Eu quero estudar inteligência artificial!

Uma pessoa que aprendeu a criar inteligência artificial e vida artificial não se limitará a uma alteração radical de si mesma. Não robôs em vez de pessoas, mas uma nova pessoa em vez de uma velha!

Norbert Wiener. Cibernética

Eu ainda vou ensinar esse menino.

The Saga Begins

• «Eu quero fazer IA, por onde eu começo? O que você precisa saber lá? “
• «Eles também precisam de matemática muito complicada, certo? A vida não basta para aprender tudo isso. “
• «Não tenho um diploma legal de uma universidade técnica, a IA não brilha para mim. “
• «Vamos lá, ouvi dizer que você pode simplesmente importar bibliotecas para lá, e é isso, você não precisa escrever o código sozinho. “

Você já ouviu essas frases, ou talvez eles mesmo as tenham dito? De acordo com minhas observações, essas são as declarações mais frequentes de pessoas que gostariam de estudar IA, mas não sabem como abordá-la. Então, hoje é o AI Developer Roadmap, ou o Caminho da AI (AI?)! Na verdade, existem dois extremos: alguns acreditam que matan esquecido ou não aprendido é uma barreira intransponível para o domínio da IA, outros pensam que é suficiente usar métodos prontos “fora da caixa” (“qual é a diferença o que acontece lá, o o principal é o resultado, vamos deixar os detalhes para os cientistas “). Ambas as abordagens são contraproducentes e impedirão que você alcance seu objetivo de dominar as tecnologias modernas de IA, pelo menos no nível de um aquarista experiente. Claro, você pode encontrar um tutorial na Internet e reproduzi-lo em sua máquina, sua rede aprenderá e você obterá o resultado. Mas, sem entender como o algoritmo funciona, você não pode usá-lo criativamente para suas tarefas. Por outro lado, se você acha que não vai entender nada em IA sem alguns anos de estudo detalhado da matemática universitária, isso também é um equívoco. Em qualquer área de atividade profissional

Matemáticas. Fundamentos de álgebra linear, teoria da probabilidade, estatística matemática. É muito bom se você conseguir se familiarizar com a teoria dos grafos, já que agora começam a aparecer abordagens integradas altamente eficientes que combinam um grafo e uma rede neural. Você também precisará entender alguns problemas de otimização, como a descida do gradiente, um conceito central no treinamento de redes neurais. De matan, em alguns lugares você precisará de cálculo diferencial, mas mais para entender o que está acontecendo. Não sabe, não lembra, não tem tempo? Suas “três baleias” são matstat, linalg e teorver. Você conhece o básico – isso é o suficiente para começar.

Programação. Se antes havia incerteza sobre este assunto, agora a principal linguagem de programação para tarefas de IA é Python (sim, outras também são usadas). O limite para entrar no campo da IA ​​para pythonists é o mais baixo, uma grande comunidade internacional de pessoas com ideias semelhantes, muitas bibliotecas e estruturas para diferentes tarefas – esses fatores influenciam a escolha desta linguagem de programação. Você precisará dominar os conceitos básicos de Python e estruturas de dados. Em seguida, você pode prosseguir para o desenvolvimento prático de bibliotecas de aprendizado de máquina.

Língua Inglesa. De repente? Isso é realmente uma grande ajuda porque você não tem que esperar os últimos artigos de IA serem traduzidos para o russo, e há toneladas de ótimos guias para iniciantes em inglês. Você fala inglês – soprando, mas fraco? Nada, os principais livros didáticos foram traduzidos para o russo, e também temos excelentes livros didáticos de matemática, que já se tornaram clássicos, e cursos online de russo.

E agora mais sobre tecnologias para tarefas de IA. Primeiro, direi quais bibliotecas são usadas para as tarefas de IA mais comuns. Então…

Se você gosta de visão computacional ou processamento de imagens, provavelmente usará o OpenCV. Esta biblioteca possui interfaces não apenas em Python, mas também em Java, C ++ e Matlab, e mais de 2.500 algoritmos são escritos nela.

Se você prefere o processamento de linguagem natural, então NLTK é sua escolha. Esta é uma biblioteca muito útil que possui tudo que você precisa para processamento de texto e muito mais. A escolha também é sua se você estiver estudando linguística computacional ou assuntos relacionados, como ciências cognitivas, recuperação de informações e aprendizado de máquina. Você também pode precisar do Gensim, uma biblioteca de processamento de linguagem natural projetada para modelagem de tópicos, ou seja, definir os principais tópicos do texto. Você também pode usá-lo para processar textos, trabalhar com modelos de palavras vetoriais (como Word2Vec, FastText, etc.) e criar modelos de texto temáticos.

Se você estiver dominando a análise de dados, precisará de uma série de ferramentas:

• NumPy é uma biblioteca de computação científica que adiciona suporte para grandes arrays e matrizes multidimensionais, junto com uma grande biblioteca de funções matemáticas para manipulá-los.
• SciPy é uma biblioteca projetada para resolver problemas científicos e matemáticos. Ele é construído em cima do NumPy e permite que você manipule e visualize dados usando vários comandos de alto nível. Se você estiver importando SciPy, não precisa importar o NumPy separadamente.
• Pandas – esta biblioteca criada especificamente para trabalhar com dados, simplifica e agiliza muitas vezes o trabalho do analista.
• Matplotlib, Seaborn – são obtidas bibliotecas para visualização de dados, desenhos de alta qualidade que podem ser usados ​​em publicações científicas.

Se você planeja se envolver no aprendizado de máquina (sem o qual já é difícil imaginar uma análise de dados moderna), você precisará de:

• Estrutura do TensorFlow do Google que pode fazer tanto que você se sente como um verdadeiro criador de IA.
• Seu concorrente PyTorch, recentemente eu o vejo cada vez mais em publicações científicas, parece que ele já empurrou TensorFlow.
• Keras é uma biblioteca Python que permite criar redes neurais profundas em algumas linhas de código. O back-end pode ser TensorFlow, Microsoft Cognitive Toolkit, Theano e MXNet.

Todas as ferramentas acima estão bem documentadas e não há nada irresistível em dominá-las.

Agora, vou citar alguns nomes de influenciadores de IA que todo especialista precisa conhecer e rastrear suas publicações para se manter a par do que está acontecendo no campo da IA:

1. Andrew Ng: Professor da Stanford University, especialista mundialmente conhecido em inteligência artificial e aprendizado de máquina (ML) e um dos fundadores da plataforma educacional Coursera. Ele agora é o principal pesquisador de IA do Baidu. Andrew Ng é o autor do famoso curso de aprendizado de máquina que você pode fazer agora na referida plataforma, como já fizeram 4 milhões de entusiastas de IA:

Https://www.coursera.org/learn/machine-learning

A única desvantagem possível deste curso é que o professor Ng sugere estudar aprendizado de máquina em OCTAVE, também conhecido como MATLAB, mas você pode facilmente encontrar uma adaptação do curso para Python (implementação de Python). O professor Eun examina detalhadamente todos os algoritmos básicos, o nível de dificuldade é para iniciantes, o curso é em inglês. Este pode ser um ótimo começo para sua carreira em IA. Andrew Ng também lançou uma especialização em deep learning no mesmo Coursera, que, além de uma parte teórica séria, contém uma análise das redes neurais mais interessantes e discutidas:

Https://www.coursera.org/specializations/deep-learning

2. Ian J. Goodfellow, um pesquisador de ML, fazia parte da equipe do Google Brain e agora é responsável por projetos de aprendizado de máquina na Apple Inc. Em coautoria com Yoshua Bengio, ele escreveu o “Deep Learning Book”, que é uma leitura obrigatória se você está seriamente interessado em IA. Em princípio, mesmo que você apenas leia, você estará bem ciente.

3. Yoshua Bengio, cientista canadense, vencedor do Prêmio Turing 2018. Destacado pesquisador na área de redes neurais e aprendizagem profunda. Ele foi um dos fundadores da rede adversária geradora (GAN), que é muito incomum e interessante. Ele também trabalhou extensivamente em problemas de processamento de linguagem natural. Bengio lidera o MILA (Montreal Institute for Learning Algorithms), é professor da Universidade de Montreal e (com Ian Lecun) codiretor do programa Learning in Machines & Brains do Canadian Institute for Advanced Study. Você pode encontrar suas performances interessantes no YouTube.

4. Yann LeCun é um cientista francês especializado em análise de dados, redes neurais e aprendizado de máquina, que também recebeu o prêmio Turing em 2018. Basta mencionar que ele foi um dos fundadores das redes neurais convolucionais, que hoje são a base da visão computacional. Lekun também é conhecido por sua pesquisa inovadora em reconhecimento de imagem. Atualmente responsável pela IA no Facebook.

5. Geoffrey Hinton também é um vencedor do Prêmio Turing 2018. Como Joshua Bengio e Jan Lecun, ele é chamado de “padrinho” da inteligência artificial. O britânico Jeffrey Hinton foi um dos autores da famosa publicação de 1986, na qual propôs usar o método de retropropagação para treinar uma rede neural multicamadas. Ele também foi um dos criadores da máquina Boltzmann. Hinton é agora um dos vice-presidentes do Google e um professor emergente da Universidade de Toronto.

6. Elon Musk, CEO da SpaceX e Tesla, que dispensa apresentações, co-fundador do PayPal, e também uma pessoa que Runet está constantemente tentando surpreender com algo.

7. Fei Fei Li, diretor do Laboratório de Inteligência Artificial de Stanford e especialista em IA e aprendizado de máquina do Google. Ela possui o ditado: “A inteligência artificial será a força motriz por trás da quarta revolução industrial.” Feifei Li atualmente lidera a equipe de IA no Twitter.

8. Martin Ford (Martin Ford) – futurista e visionário, autor dos livros “Os robôs estão chegando. O desenvolvimento da tecnologia e o futuro sem trabalho ”,“ Tecnologias que vão mudar o mundo ”,“ Arquitetos de inteligência: toda a verdade sobre a inteligência artificial dos seus criadores ”. Os nomes falam por si, não vou estragar, os livros são dignos de atenção.

Depois de ler isso, acredito que você entendeu completamente o significado deste famoso meme sobre especialistas em aprendizagem profunda:

Concluindo, um bônus: uma pequena lista de recursos que podem ajudá-lo a navegar no mar de informações sobre IA:

1. Ciclo de 22 aulas teóricas do curso “Aprendizagem de Máquina” K. V. Vorontsov, lida em 2019 na Escola de Análise de Dados (“Yandex”):

• Https://ya-r.ru/2020/05/07/vorontsov-kurs-mashinnoe-obuchenie-2019-shkola-analiza-dannyh/

2. Cursos sobre redes neurais e matstat que achei úteis:

• Https://stepik.org/course/401/promo
• Https://stepik.org/course/76/syllabus

3. Cursos famosos em teoria da probabilidade e teoria dos gráficos pelo professor Raigorodsky, bem como especialização em aprendizado de máquina e análise de dados do MIPT:

• Https://www.coursera.org/learn/probability-theory-basics
• Https://ru.coursera.org/learn/teoriya-grafov
• Https://ru.coursera.org/specializations/machine-learning-data-analysis

4. O site Kaggle que todo analista de dados conhece. Lá você encontrará micro-cursos, desafios, uma grande coleção de conjuntos de dados e muito mais: https://www.kaggle.com/learn/overview

5. O livro que foi nosso livro-texto sobre IA em uma universidade em Taiwan: Russell Norvig: “Artificial Intelligence. Abordagem moderna ”.

6. Um excelente livro sobre análise preditiva e ML: Python e aprendizado de máquina, de Sebastian Raska.

7. O grande e terrível livro clássico de reconhecimento de padrões: Reconhecimento de padrões e aprendizado de máquina, Bishop KM

8. Um bom e prático manual da O’Reilly que explica simplesmente o que fazer e como: “Aprendizado de máquina aplicado com Scikit-Learn, Keras e TensorFlow: conceitos, ferramentas e técnicas para construir sistemas inteligentes,” Geron O.

9. E, finalmente, meu livro favorito: escrito com muita clareza, desde o básico, mas em inglês: Data Science from Scratch, 2ª edição, Joel Grus.

Como você pode ver, agora há muitas informações disponíveis e bem apresentadas sobre IA. Claro, as listas estão incompletas e são minha preferência pessoal – em breve você poderá ter sua própria coleção de livros e sites favoritos.