- max笔记
-
人工智能专业学习的主要课程有认知心理学、神经科学基础、人类的记忆与学习、语言与思维、计算神经工程等。人工智能专业是中国高校人才计划设立的专业,旨在培养中国人工智能产业的应用型人才,推动人工智能一级学科建设。
- okok云
-
<
人工智能,即AI(ArtificialIntelligence),是一门包含计算机、控制论、信息论、神经生理学、心理学、语言学等综合学科
- 余辉
-
一、高等数学知识
数学知识包括数据分析、概率、线性代数、矩阵、凸优化等。
二、编程语言
编程语言比较多,如C、C++、MATLAB、LISP、Prolog和Python等。其中,重点要学好Python语言,Python是机器学习比较流行的语言,Python比较简单,能调用其它语言,发挥各语言优势。
Python语言具有的优势:
(1)具有清晰的Python语法结构。容易理解,即使不是编程人员也能理解程序的含义;
(2)容易操作纯中文文件;
(3)Python的科学工具可以与绘图工具Matplotlib协调工作;
(4)使用广泛、存在大量的开发文档。目前科学和金融领域Python语言得到了广泛应用。
三、机器学习
机器学习包括:回归算法、决策树、随机森林和提升算法;数据分析的Aprior算法和关联规则等。机器学习”的数学基础是“统计学”、“信息论”和“控制论”。还包括其他非数学学科。
机器学习的特征:
(1)建立简单的机器学习模型,按照重要性对特征进行排列;
(2)根据得到的特征排列,有针对的进行工程,提取特征;
(3)重复上述过程,不断的优化自己的模型,找到关键的特征;
(4)对模型的参数进行调参,最优化,得到最佳模型组合。
其他网友回答:
1.数学能力:高等数学、线性代数、概率论等,必须得掌握最基础的东西,比如微积分、矩阵运算、概率公式等。算法的基础就是数学。2.编程能力:掌握一门语言(建议pytjon),能独立编写代码、调试程序。3.计算机思维:熟悉数据结构,了解数据库、操作系统等。4.算法:理解常见的算法,比如动态规划、贪心。5.机器学习:掌握常见的机器学习算法,比如LR、SVM、随机森林等。6.深度学习:掌握基本的神经网络结构,包括多层感知机、CNN、RNN。7.文献阅读能力:跟踪前沿,掌握新思路、新想法。比如attention、GNN。
- 小菜G
-
字幕组双语原文:人工智能本科学位完整四年课程规划(斯坦福)
英语原文:A Complete 4-Year Course Plan for an Artificial Intelligence Undergraduate Degree
翻译:雷锋字幕组(明明知道、jiazhenbin、娄门人家)
离开学校已经有一段时间了,我现在有许多时间可以去反思下某些课程对我在人工智能和机器学习领域的发展有多大益处。我决定将我的想法在这篇文章中发表,为四年制人工智能本科学位的学习给出一个完整的课程规划。
这些课程旨在为人工智能和计算机科学领域的新人们提供广度与深度并重的知识。这个课程体系的构建深受我所学过课程的启发,并且反映了那些我认为在人工智能生涯中必备的技能。
你也许通过Coursera在线课程就能获得某些人工智能领域的知识,但我的侧重点是在实际应用中培养对这些概念的深层理解。彻底理解某个领域确实花费时间,但我认为所谓的“捷径”并不可行,因此,这个课程规划是为那些想从基础理论开始系统学习的人们配备的。
介绍结束了,就让我们开始吧。
第1学年:构建你的学业基础?
在人工智能学位学习的第1年,你应该聚焦于学习那些构成计算机科学和现代机器学习基础的核心概念。此处,我假设你完全没有计算机科学先修经历,所以,这一年的主要精力应该花在学习软件和算法基础上,在你的整个学位学习阶段和职业生涯中都将会需要这些基础知识。你应该聚焦的课程包括:
程序设计基础(Programming Fundamentals):介绍面向对象程序设计及数据结构(集合、图等)。人工智能从业者需要有扎实的软件工程技能。相关课程代码:CS 106B。
计算机系统导论(Introduction to Computer Systems):讲授从低层来角度来看计算机科学系统是如何设计和构成的。其中,重点在于学习软件编译过程,当你运行程序时会发生什么,在内存中程序是如何组织的等。相关课程代码:CS 107。
算法(Algorithms):涵盖广泛使用的计算机科学算法后面的数学和理论,比如广度优先遍历、动态规划,以及如何分析那些算法的内存和运行时特点。相关课程代码:CS 161。
概率论(Probability Theory):概率统计是许多机器学习算法的核心, 学习如何解释和分析数据对于任何机器学习或大数据科学的领域来说 ,都是至关重要的。相关课程代码:CS 109。
线性代数(Linear Algebra):涵盖如何运用矩阵和向量,解线性方程,应用最小二乘法。这些数学基础知识在机器学习领域都被广泛使用。相关课程代码:EE 103。
多维微积分(Multi-dimensional Calculus):你应该能轻松地解得函数梯度,因为这是诸如反向传播算法之类的现代深度学习主力算法的核心技术。相关课程代码:工程向量微积分。
- 第二年:探索领域,开发系统知识 ?
人工智能导论(Introduction to Artificial Intelligence):涵盖了不同的人工智能领域的广泛概述,如搜索、游戏、逻辑、图形模型、机器学习和这些算法的应用。这样的课程应该为从符号逻辑到统计技术等方法的思想演变提供历史背景。相关课程:CS 221。
编译器(Compilers):涵盖编译器背后的设计和理论,理想情况下强调从头构建一个完整的编译器。编译器是你编写的每一个程序的核心,即使对人工智能从业者来说,理解它们的工作原理也是很重要的,这样你才能成为有能力的工程师。这样的课程将让你很好地接触到如何构建一个复杂的软件系统,着重于模块化的、经过文档化和测试的、架构良好的组件。除此之外,如果你对追求应用于语言理解的人工智能感兴趣,编译器的设计和传统自然语言处理堆栈之间的相似之处是不可思议的。相关课程:CS 143。
数据库导论(Introduction to Databases):涵盖数据库管理系统背后的原理,重点诸如关系数据模型、索引、模式和事务等部分。任何现代数据科学家或机器学习工程师都必须在某种程度上与数据库交互,因此了解它们的组织架构方式至关重要。相关课程:CS 145。
并行计算(Parallel Computing):并行计算平台构成了当今许多平台和技术的核心,从 Apache Spark 到 GPU 等硬件。有关并行计算的课程应该介绍这些系统背后的思想,以便你更熟练地有效地使用它们。相关课程:CS 149。
操作系统(Operating Systems):如果你想真正擅长系统编程,成为一个更熟练的工程师,那就去上一门操作系统课程,在这门课程中,你必须从头开始构建一个操作系统。您不仅将学习如何设计操作系统,还将学习如何成为一名精通Debug代码的程序员。在未来的人工智能职业中,这些基本技能将是无价的。相关课程:CS 140。
- 第三年:进阶课程深度挖掘?
机器学习(Machine Learning):涵盖机器学习的原则,包括监督和非监督学习和模型训练概念,如偏方差权衡、正则化和模型选择。一定要学习这些理论并把它们学好,因为人工智能从业者每天都在使用它们。相关课程:CS 229。
凸优化(Convex Optimization):涵盖解决凸优化问题背后的思想与应用到统计、机器学习、信号处理和其他领域。虽然现在许多模型使用非凸目标,但这有助于理解可处理优化问题背后的形式。相关课程:EE 364A。
概率图形模型(Probabilistic Graphical Models):涵盖图形模型范式,它允许对随机变量的大量集合进行概率建模。计算机视觉和自然语言处理等各种应用中的许多问题都可以用图形模型来表达,因此了解这些思想是有帮助的。相关课程:CS 228。
数据挖掘(Data Mining):涵盖如何处理大数据集的技术和方法,尤其侧重于推荐系统、聚类和大规模监督机器学习等应用领域。鉴于每天都会产生大量新数据,人工智能从业者必须适应大规模操作和分析数据,特别是通过使用 Spark 这样的现代工具包。相关课程:CS 246。
自然语言处理(Natural Language Processing):介绍让机器理解文本数据背后的理论和实践。这样的课程应该概述诸如解析和命名实体识别之类的传统自然语言处理中的任务,并讲授如何使用诸如深度学习之类的技术来解决这些任务。相关课程:CS 224N。
用于计算机视觉的卷积神经网络(Convolutional Neural Networks for Computer Vision):涵盖了现代深度学习体系结构背后的理论,尤其是与构建计算机视觉模型有关的理论。在当今的人工智能领域中,想要获得成功,拥有扎实的神经网络基础至关重要。相关课程:CS 231N。
- 第四年:实践经验至关重要?
参加项目课程:一些大学会开设一些课程,在这些课程中,你可以在整个课程期间严格地处理一类问题中的单个项目。这些类很好,因为您有时间真正深入研究项目的所有复杂性。我想到的一个例子是 CS 341。
参与研究:参与研究是获得人工智能工作中所有错综复杂的实践经验的一种十分有效的方式。主动帮助研究生完成你感兴趣的课题,或者请求老师资助你自己的课题!通过这样做,你会很好地了解从事人工智能课题时的日常工作情况。
进行行业实习:如果你的时间安排允许,可以考虑从学校请假到一家人工智能公司实习。许多公司都提供 3-6 个月的实习机会,让你接触到所学原理的实际应用。如果你打算毕业后马上就进入工业界,那么没有更好的方式来体验数据科学家或机器学习工程师的工作。
人工智能本科二年级学生的重点应该是让自己了解人工智能的一般原理,已经解决的问题是什么以及是如何解决的。此外,你应该继续理解与模型构建相关的计算机系统,并实践软件工程和设计原则。为此,建议学习以下课程:
在第三年,你应该专注于深入学习机器学习以及统计原理的特定领域应用,包括自然语言处理、大数据分析和计算机视觉。以下是一些推荐的课程:
第四年的课程名称应该是实践、实践、再实践!在你完成你的头三年课程的时候,你对低级计算机科学和软件工程原理以及人工智能概念及其应用背后的理论已经有了深入的了解。在这一点上,你需要多花时间动动手。
找到您感兴趣的研究领域,获取现有数据集(或开发自己的数据集),然后开始构建模型。学习数据处理、假设检验和错误分析的细微差别。学习如何对模型进行故障排除。
想要成为一名人工智能领域的专家,那需要将你所学到的所有原则付诸实践。下面是一些如何尽可能多实践的方法:
至此,你已经完成了一个完整的四年课程规划,为你未来成功的机器学习或数据科学的职业生涯准做好了准备!值得一提的是,并非必须参加上述所有课程。
另一种方法是浏览上述列表,并选修有关课程来填补自己的概念或技能空白。虽然有很多东西要学习,但但现在正是参与人工智能的激动人心的时刻,机遇无穷,研究领域广阔,未来大有可为。好运!
雷锋字幕组是由AI爱好者组成的志愿者翻译团队;团队成员有大数据专家、算法工程师、图像处理工程师、产品经理、产品运营、IT咨询人、在校师生;志愿者们来自IBM、AVL、Adobe、阿里、百度等知名企业,北大、清华、港大、中科院、南卡罗莱纳大学、早稻田大学等海内外高校研究所。
了解字幕组请联系微信:tlacttlact
转载请联系字幕组微信并注明出处:雷锋字幕组
雷锋网雷锋网
- 北境漫步
-
人工智能,即AI(ArtificialIntelligence),是一门包含计算机、控制论、信息论、神经生理学、心理学、语言学等综合学科
- 我不懂运营
-
即AI(ArtificialIntelligence),是一门包含计算机、控制论、信息论、神经生理学、心理学、语言学等综合学科
- nicehost
-
排放冷却是对流冷却的另一种。与再生冷却不同,用于排放冷却的冷却剂对推力室冷却吸热后不进入燃烧室参与燃烧,而是排放出去。直接排放冷却剂会降低推力室比冲,因此需要尽可能减少用于排放冷却的冷却剂流量,同时只在受热相对不严重的喷管出口段采用排放冷却。还有一种是辐射冷却,其热流由燃烧产物传给推力室,再由推力室室壁想周围空间辐射散热。辐射冷却的特点是简单、结构质量小。主要应用于大喷管的延伸段和采用耐高温材料的小推力发动机推力室。在组织推力室内冷却时,是通过在推力室内壁表面建立温度相对较低的液体或气体保护层,以减少传给推力室室壁的热流,降低壁面温度,实现冷却。内冷却主要分为头部组织的内冷却(屏蔽冷却)、膜冷却和发汗冷却三种方法。推力室采用内冷却措施后,由于需要降低保护层的温度,所以燃烧室壁面附近的混合比不同于中心区域的最佳混合比(多数情况下采用富燃料的近壁层),造成混合比沿燃烧室横截面分布不均匀,使燃烧效率有一定程度的降低。膜冷却与屏蔽冷却类似,是通过在内壁面附近建立均匀、稳定的冷却液膜或气膜保护层,对推力室内壁进行冷却,只是用于建立保护层的冷却剂不是喷注器喷入的,而是通过专门的冷却带供入。冷却带一般布置在燃烧室或喷管收敛段的一个横截面上。沿燃烧室长度方向上可以有若干条冷却带。为提高膜的稳定性,冷却剂常常经各冷却带上的缝隙或小孔流入采用发汗冷却时,推力室内壁或部分内壁由多孔材料制成,其孔径为数十微米。多孔材料通常用金属粉末烧结而成,或用金属网压制而成。此情况下,尽可能使材料中的微孔分布均匀,是单位面积上的孔数增多。液体冷却剂渗入内壁,建立起保护膜,使传给壁的热流密度下降。当用于发汗冷却的液体冷却剂流量高于某一临界值,在推力室内壁附近形成的是液膜。当冷却剂流量低于临界值流量时,内壁温度会高于当前压力下的冷却剂沸点,部分或全部冷却剂蒸发,形成气膜。除了以上热防护外,还有其他热防护方法如:烧蚀冷却、隔热冷却、热熔式冷却以及室壁的复合防护等。3 高焓气体发生器热防护方案综合上述方法结合实际情况,便得到高焓气体发生器的热防护方法。高焓气体发生器的燃烧室与液体火箭发动机的不同,省去前面的推力室部分,使得其结构更简单而有效。那么,所涉及到的热防护即为对燃烧室室壁的热防护部分。由于燃料进入燃烧室内迅速分解并放出大量
- 真可
-
<
人工智能,即AI(ArtificialIntelligence),是一门包含计算机、控制论、信息论、神经生理学、心理学、语言学等综合学科
- ardim
-
人工智能,即AI(ArtificialIntelligence),是一门包含计算机、控制论、信息论、神经生理学、心理学、语言学等综合学科
- wio
-
人工智能需要学习哪些课程?
需要学习计算机基础课,比如高级编程语言,也就是C语言,这是理解计算机工作原理,最合适入门的
第二个就是要学计算机科学的基础,也就是数据结构与算法,这门课学好,非常难,需要反复思考,反复练习,
还要学习很多数学知识,因为数学是人工智能理论的基础,比如高等数学线性代数概率论离散数学,
这是人工智能需要最基本的几门课了,往下发展就是机器学习理论,这个是人工智能最重要的前沿基础,只有学好它,你才能研究好人工智能
还要学习python,这个是人工智能编程最主要的语言,如果数学和机器学习学的不好,那么你从事人工智能工作就只能做一些简单的调包调参
首先你需要数学基础:高等数学,线性代数,概率论数理统计和随机过程,离散数学,数值分析
其次需要算法的积累:人工神经网络,支持向量机,遗传算法等等算法;当然还有各个领域需要的算法,比如你要让机器人自己在位置环境导航和建图就需要研究slam;总之算法很多需要时间的积累;
然后,需要掌握至少一门编程语言,毕竟算法的实现还是要编程的;如果深入到硬件的话,一些电类基础课必不可少;
人工智能一般要到研究生才会去学,本科也就是蜻蜓点水看看而已,毕竟需要的基础课过于庞大。