नए एआई प्रमुख के लिए गणित की आवश्यकताओं को डिजाइन किया है।
अन्य उत्तर, विशेष रूप से @ FauChrisian सभी विशिष्ट विषयों को सूचीबद्ध करने का एक अच्छा काम करते हैं जो एआई में कहीं उपयोगी हो सकते हैं , लेकिन उनमें से सभी कोर विषयों को समझने के लिए समान रूप से उपयोगी नहीं हैं। अन्य मामलों में, विषय को समझना अनिवार्य रूप से संबंधित एआई एल्गोरिदम को समझने के समान है, इसलिए हम आमतौर पर केवल पूर्वाभास ज्ञान ग्रहण करने के बजाय उन्हें एक साथ सिखाते हैं। उदाहरण के लिए, मार्कोव निर्णय प्रक्रियाएँ किसी को सिखाना मुश्किल नहीं हैं जो पहले से ही ग्राफ सिद्धांत और संभावनाओं की मूल बातें जानता है, इसलिए हम आम तौर पर उन्हें तभी कवर करते हैं जब हम गणित में एक अलग विषय के बजाय एआई पाठ्यक्रम में सुदृढीकरण शिक्षण सिखाते हैं। पाठ्यक्रम।
गणित की आवश्यकताओं को हम इस तरह देखते हैं:
असतत गणित में एक या दो सेमेस्टर पाठ्यक्रम। यह प्रमाण और गणितीय कठोरता के साथ क्षेत्र में किसी भी विशिष्ट विषय के साथ आराम स्थापित करने के लिए उतना ही है। यह ज्यादातर सिर्फ "मूलभूत" ज्ञान है, लेकिन इसके बिट्स बहुत उपयोगी हैं। अनंत योगों के साथ आराम, रेखांकन, कॉम्बीनेटरिक्स और असममित विश्लेषण की मूल बातें शायद सबसे सीधे लागू होने वाले हिस्से हैं। मुझे सुज़ाना एप की किताब पसंद है ।
रैखिक बीजगणित में एक या दो सेमेस्टर पाठ्यक्रम, जो एआई, विशेष रूप से मशीन सीखने और डेटा खनन में विषयों की एक विस्तृत विविधता में उपयोगी है। ले एंड ले एक ठीक किताब है, लेकिन शायद सबसे अच्छा नहीं है। शिलोव इयान गुडफेलो और अन्य लोगों से एक सिफारिश है, लेकिन मैंने इसे खुद करने की कोशिश नहीं की है।
संभाव्यता में एक पाठ्यक्रम, और संभवतः आंकड़ों में एक आधुनिक पाठ्यक्रम (यानी बायेसियन फ़ोकस के साथ)। आंकड़ों में एक पुराना पाठ्यक्रम, या सामाजिक वैज्ञानिकों को लक्षित करना, हालांकि बहुत उपयोगी नहीं है। मेरे सांख्यिकीविद् अभी लॉक 5 का उपयोग कर रहे हैं, और इसके साथ अच्छे अनुभव हैं।
कम से कम अंतर और अभिन्न कलन, और अधिमानतः वेक्टर पथरी में कम से कम आंशिक व्युत्पन्न, लेकिन शायद पूरे पाठ्यक्रम। यह एआई के अनुकूलन, मशीन सीखने और अर्थशास्त्र-आधारित दृष्टिकोणों में उपयोगी है। स्टीवर्ट सबसे आम पाठ्यपुस्तक है। यह व्यापक है, और सभी तीन पाठ्यक्रमों के लिए उपयोग किया जा सकता है, लेकिन यह स्पष्टीकरण हमेशा बहुत अच्छे नहीं हैं। मैं फिर भी इसकी सिफारिश करूँगा।
वे मूल विषय हैं। यदि आपके पास प्रोग्रामिंग में पारंपरिक पृष्ठभूमि भी नहीं है , तो ग्राफ थ्योरी में एक कोर्स और असममित जटिलता या एल्गोरिथ्म डिजाइन और विश्लेषण की मूल बातें अच्छे पूरक हो सकती हैं। आमतौर पर एआईर्स एक मानक कंप्यूटर विज्ञान पृष्ठभूमि से आते हैं, जो उन सभी चीजों को बहुत अच्छी तरह से कवर करता है।
जहां तक ग्रेडिएंट डिसेंट जैसे सरल एल्गोरिदम का सवाल है, आपको आंशिक डेरिवेटिव की अच्छी समझ होनी चाहिए। खासकर यदि आप तंत्रिका नेटवर्क को लागू करना चाहते हैं। कंप्यूटिंग गति में सुधार करने के लिए अधिकांश एल्गोरिदम वेक्टर किए गए हैं और इसलिए आपको मैट्रिक्स गणित के साथ सहज होने की आवश्यकता है। इसमें मैट्रिसेस के आयाम, उत्पादों के आयाम, मैट्रिसेस के गुणन, स्थानांतरण और इतने पर वास्तव में त्वरित और कम्फर्टेबल होना शामिल है। शायद ही कभी, आप इष्टतम समाधान पर सीधे आने के लिए मैट्रिक्स पथरी का उपयोग कर सकते हैं, इसलिए इस क्षेत्र से कुछ परिणाम करना चाहिए। आगे बढ़ते हुए, आपको कुछ फ़ंक्शन विश्लेषण को समझने की आवश्यकता है। सिग्मॉइड और टैन जैसे सक्रियण कार्यों पर एक अंतर्ज्ञान प्राप्त करने के लिए यह आवश्यक है, लॉग कर रहे हैं। संभाव्यता और अपेक्षाओं की समझ भी वास्तव में उपयोगी है। आपको ऑर्थोगोनल वैक्टर और आंतरिक उत्पादों के साथ भी स्पष्ट होना चाहिए।
कहा जा रहा है, मैं आपको बुनियादी कलन और मैट्रिक्स ऑपरेशन समझूंगा और AI अवधारणाओं को सीखने की कोशिश करूंगा। यदि आप कुछ पता नहीं लगा सकते हैं, तो गणित का अन्वेषण करें।
नोट: फिर से यह केवल शुरू करने के लिए है।