AI技术讲座精选:数学不好,也可以学习人工智能

【AI100导读】越来越多工程师想学习大热的深度学习,但深度学习技术需要数学功底,数学不好怎么办?这篇文章可以提供成为深度学习工程师的数学路径。

如果你像我一样,也着迷于人工智能。也许你想深入挖掘,并在 TensorFlow 或 Theano 运行一个图像分类器。也许你是一个敢于尝试新事物的开发人员或系统架构师,你知道计算机非常好,但只有一个小问题:

你的数学不好。

没关系!这里,我向你分享一个小秘密,此外我这里向你推荐一些书籍和网站,它们将真正帮助你快速提高。

像许多人一样,我对智能机器的爱不是来自微积分课程。 它源自于科幻小说。我记得自己在一个美丽的夏天的晚上,读《I, Robot》,想象着如何找到 Asimov 的《Three Rules of Robotics》。

看完名作《2001: A SpaceOdyssey》和《Ghost in the Shell》,自己感觉似乎不知道哪一天,格式塔思想可能从闪烁的信息海洋中涌出,并宣布自己有感情。当我长大开始发表自己的科幻作品,我想象着人工智能作为一个普遍的力量,如同电力一样无处不在,涉及生活的每一个方面。

我们需要弄清楚为什么人工智能现在能够脱颖而出。大多数人工智能,在80年代和90年代早期做出的承诺都没有实现,人工智能一直处在冰冻状态。在过去的几年里,随着深度学习的突然成功,一切都改变了。

也许你在“纽约时报”上看到过这个故事,论述谷歌如何在一夜之间改变其翻译服务(即提供与专业翻译人员准确性相匹敌的服务)在仅仅九个月的时间里,他们超过了过去七年间翻译平台总的翻译能力。

也许你读过一个这样的故事:孩子用开源工具,在自己神奇(freaking)车库里开发了一辆无人驾驶汽车你可能也看过了下面这个惊人的幻灯片,显示深度学习如何在短短几年内横扫整个图像识别领域:相关模型的错误率开始时在25%左右,而在2017年,一些模型的表现已经超过人类。

无论你办事多么有效率,人工智能比你更有效率,它已经解决了几十年来困扰我们的棘手问题。我们知道如何驾驶汽车,但我们不能告诉机器怎么做。但是,我们可以让机器为自己找出答案。现在从硅谷出来的技术不只是炒作的概念,而是真实的实体。人工智能受欢迎,是有原因的。

现在,顶级人工智能研究人员的年收入已经超过了国家橄榄球联盟中首发的中卫。而你,想加入这场淘金热中。另外,你可能看到了一个非常可怕的未来:人工智能胜任所有的工作。作为一个传统的软件工程师或系统管理员,你需要确保自己有在一个以人工智能为中心的世界中竞争的技能。没问题。已经有很多的教程。你只需要开始学习。

然后你会看到像下面这一段,这段文字节选自 Ian Goodfellow 的一本具有开创性的书——《Deep Learning》。你会发现自己完全不知道他在说什么。

协方差给出了两个值彼此线性相关的程度大小,以及这些变量的规模:

问题就在于,你必须理解一个系统嵌套的逻辑,术语,符号和思想,这些都是相互关联的,但你却没有任何基础。所以这些东西对你来说,基本上相当于天书。你可能会理解相关文本的字面意思,但其余的都是废话。这很快就会让人变的非常沮丧。

但是不要害怕!你还没有失去一切。

我在这里用一些书帮助你解决重重困难,会让你像一个学者一样处理数据。也许你不会是Daniel Tammet,但是你可以抛开那些关于背诵乘法表的痛苦回忆,并得到启迪。你可以像一个成年人一样学习数学。

我试着阅读一些人工智能的文本和教程。我直观地理解了这些概念。他们对我来说是完美的感觉。只是,当我看到一串符号时我的大脑呆滞,我不知道我在读什么。作为系统架构师,我的生活的大部分时间里不需要太多的数学。有IP子网的备忘清单,只要我知道电力通常可以沿着电缆移动多远,我就可以切割它们并适当地卷曲它们。在我生活的大部分时间里,我只需要了解系统如何设置,它们如何协同工作以及如何保持运行。系统管理可以视为布尔函数。它要么工作,要么不工作。但是人工智能和数学却受大脑的其他地方影响。

我需要的是一些为像你不懂数学一样的成年人写的通俗读物。我也需要那些可以告诉我为什么数学可以发挥作用的书。在学校里,你学习的原因可能是“闭嘴,去做,否则就惩罚你”。但是作为一个成年人你需要更多理由来说服自己学习。你也想知道某件事成功的原理。

你需要的第一本书是《Mathematics: A Very Short Introduction》(已有中文版出版——《牛津通识读本:数学》,https://book.douban.com/subject/25829287/),来自Timothy Gowers。

这本书精妙地分解了数学的“为什么”。它将主体与现实世界联系起来,进入背后隐藏的哲学理念,然后快速地离开。因为你不需要理解分数是否在自然界或柏拉图层面。相反, Timothy 帮助我明白,数学是一个抽象的概念。它将问题分解为更简单,更清晰的步骤。制定一个精确模拟盒子中粒子相互作用的模型,需要考虑现实世界的物理属性,如磁干扰,重力,碰撞力,粒子初始方向和速度以及很多很多方面。

我们可以证明,现实生活是一系列复杂的算法。但这里是有窍门的。在实践中,你不需要一个完美的模型。相反,数学似乎把这个问题分解成了它的基本组成部分。什么是关键因素?数学给你这个问题的抽象答案,使你可以把这个问题与其他问题放在一起,综合考虑。本质上,数字本身并不重要。它们只是变量。数学可以归纳为变量和规则。你可以学习这些变量和规则!

当你阅读这本书时,你会想要这个网站中的主要数学符号便携指南。如果你能像我一样,你就必须在坚持不下去之前成百上千次的记忆这些符号。你可能会发现,刚翻过去几秒钟,自己就忘记了刚才的各种符号!但不用担心,这个备忘单是完美的。接着深吸一口气,继续慢慢地浏览一个接一个的符号,直到你开始理解这一连串疯狂的符号。即使你要查阅每个符号一千次,你也必须去做!生活中没有学习的捷径。你只需要去做这项工作。

现在有两个强大的竞争者,来帮助你建立自己的数学基础。第一个是 Morris Kline 写的:《Mathematicsfor the Nonmathemetician》。第二个是 Ivan Savov 写的《No Bullshit Guide to Math and Physics》。这两本书各有自己的思想。我比较喜欢后者,因为它会直接切入,讨论实质问题,并仍然设法与数学保持非常密切的关联。“前面那本书的篇幅更长,更详细地介绍了数学史以及它在世界上的作用。有些人会很喜欢这种方法。《No Bullshit Guide to Math and Physics》那本书,正如任何工作本身的工作方式那样,是直截了当的,没有答案,快速切入公式。这基本上是一个规则的引子。这将吸引那些缺乏深度思考能力的人。

下一本你想要的是 Jim Loats 和 Kenn Amdahl 的《Algebra Unplugged》。现在书中有一些拼写错误,但我发现这些东西无伤大雅。我欣赏这本书的风格,慢慢入门,接着节奏快速加快。有些人仅仅遇到一些拼写错误时,就觉得这样的学习毫无意义,但要记着,你还有更大的麻烦呢!当你想学习数学时,你的大脑不像你年轻时那样可塑!因此忽视这里的拼写错误,要去把握全局。这本书将真正帮助你朝正确的方向前进。

在你完成上面的数学学习之后,你需要深入学习 Tariq Rashid 所写的《Make Your Own Neural Network》。它其实也有一些拼写错误。但幸运的是,有一个伟大的Github库在持续更新,修复了他们中的大多数错误。这本书是非常温和和直观的。它似乎在你刚刚看到这本书时,就预料到你的抵触和担忧。作者的不可思议在于当你产生抵触情绪时,他发现了这一点。这本书只专注于你需要的神经网络的数学。然后它通过Python代码工作,并假设你对编程一无所知。最后,它让你从头编码自己的神经网络程序。现在,当然有一些工具,可以更好的为专业项目服务。但这本书有助于你亲自尝试构建自己的第一个神经网络模型,所以它将是你理解相关成熟模型的基础。

在看完那本书之后,您将需要开始浏览网络。每天都有新的精彩教程。也许可以看看《Tensorflow for Poets》,《RecurrentNeural Networks for Artists》。

用媒体学习人工智能是很好的一种途径的。例如,查看这篇讨论各种数据挖掘编程语言的综合文章,跟自己摸索相比,你可以获得更深的理解。话又说回来,也许你不是上课学习的类型,更喜欢自己探索?没有问题。请看看这个来自人工智能研究员 ArthurJuliani 的八篇系列文章。还有《Machine Learning is Fun》,这是一个网上很棒的系列教程。

最后,你可能会想读一本更高级的书,锻炼自己理解更具挑战性的概念。我推荐前面提到的 Ian Goodfellow 的《Deep Learning》,你可以在线阅读或在亚马逊上获取一份副本。

本文作者 Daniel Jeffries 是一位作家、工程师和企业家,研究领域涵盖了从Linux 到虚拟化和容器的各种技术。


编译: AI100

原文地址:https://hackernoon.com/learning-ai-if-you-suck-at-math-8bdfb4b79037#.gb6vrdxm1


原文发布于微信公众号 - AI科技大本营(rgznai100)

原文发表时间:2017-01-14

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏新智元

Ian Goodfellow:我最大的失败是用无监督解决计算机视觉的监督学习问题

1824
来自专栏AI科技评论

学界 |「眼」来助听:谷歌视觉-音频分离模型解决「鸡尾酒会效应」

Google Research 软件工程师发表了可解决「鸡尾酒会效应」视觉-音频语音识别分离模型。 AI 科技评论按:人类很擅长在嘈杂的环境下将其他非重点的声...

4297
来自专栏人工智能头条

“吴恩达deeplearningai”微信公众号上线,将发布《机器学习训练秘籍》

2264
来自专栏企鹅号快讯

No.3 啥是数据运营(三):思维方式

今天这篇可以说是思维方式的总结,一共十四对我个人而言较为重要的思维方式,分享给大家。请不要嫌弃我的灵魂画作。 1.信号与噪音(信度与效度) 信度的英文为Reli...

1928
来自专栏算法+

学习图像算法阶段性总结 (附一键修图Demo) 2016.04.19更新demo

今天特别感慨,自己从决定研究图像处理,势必要做出一键修图算法。 经历了,三个多月的书籍积累,三个多月的算法调整以及优化。 人是一种奇怪的动物,当你做不到的时候,...

3055
来自专栏CreateAMind

AI Insight:放弃幻想,搞 AI 必须过数学关

从2012年“大数据”概念兴起到2016年人工智能大热,已经四五年时间了,该看的热闹看到了,该爆炒的话题炒够了,该沉淀的也沉下来了。现在越来越多的人已经放下质疑...

1473
来自专栏大数据文摘

谷歌上线自带中文的机器学习免费课程,我们带你做了个测评

1695
来自专栏数据科学与人工智能

【大规模机器学习】大规模机器学习流程的构建与部署

大规模机器学习流程的构建与部署 现在有许多的机器学习算法实现是可以扩展到大数据集上的(其中包括矩阵分解、SVM、逻辑回归、LASSO 等等)。实际上,机器学习专...

30010
来自专栏AI科技大本营的专栏

特朗普“模仿”奥巴马?进阶版换脸技术DeepFakes来了

DeepFakes,这种能够移花接木的技术,它能将图像或视频中把一张脸替换成另一张脸。

1862
来自专栏AI科技大本营的专栏

文因互联鲍捷:深度解析知识图谱发展关键阶段及技术脉络 | 公开课笔记

知识图谱是人工智能三大分支之一——符号主义——在新时期主要的落地技术方式。该技术虽然在 2012 年才得名,但它的历史渊源,却可以追溯到更早的语义网、描述逻辑、...

1425

扫码关注云+社区

领取腾讯云代金券