Dies sind die besten kostenlosen Online-Lernressourcen für künstliche Intelligenz

Deep Learning ist kein Anfänger-freundliches Thema - auch für erfahrene Software-Ingenieure und Datenwissenschaftler. Wenn Sie dieses Thema gegoogelt haben, wurden Sie möglicherweise von den Ressourcen verwirrt, auf die Sie gestoßen sind.

Um die besten Ressourcen zu finden, haben wir Ingenieure nach ihren bevorzugten Quellen für vertiefendes Lernen befragt, und diese haben sie empfohlen.

Zu diesen Bildungsressourcen gehören Online-Kurse, persönliche Kurse, Bücher und Videos. Alle sind völlig kostenlos und wurden von führenden Professoren, Forschern und Branchenprofis wie Geoffrey Hinton, Yoshua Bengio und Sebastian Thrun entworfen.

Maschinelles lernen

Deep-Learning-Techniken bauen auf klassischen Methoden des maschinellen Lernens auf und werden häufig mit diesen kombiniert. Wenn Sie den Unterschied zwischen überwachtem und unbeaufsichtigtem Lernen nicht kennen oder der Meinung sind, dass „Gefälle“ eine Art Photoshop-Tool ist, sollten Sie unbedingt einen der folgenden Kurse belegen, um sich eingehend mit dem Thema vertraut zu machen.

1) Andrew Ngs maschinelles Lernen an der Stanford University (Online-Kurs)

Bevor Andrew Ng Chefwissenschaftler bei Baidu wurde, unterrichtete er maschinelles Lernen bei Stanford und war Mitbegründer von Coursera, der weltweit ersten MOOC-Plattform (Massively Open Online Course). Ngs sanfter Einstieg in den maschinellen Lernkurs ist perfekt für Ingenieure, die einen grundlegenden Überblick über die wichtigsten Konzepte in diesem Bereich erhalten möchten.

Als Ergänzung zum Online-Kurs sollten Sie die Vorlesungsunterlagen, Problemsätze und Matlab-Codebeispiele unter Ngs offiziellem Stanford-Kurs CS 229 - Maschinelles Lernen an der Universität lesen.

2) Sebastian Thruns Einführung in das maschinelle Lernen (Online-Kurs)

Sebastian Thrun hat eine lange Tradition in der Innovation von A.I. und autonome Fahrzeugtechnologie, die erstmals 2005 mit Stanfords Stanley-Team die DARPA Grand Challenge gewann. Außerdem leitete er Stanfords Labor für künstliche Intelligenz, gründete Googles Bereich für selbstfahrende Autos und Udacity, eine weitere MOOC-Plattform mit hervorragenden Angeboten für maschinelles Lernen und künstliche Intelligenz .

Thruns „Introduction To Machine Learning“ -Kurs ist eine solide Einführung in das Thema und zugleich die Grundlage für eine von Facebook und MongoDB gesponserte Data Analyst-Nanodegree-Zertifizierung.

Ebenfalls auf Udacity angeboten wird Thruns "Introduction to Artificial Intelligence", das die Grundlagen von A.I. sowie Anwendungen wie Robotik, Computer Vision und Verarbeitung natürlicher Sprache. Dieser Kurs führt in den von Kaggle gesponserten nanodegree Machine Learning Engineer.

Tiefes Lernen

Obwohl neuronale Netze in den 1960er Jahren erfunden wurden, wurde Deep Learning erst in den letzten Jahren durch die Explosion von Big Data und Rechenleistung möglich und populär. Sobald Sie sich mit den Grundlagen des maschinellen Lernens vertraut gemacht haben, können Sie dieses aufregende neue Gebiet der künstlichen Intelligenz kennenlernen.

1) Geoffrey Hintons Neuronale Netze für maschinelles Lernen (Online-Kurs)

Geoffrey Hinton gilt als „Vater des tiefen Lernens“ und ist Professor und Google Researcher an der Universität von Toronto. Hintons UT-Labor hat 2012 „Deep Learning“ in den Mainstream-Medien eingeführt, und zwar mit dem überraschenden Gewinn einer Herausforderung bei der Wirkstoffforschung von Merck, obwohl niemand im Team über molekularbiologische Kenntnisse verfügt. Plötzlich begann die New York Times mit Schlagzeilen wie „Wissenschaftler sehen Versprechen in Deep Learning-Programmen“.

Alaunen von Hintons Labor haben sein Erbe fortgesetzt. Yann LeCun, ehemals Postdoktorand in Hintons Labor, ist ein führender Innovator für Faltungsnetze und leitet jetzt Facebooks KI-Forschung. Ilya Sutskever war Mitbegründerin und Forschungsdirektorin von OpenAI (unterstützt von Elon Musk). Brendan Frey, inspiriert von einer persönlichen Tragödie, gründete Deep Genomics, ein Startup, das Deep Learning in der Genommedizin und -therapie anwendet.

Wenn Sie an Hintons Kurs "Neuronale Netze für maschinelles Lernen" auf Coursera teilnehmen, werden Sie nicht automatisch zu einem brillanten Pionier der künstlichen Intelligenz, aber der Kurs ist sicherlich ein hilfreicher Anfang.

2) Jeremy Howards Fast.ai & Data Institute-Zertifikate (Online- und persönliche Kurse)

Jeremy Howard war President & Chief Scientist von Kaggle, bevor er Enlitic gründete, ein Unternehmen, das tiefgreifendes Lernen für medizinische Diagnosen und klinische Entscheidungen anwendet, und Fast.ai, eine Informationsquelle für tiefgreifende Lerningenieure.

Außerdem unterrichtet er zusammen mit der Forscherin Rachel Thomas am Data Institute der Universität von San Francisco Deep Learning-Kurse. Deep Learning Teil 1 behandelt die Grundlagen des Deep Learning, während Teil 2 fortgeschrittene Anwendungen behandelt. Die persönlichen Zertifikatskurse sind nicht kostenlos, aber der gesamte Inhalt ist auf Fast.ai als MOOCs verfügbar.

Howard und sein Lehrerteam arbeiten hart daran, verschiedene Schüler zu kuratieren, da sie beobachtet haben, dass der A.I. Der Industrie mangelt es stark an Frauen, Farbigen, LGBTQ und anderen Minderheiten. Potenzielle Studenten, die zu diesen unterrepräsentierten Gruppen gehören, werden aufgefordert, sich für Diversity-Stipendien zu bewerben, um teilnehmen zu können.

3) Deep Learning von Yoshua Bengio & Ian Goodfellow (Buch)

Yoshua Bengio, Professor an der Universität von Montreal, ist eine weitere Führungspersönlichkeit, die die Deep-Learning-Branche vorantreibt. Seine Artikel wurden in Google Scholar über 40.000 Mal zitiert. Sein ehemaliger Student Ian Goodfellow ist jetzt ein Forscher bei OpenAI und bekannt für die Erfindung generativer kontroverser Netzwerke.

Ihr Buch Deep Learning, herausgegeben von MIT Press, ist online frei verfügbar und enthält praktischerweise angewandte mathematische Auffrischungsprogramme für lineare Algebra, Wahrscheinlichkeitstheorie und numerische Berechnung, bevor sie sich mit grundlegenden Deep-Learning-Konzepten befassen.

4) Neuronale Netze & Deep Learning von Michael Nielsen (Buch)

Michael Nielsens sich ständig weiterentwickelndes Buch über „Neuronale Netze und tiefes Lernen“ wurde immer wieder empfohlen. Nielsen, ein Research Fellow bei YCombinator Research, zieht es vor, Kernprinzipien auf intuitive und einprägsame Weise zu erklären, anstatt Sie in einem „dunstigen Verständnis einer langen Liste von Ideen“ zu ertränken.

In Nielsens Buch geht es darum, Ihnen beizubringen, wie Sie ein konkretes Problem lösen können - einem Computer das Erkennen handgeschriebener Ziffern beizubringen - mit neuronalen Netzen. Sie beginnen mit einem einfachen neuronalen Netzwerk und verbessern Ihren Code schrittweise, wenn neue Konzepte eingeführt werden.

Wenn Sie die Grundvoraussetzung für tiefes Lernen nicht genau kennen oder kein erfahrener Programmierer sind, ist Nielsens Buch besonders anfängerfreundlich. Der Code für die Kursübungen ist in Python 2.7 geschrieben und relativ einfach zu verstehen, auch wenn Sie die Sprache normalerweise nicht verwenden.

5) Deep Learning mit TensorFlow (Online-Kurs)

Sobald Sie die konzeptionellen Grundlagen von Deep Learning und neuronalen Netzen mithilfe der vorherigen Ressourcen beherrschen, möchten Sie die Tools beherrschen, mit denen Sie Theorie in Praxis umsetzen können. Obwohl es zahlreiche Deep-Learning-Frameworks und -Bibliotheken gibt, hat sich TensorFlow von Google schnell zu einem der beliebtesten und am besten unterstützten Programme entwickelt.

Der Online-Kurs Deep Learning by Google von Udacity wird von Vincent Vanhoucke, Principal Scientist bei Google und technischer Leiter des Google Brain-Teams, unterrichtet. Der Kurs setzt ein mittleres bis fortgeschrittenes Verständnis von Maschinen- und Tiefenlernkonzepten voraus und erweitert Ihr Wissen um das Training logistischer Klassifikatoren, einfacher Tiefennetzwerke sowie faltungsmäßiger und wiederkehrender neuronaler Netzwerke mit TensorFlow.

Die TensorFlow-Website bietet auch Tutorials für Anfänger und Fortgeschrittene sowie eine starke Community-Unterstützung. Videos von ihrem letzten Entwicklergipfel sind hier verfügbar und beschreiben eine Reihe neuer Funktionen.

6) Oxford Deep NLP Kurs (VIDEOS & LECTURES)

Für diejenigen unter Ihnen, die sich für die Verarbeitung und das Verstehen natürlicher Sprachen interessieren, hat Oxford kürzlich Kursvideos und Vorträge aus ihrem Kurs „Deep Natural Language Processing“ veröffentlicht, die von DeepMind-Experten wie Phil Blunsom und Chris Dyer gehalten werden. Dieser fortgeschrittene und angewandte Kurs behandelt NLP-Themen wie die Analyse latenter Dimensionen in Text, Transkription von Sprache in Text, maschinelle Übersetzung und Q & A-Systeme.

7) Videoarchiv der NIPS-Konferenz (Video)

Fortgeschrittene Deep-Learning-Experten kommen jedes Jahr zur immer beliebter werdenden NIPS-Konferenz (Neuronale Informationsverarbeitungssysteme), um ihre bahnbrechenden Arbeiten und Entdeckungen vorzustellen.

Wenn Sie die Konferenz in der Vergangenheit verpasst haben oder die Veranstaltung einfach nicht persönlich durchführen können, sehen Sie sich die NIPS-Videoarchive von 2015 und 2016 an.

8) Wissenschaftliche Artikel

Täglich werden neue Artikel im Bereich Künstliche Intelligenz und Deep Learning veröffentlicht. Google Scholar, ArXiv und Research Gate sind anfangs großartige Repositorys, aber es gibt noch viel mehr Sammlungen.

Wenn Sie sich fragen, mit welchen Veröffentlichungen Sie beginnen sollen, finden Sie hier eine Liste der grundlegenden Forschungsarbeiten, die Sie lesen sollten. Sobald Sie anfangen, Artikel zu lesen, hat Andrej Karpathy ein nützliches Tool mit dem Namen ArXiv Sanity erstellt, das verwandte Arbeiten empfiehlt.

Um über neue Artikel informiert zu werden, können Sie die RSS-Feeds dieser beiden ArVix-Bereiche abonnieren: Computerlernen und maschinelles Lernen. Die beliebtesten Artikel neigen auch dazu, bei Reddit Machine Learning oder Hacker News in die Luft zu sprudeln.

Wenn Sie ein Amazon Echo besitzen und die Hände frei haben möchten, können Sie ArXivML verwenden, eine Alexa-Fähigkeit, die die neuesten Abstracts für Sie liest.

Fazit

Mit den besten Köpfen der künstlichen Intelligenz, die ein breites Spektrum an Bildungsressourcen zur Verfügung stellen, sollte jeder, der sich für vertieftes Lernen interessiert, in der Lage sein, Inhalte zu finden, die zu seinem Lernstil und -niveau passen.

Anfänger können mit dem Online-Kurs von Andrew Ng und dem zugänglichen Buch von Michael Nielsen beginnen, während Fortgeschrittene direkt in den klassischen Kurs für neuronale Netze von Geoffrey Hinton eintauchen, Tensorflow lernen und sich über die neuesten wissenschaftlichen Erkenntnisse auf dem Laufenden halten können.

Haben wir keine Ressourcen für vertiefendes Lernen von Branchenführern verpasst? Bitte lassen Sie es uns in den Kommentaren unten wissen. Weitere Artikel finden Sie in unserem Blog.