AI技术讲座精选：数学不好，也可以学习人工智能
【AI100導(dǎo)讀】越來(lái)越多工程師想學(xué)習(xí)大熱的深度學(xué)習(xí)，但深度學(xué)習(xí)技術(shù)需要數(shù)學(xué)功底，數(shù)學(xué)不好怎么辦？這篇文章可以提供成為深度學(xué)習(xí)工程師的數(shù)學(xué)路徑。
?
如果你像我一樣，也著迷于人工智能。也許你想深入挖掘，并在 TensorFlow 或 Theano 運(yùn)行一個(gè)圖像分類(lèi)器。也許你是一個(gè)敢于嘗試新事物的開(kāi)發(fā)人員或系統(tǒng)架構(gòu)師，你知道計(jì)算機(jī)非常好，但只有一個(gè)小問(wèn)題：
?
你的數(shù)學(xué)不好。
?
沒(méi)關(guān)系！這里，我向你分享一個(gè)小秘密，此外我這里向你推薦一些書(shū)籍和網(wǎng)站,它們將真正幫助你快速提高。
?
像許多人一樣，我對(duì)智能機(jī)器的愛(ài)不是來(lái)自微積分課程。 它源自于科幻小說(shuō)。我記得自己在一個(gè)美麗的夏天的晚上，讀《I, Robot》，想象著如何找到 ?Asimov 的《Three Rules of Robotics》。
?
看完名作《2001: A SpaceOdyssey》和《Ghost in the Shell》，自己感覺(jué)似乎不知道哪一天，格式塔思想可能從閃爍的信息海洋中涌出，并宣布自己有感情。當(dāng)我長(zhǎng)大開(kāi)始發(fā)表自己的科幻作品，我想象著人工智能作為一個(gè)普遍的力量，如同電力一樣無(wú)處不在，涉及生活的每一個(gè)方面。
?
我們需要弄清楚為什么人工智能現(xiàn)在能夠脫穎而出。大多數(shù)人工智能，在80年代和90年代早期做出的承諾都沒(méi)有實(shí)現(xiàn)，人工智能一直處在冰凍狀態(tài)。在過(guò)去的幾年里，隨著深度學(xué)習(xí)的突然成功，一切都改變了。
?
也許你在“紐約時(shí)報(bào)”上看到過(guò)這個(gè)故事，論述谷歌如何在一夜之間改變其翻譯服務(wù)（即提供與專(zhuān)業(yè)翻譯人員準(zhǔn)確性相匹敵的服務(wù)）在僅僅九個(gè)月的時(shí)間里，他們超過(guò)了過(guò)去七年間翻譯平臺(tái)總的翻譯能力。
?
也許你讀過(guò)一個(gè)這樣的故事：孩子用開(kāi)源工具，在自己神奇（freaking）車(chē)庫(kù)里開(kāi)發(fā)了一輛無(wú)人駕駛汽車(chē)你可能也看過(guò)了下面這個(gè)驚人的幻燈片，顯示深度學(xué)習(xí)如何在短短幾年內(nèi)橫掃整個(gè)圖像識(shí)別領(lǐng)域：相關(guān)模型的錯(cuò)誤率開(kāi)始時(shí)在25％左右，而在2017年，一些模型的表現(xiàn)已經(jīng)超過(guò)人類(lèi)。
?
?
無(wú)論你辦事多么有效率，人工智能比你更有效率，它已經(jīng)解決了幾十年來(lái)困擾我們的棘手問(wèn)題。我們知道如何駕駛汽車(chē)，但我們不能告訴機(jī)器怎么做。但是,我們可以讓機(jī)器為自己找出答案。現(xiàn)在從硅谷出來(lái)的技術(shù)不只是炒作的概念，而是真實(shí)的實(shí)體。人工智能受歡迎，是有原因的。
?
現(xiàn)在，頂級(jí)人工智能研究人員的年收入已經(jīng)超過(guò)了國(guó)家橄欖球聯(lián)盟中首發(fā)的中衛(wèi)。而你，想加入這場(chǎng)淘金熱中。另外，你可能看到了一個(gè)非常可怕的未來(lái)：人工智能勝任所有的工作。作為一個(gè)傳統(tǒng)的軟件工程師或系統(tǒng)管理員，你需要確保自己有在一個(gè)以人工智能為中心的世界中競(jìng)爭(zhēng)的技能。沒(méi)問(wèn)題。已經(jīng)有很多的教程。你只需要開(kāi)始學(xué)習(xí)。
?
然后你會(huì)看到像下面這一段，這段文字節(jié)選自 Ian Goodfellow 的一本具有開(kāi)創(chuàng)性的書(shū)——《Deep Learning》。你會(huì)發(fā)現(xiàn)自己完全不知道他在說(shuō)什么。
?
協(xié)方差給出了兩個(gè)值彼此線性相關(guān)的程度大小，以及這些變量的規(guī)模：
?
?
問(wèn)題就在于，你必須理解一個(gè)系統(tǒng)嵌套的邏輯，術(shù)語(yǔ)，符號(hào)和思想，這些都是相互關(guān)聯(lián)的，但你卻沒(méi)有任何基礎(chǔ)。所以這些東西對(duì)你來(lái)說(shuō)，基本上相當(dāng)于天書(shū)。你可能會(huì)理解相關(guān)文本的字面意思，但其余的都是廢話。這很快就會(huì)讓人變的非常沮喪。
?
但是不要害怕！你還沒(méi)有失去一切。
?
我在這里用一些書(shū)幫助你解決重重困難,會(huì)讓你像一個(gè)學(xué)者一樣處理數(shù)據(jù)。也許你不會(huì)是Daniel Tammet，但是你可以拋開(kāi)那些關(guān)于背誦乘法表的痛苦回憶，并得到啟迪。你可以像一個(gè)成年人一樣學(xué)習(xí)數(shù)學(xué)。
?
我試著閱讀一些人工智能的文本和教程。我直觀地理解了這些概念。他們對(duì)我來(lái)說(shuō)是完美的感覺(jué)。只是，當(dāng)我看到一串符號(hào)時(shí)我的大腦呆滯，我不知道我在讀什么。作為系統(tǒng)架構(gòu)師，我的生活的大部分時(shí)間里不需要太多的數(shù)學(xué)。有IP子網(wǎng)的備忘清單，只要我知道電力通常可以沿著電纜移動(dòng)多遠(yuǎn)，我就可以切割它們并適當(dāng)?shù)鼐砬鼈儭Ｔ谖疑畹拇蟛糠謺r(shí)間里，我只需要了解系統(tǒng)如何設(shè)置，它們?nèi)绾螀f(xié)同工作以及如何保持運(yùn)行。系統(tǒng)管理可以視為布爾函數(shù)。它要么工作，要么不工作。但是人工智能和數(shù)學(xué)卻受大腦的其他地方影響。
?
我需要的是一些為像你不懂?dāng)?shù)學(xué)一樣的成年人寫(xiě)的通俗讀物。我也需要那些可以告訴我為什么數(shù)學(xué)可以發(fā)揮作用的書(shū)。在學(xué)校里，你學(xué)習(xí)的原因可能是“閉嘴，去做，否則就懲罰你”。但是作為一個(gè)成年人你需要更多理由來(lái)說(shuō)服自己學(xué)習(xí)。你也想知道某件事成功的原理。
?
?
你需要的第一本書(shū)是《Mathematics: A Very Short Introduction》（已有中文版出版——《牛津通識(shí)讀本：數(shù)學(xué)》，https://book.douban.com/subject/25829287/），來(lái)自Timothy Gowers。
?
這本書(shū)精妙地分解了數(shù)學(xué)的“為什么”。它將主體與現(xiàn)實(shí)世界聯(lián)系起來(lái)，進(jìn)入背后隱藏的哲學(xué)理念,然后快速地離開(kāi)。因?yàn)槟悴恍枰斫夥謹(jǐn)?shù)是否在自然界或柏拉圖層面。相反， Timothy 幫助我明白，數(shù)學(xué)是一個(gè)抽象的概念。它將問(wèn)題分解為更簡(jiǎn)單，更清晰的步驟。制定一個(gè)精確模擬盒子中粒子相互作用的模型，需要考慮現(xiàn)實(shí)世界的物理屬性，如磁干擾，重力，碰撞力，粒子初始方向和速度以及很多很多方面。
?
我們可以證明，現(xiàn)實(shí)生活是一系列復(fù)雜的算法。但這里是有竅門(mén)的。在實(shí)踐中，你不需要一個(gè)完美的模型。相反，數(shù)學(xué)似乎把這個(gè)問(wèn)題分解成了它的基本組成部分。什么是關(guān)鍵因素？數(shù)學(xué)給你這個(gè)問(wèn)題的抽象答案，使你可以把這個(gè)問(wèn)題與其他問(wèn)題放在一起，綜合考慮。本質(zhì)上，數(shù)字本身并不重要。它們只是變量。數(shù)學(xué)可以歸納為變量和規(guī)則。你可以學(xué)習(xí)這些變量和規(guī)則！
?
?
當(dāng)你閱讀這本書(shū)時(shí)，你會(huì)想要這個(gè)網(wǎng)站中的主要數(shù)學(xué)符號(hào)便攜指南。如果你能像我一樣，你就必須在堅(jiān)持不下去之前成百上千次的記憶這些符號(hào)。你可能會(huì)發(fā)現(xiàn)，剛翻過(guò)去幾秒鐘，自己就忘記了剛才的各種符號(hào)！但不用擔(dān)心，這個(gè)備忘單是完美的。接著深吸一口氣，繼續(xù)慢慢地瀏覽一個(gè)接一個(gè)的符號(hào)，直到你開(kāi)始理解這一連串瘋狂的符號(hào)。即使你要查閱每個(gè)符號(hào)一千次，你也必須去做！生活中沒(méi)有學(xué)習(xí)的捷徑。你只需要去做這項(xiàng)工作。
?
現(xiàn)在有兩個(gè)強(qiáng)大的競(jìng)爭(zhēng)者，來(lái)幫助你建立自己的數(shù)學(xué)基礎(chǔ)。第一個(gè)是 Morris Kline 寫(xiě)的：《Mathematicsfor the Nonmathemetician》。第二個(gè)是 Ivan Savov 寫(xiě)的《No Bullshit Guide to Math and Physics》。這兩本書(shū)各有自己的思想。我比較喜歡后者,因?yàn)樗鼤?huì)直接切入，討論實(shí)質(zhì)問(wèn)題,并仍然設(shè)法與數(shù)學(xué)保持非常密切的關(guān)聯(lián)。“前面那本書(shū)的篇幅更長(zhǎng)，更詳細(xì)地介紹了數(shù)學(xué)史以及它在世界上的作用。有些人會(huì)很喜歡這種方法。《No Bullshit Guide to Math and Physics》那本書(shū)，正如任何工作本身的工作方式那樣，是直截了當(dāng)?shù)?#xff0c;沒(méi)有答案，快速切入公式。這基本上是一個(gè)規(guī)則的引子。這將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》。現(xiàn)在書(shū)中有一些拼寫(xiě)錯(cuò)誤，但我發(fā)現(xiàn)這些東西無(wú)傷大雅。我欣賞這本書(shū)的風(fēng)格，慢慢入門(mén)，接著節(jié)奏快速加快。有些人僅僅遇到一些拼寫(xiě)錯(cuò)誤時(shí)，就覺(jué)得這樣的學(xué)習(xí)毫無(wú)意義，但要記著，你還有更大的麻煩呢！當(dāng)你想學(xué)習(xí)數(shù)學(xué)時(shí)，你的大腦不像你年輕時(shí)那樣可塑！因此忽視這里的拼寫(xiě)錯(cuò)誤，要去把握全局。這本書(shū)將真正幫助你朝正確的方向前進(jìn)。
?
?
在你完成上面的數(shù)學(xué)學(xué)習(xí)之后，你需要深入學(xué)習(xí) Tariq Rashid 所寫(xiě)的《Make Your Own Neural Network》。它其實(shí)也有一些拼寫(xiě)錯(cuò)誤。但幸運(yùn)的是，有一個(gè)偉大的Github庫(kù)在持續(xù)更新,修復(fù)了他們中的大多數(shù)錯(cuò)誤。這本書(shū)是非常溫和和直觀的。它似乎在你剛剛看到這本書(shū)時(shí)，就預(yù)料到你的抵觸和擔(dān)憂。作者的不可思議在于當(dāng)你產(chǎn)生抵觸情緒時(shí)，他發(fā)現(xiàn)了這一點(diǎn)。這本書(shū)只專(zhuān)注于你需要的神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)。然后它通過(guò)Python代碼工作，并假設(shè)你對(duì)編程一無(wú)所知。最后，它讓你從頭編碼自己的神經(jīng)網(wǎng)絡(luò)程序。現(xiàn)在,當(dāng)然有一些工具,可以更好的為專(zhuān)業(yè)項(xiàng)目服務(wù)。但這本書(shū)有助于你親自嘗試構(gòu)建自己的第一個(gè)神經(jīng)網(wǎng)絡(luò)模型,所以它將是你理解相關(guān)成熟模型的基礎(chǔ)。
?
在看完那本書(shū)之后，您將需要開(kāi)始瀏覽網(wǎng)絡(luò)。每天都有新的精彩教程。也許可以看看《Tensorflow for Poets》，《RecurrentNeural Networks for Artists》。
?
用媒體學(xué)習(xí)人工智能是很好的一種途徑的。例如，查看這篇討論各種數(shù)據(jù)挖掘編程語(yǔ)言的綜合文章，跟自己摸索相比，你可以獲得更深的理解。話又說(shuō)回來(lái)，也許你不是上課學(xué)習(xí)的類(lèi)型，更喜歡自己探索？沒(méi)有問(wèn)題。請(qǐng)看看這個(gè)來(lái)自人工智能研究員 ArthurJuliani 的八篇系列文章。還有《Machine Learning is Fun》,這是一個(gè)網(wǎng)上很棒的系列教程。
?
最后，你可能會(huì)想讀一本更高級(jí)的書(shū)，鍛煉自己理解更具挑戰(zhàn)性的概念。我推薦前面提到的?Ian Goodfellow 的《Deep Learning》,你可以在線閱讀或在亞馬遜上獲取一份副本。
?
本文作者?Daniel Jeffries?是一位作家、工程師和企業(yè)家，研究領(lǐng)域涵蓋了從Linux 到虛擬化和容器的各種技術(shù)。
?
?
?
編譯： AI100
原文地址：https://hackernoon.com/learning-ai-if-you-suck-at-math-8bdfb4b79037#.gb6vrdxm1
轉(zhuǎn)載于:https://my.oschina.net/ZZKAJ23/blog/885337
總結(jié)
以上是生活随笔為你收集整理的AI技术讲座精选：数学不好，也可以学习人工智能的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。
- 上一篇： linux的内核设计,Linux内核设计
- 下一篇： EM专业第一周记录