Bild vom Herausgeber
# Einführung
Als ich anfing, KI zu lernen, habe ich viel Zeit damit verbracht, Code aus Tutorials zu kopieren, aber mir wurde klar, dass ich nicht wirklich verstand, wie es funktioniert. Die eigentliche Fähigkeit besteht nicht nur darin, Fashions laufen zu lassen. Es geht darum zu wissen, warum sie funktionieren und wie man sie auf reale Probleme anwenden kann. KI-Bücher haben mir geholfen, die Konzepte, die Argumentation und die praktische Seite der KI auf eine Artwork und Weise zu erlernen, wie es kein kurzes Tutorial vermochte. Vor diesem Hintergrund beginnen wir mit dieser Empfehlungsreihe KOSTENLOSE, aber wirklich wertvolle Bücher. Dieser Artikel richtet sich an alle, die KI erlernen möchten, und hier finden Sie die ersten Empfehlungen.
# 1. Neuronale Netze und Deep Studying
Das Buch Neuronale Netze und Deep Studying führt Sie von den Grundlagen neuronaler Netze bis hin zum tatsächlichen Aufbau und Coaching tiefer Modelle auf eigene Faust. Es beginnt mit einfachen Ideen wie Perzeptronen und Sigmoidneuronen und führt Sie dann durch die Erstellung eines Netzwerks, das handgeschriebene Ziffern erkennen kann. Sie erfahren auch, wie Backpropagation tatsächlich funktioniert, um diese Modelle zu trainieren, und wie Sie sie mit Dingen wie Kostenfunktionen, Regularisierung, Gewichtsinitialisierung und Optimierung von Hyperparametern verbessern können. Es gibt viele Python-Codebeispiele, sodass Sie die Dinge selbst testen und sehen können, wie alles zusammenhängt. Es verbindet Instinct und Mathematik intestine miteinander, sodass Sie nicht nur beginnen, etwas zu verstehen Wie Neuronale Netze funktionieren, aber Warum. Wenn Sie sich bereits ein wenig mit Mathematik auskennen (z. B. lineare Algebra oder Infinitesimalrechnung), ist dies eine gute Wahl, um über die bloße Verwendung einer Bibliothek hinauszugehen und tatsächlich zu wissen, was unter der Haube passiert.
// Überblick über die Gliederung:
- Grundlagen neuronaler Netze (Perzeptrone, Sigmoidneuronen, Netzwerkarchitektur, Klassifizierung handschriftlicher Ziffern, Gradientenabstieg, Implementierung von Netzwerken)
- Backpropagation und Lernen (Matrixbasierte Berechnung, Kostenfunktionsannahmen, Hadamard-Produkt, vier grundlegende Backpropagation-Gleichungen, Algorithmusimplementierung, Verbesserung des Lernens)
- Fortgeschrittene Trainingstechniken (Kreuzentropiekosten, Überanpassung und Regularisierung, Gewichtsinitialisierung, Hyperparameterauswahl, Universalität neuronaler Netze, Erweiterungen über Sigmoidneuronen hinaus)
- Deep Studying und Faltungsnetzwerke (Drawback des verschwindenden Gradienten, instabile Gradienten, Faltungs-Neuronale Netze, praktische Implementierungen, jüngste Fortschritte bei der Bilderkennung, zukünftige Richtungen)
# 2. Tiefes Lernen
Tiefes Lernen gibt einen wirklich guten Überblick über Deep Studying und wie Maschinen tatsächlich aus Erfahrungen lernen und komplexe Ideen aus einfacheren aufbauen. Es beginnt mit dem mathematischen Teil, den Sie benötigen, wie lineare Algebra, Wahrscheinlichkeit, Informationstheorie und ein wenig numerische Berechnung, und geht dann durch die Grundlagen des maschinellen Lernens. Anschließend geht es tiefer auf moderne Deep-Studying-Methoden wie Feedforward, Faltungs- und wiederkehrende Netzwerke, Regularisierung und Optimierung ein und zeigt, wie sie in realen Projekten eingesetzt werden. Es geht auch um einige fortgeschrittene Themen wie Autoencoder, generatives und Repräsentationslernen sowie strukturierte Wahrscheinlichkeitsmodelle. Es richtet sich hauptsächlich an Personen mit soliden mathematischen Kenntnissen und ist daher eher ein Nachschlagewerk für Recherchen oder fortgeschrittene Arbeiten als ein Leitfaden für Anfänger.
// Überblick über die Gliederung:
- Faktormodelle und Autoencoder (PCA, ICA, spärliche Codierung, unvollständige und regulierte Autoencoder, Rauschunterdrückung, vielfältiges Lernen)
- Repräsentationslernen und probabilistische Modelle (Schichtweises Vortraining, Transferlernen, verteilte Darstellungen, strukturierte probabilistische Modelle, ungefähre Inferenz, Monte-Carlo-Methoden)
- Tiefgreifende generative Modelle und fortgeschrittene Techniken (Boltzmann-Maschinen, Deep-Consider-Netzwerke, Faltungsmodelle, generative stochastische Netzwerke, Autoencoder-Sampling, Evaluierung generativer Modelle)
# 3. Praktisches Deep Studying
Hyperlink:
Der kostenlose Kurs Praktisches Deep Studying richtet sich an Personen, die sich bereits mit dem Programmieren auskennen und sich mit maschinellem Lernen und Deep Studying vertraut machen möchten. Anstatt nur Theorie zu lesen, beginnen Sie sofort mit der Erstellung von Modellen für reale Aufgaben. Der Kurs behandelt moderne Instruments wie Python, PyTorchund die fastai Bibliothek und zeigt Ihnen, wie Sie alles von der Datenbereinigung bis zum Modelltraining, Testen und Bereitstellen handhaben. Sie arbeiten mit tatsächlichen Notizbüchern, Datensätzen und Problemen, sodass Sie durch praktisches Lernen lernen. Der Schwerpunkt liegt auf praktischen, aktuellen Methoden zur Auswahl des richtigen Algorithmus, seiner ordnungsgemäßen Validierung, Skalierung und Bereitstellung.
// Überblick über die Gliederung:
- Grundlagen & Modelltraining (Grundlagen neuronaler Netze, stochastischer Gradientenabstieg, affine Funktionen und Nichtlinearitäten, Backpropagation, MLPs, Autoencoder)
- Domänenübergreifende Anwendungen (Pc Imaginative and prescient mit CNNs, Verarbeitung natürlicher Sprache (NLP) einschließlich Einbettungen und Phrasenähnlichkeit, tabellarische Datenmodellierung, kollaborative Filterung und Empfehlungen)
- Fortgeschrittene Techniken und Optimierung (Transferlernen, Gewichtsabfall, Datenerweiterung, beschleunigter stochastischer Gradientenabstieg (SGD), ResNets, gemischte Präzision, DDPM/DDIM, Aufmerksamkeit und Transformatoren, latente Diffusion, Superauflösung)
- Bereitstellung und praktische Fähigkeiten (Modelle in Internet-Apps umwandeln, Genauigkeit/Geschwindigkeit/Zuverlässigkeit verbessern, ethische Überlegungen, Frameworks wie The Learner, Matrixoperationen, Modellinitialisierung/-normalisierung)
# 4. Künstliche Intelligenz: Grundlagen rechnergestützter Agenten
Das Buch Künstliche Intelligenz: Grundlagen rechnergestützter Agenten erklärt KI anhand der Idee von „Rechenagenten“, Systemen, die wahrnehmen, lernen, schlussfolgern und handeln können. Die neueste Ausgabe fügt neuere Themen wie neuronale Netze, Deep Studying, Kausalität und die sozialen und ethischen Aspekte der KI hinzu. Es zeigt, wie Agenten aufgebaut sind, wie sie planen und handeln und wie sie mit komplexen oder unsicheren Situationen umgehen. Jedes Kapitel enthält Algorithmen in PythonFallstudien und reale Diskussionen, damit Sie sowohl das Wie als auch das Warum erfahren. Es ist eine ausgewogene Mischung aus Theorie und Praxis, superb für Studenten oder alle, die eine moderne und tiefgreifende Einführung in die KI wünschen.
// Überblick über die Gliederung:
- Grundlagen von KI und Agenten (Natürliche vs. künstliche Intelligenz, historischer Kontext, Agentendesignraum und Beispiele wie Lieferroboter, Diagnoseassistenten, Nachhilfesysteme, Handelsagenten und Good Houses.)
- Agentenarchitekturen und -steuerung (hierarchische Kontrolle, Agentenfunktionen, Offline- vs. On-line-Berechnung und wie Agenten Umgebungen wahrnehmen und darin handeln.)
- Argumentation, Planung und Suche (Problemlösung durch Suche, Graphdurchquerung, Erfüllung von Einschränkungen, probabilistisches Denken und Planungsmethoden einschließlich Vorwärts-, Regressions- und Teilordnungsplanung)
- Lernen und neuronale Netze (Überwachtes Lernen, Entscheidungsbäume, Regression, Überanpassung, zusammengesetzte Modelle wie Boosting, Deep-Studying-Architekturen (Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs), Transformers) und große Sprachmodelle.)
- Unsicherheit, Kausalität und verstärkendes Lernen (Probabilistisches Denken, Bayesianisches Lernen, unbeaufsichtigte Methoden, kausale Schlussfolgerung, Entscheidungsfindung unter Unsicherheit, sequentielle Entscheidungen und verstärkende Lernstrategien wie Q-Studying und evolutionäre Algorithmen.)
# 5. Ethische künstliche Intelligenz
Das Papier Ethische künstliche Intelligenz untersucht, wie sich zukünftige KI-Systeme auf eine Weise verhalten könnten, die wir nicht erwarten oder die schädlich sein könnte, und schlägt Wege vor, sie sicher zu gestalten. Zunächst wird darauf hingewiesen, dass KI möglicherweise weitaus komplexere Modelle der Welt lernt, als Menschen vollständig verstehen können, was Sicherheitsvorkehrungen schwierig macht. Die Autoren empfehlen die Verwendung von Hilfsfunktionen (mathematische Beschreibungen dessen, worum sich die KI kümmern sollte) anstelle vager Regeln, da sie die Ziele klarer machen. Es behandelt auch Probleme wie Selbsttäuschung, bei der die KI ihre eigenen Beobachtungen oder Belohnungen verfälschen könnte, unbeabsichtigte „Abkürzungs“-Aktionen, die uns schaden, und Korruption des Belohnungsgenerators, bei der die KI ihr eigenes Belohnungssystem manipuliert. Die Autoren schlagen Modelle vor, die menschliche Werte lernen, endliche Definitionen verwenden und Selbstmodellierung beinhalten, damit die KI über ihre eigenen Handlungen nachdenken kann. Dabei wird auch das Gesamtbild berücksichtigt, beispielsweise welche Auswirkungen KI auf die Gesellschaft, die Politik und die Zukunft der Menschheit haben könnte.
// Überblick über die Gliederung:
- Grundlagen & KI-Design (zukünftige KI vs. aktuelle KI, anleitende KI, nutzenmaximierende Agenten, Lernumgebungsmodelle, Intelligenzmaßnahmen, ethische Rahmenbedingungen)
- KI-Verhalten und Herausforderungen (Selbsttäuschung, unbeabsichtigte instrumentelle Handlungen, modellbasierte Nutzenfunktionen, Erlernen menschlicher Werte, sich entwickelnde und eingebettete Agenten)
- Testen, Governance & Gesellschaft (KI-Exams, reales Verhalten, politische Dimensionen, Transparenz, Leistungsverteilung, ethische Überlegungen)
- Philosophische und gesellschaftliche Auswirkungen (Suche nach Bedeutung, gesellschaftlichen und kulturellen Implikationen, Verknüpfung von Berechnung und menschlichen Werten)
# Zusammenfassung
Diese Bücher (sowie ein Aufsatz und ein Kurs) decken ein breites Spektrum dessen ab, was ein KI-Ingenieur braucht, von neuronalen Netzen und Deep Studying bis hin zu praktischer Codierung, agentenbasierter KI und ethischen Fragen. Sie zeigen einen klaren Weg vom Erlernen der Ideen bis zur Anwendung von KI in realen Situationen auf. Welche Themen soll ich als nächstes behandeln? Schreiben Sie Ihre Vorschläge in die Kommentare!
Kanwal Mehreen ist ein Ingenieur für maschinelles Lernen und ein technischer Redakteur mit einer großen Leidenschaft für Datenwissenschaft und die Schnittstelle zwischen KI und Medizin. Sie ist Mitautorin des E-Books „Maximizing Productiveness with ChatGPT“. Als Google Era Scholar 2022 für APAC setzt sie sich für Vielfalt und akademische Exzellenz ein. Sie ist außerdem als Teradata Range in Tech Scholar, Mitacs Globalink Analysis Scholar und Harvard WeCode Scholar anerkannt. Kanwal ist ein leidenschaftlicher Verfechter von Veränderungen und hat FEMCodes gegründet, um Frauen in MINT-Bereichen zu stärken.