普通のプログラマーから人工知能の仕事に転職するにはどうすればいいでしょうか?

人工知能は非常にホットな話題になっています。普通のプログラマーとして、人工知能に転向する方法。プログラマーを例に、一般的なプログラマーがどのように人工知能への旅を始めるかを見てみましょう。

[[240149]]

AI分野入門

AI、つまり人工知能は、機械学習、コンピューター ビジョンなどのさまざまな分野で構成される非常に広範な科学です。一般的に、人工知能研究の主な目標は、通常は人間の知能を必要とする複雑なタスクを機械が実行できるようにすることです。しかし、時代や人によって、この「複雑な作業」に対する理解は異なります。現在、人工知能を研究するために使用できる主な物質的手段と人工知能技術を実現できる機械はコンピュータであり、人工知能の発展の歴史はコンピュータ科学技術の発展の歴史と密接に関係しています。人工知能には、コンピューターサイエンスに加えて、情報理論、サイバネティクス、オートメーション、バイオニクス、生物学、心理学、数理論理学、言語学、医学、哲学など、多くの分野が関わっています。

学びたいと思ったときに最初に頭に浮かぶ疑問は、「AI を始めるのは簡単か?」ということです。実際、十分な能力がなくても始めるのは非常に簡単です。機械学習を例に挙げてみましょう。学習の過程では、多数の複雑な数式に直面し、実際のプロジェクトでは、データ不足や難しいパラメータ調整などに直面することになります。もし、この方向性が将来流行るだろうと単純に考えているのであれば、これらの困難は簡単にあなたを諦めさせることになるでしょう。一般的なプログラマーの特性を考えると、このような難しい科目を学ぶ方法はないのでしょうか?答えはノーです。適切な学習方法を開発するだけです。  

どうやって学ぶの？

まず、次の 3 つの質問について考えてみましょう。何を学びたいのか?どうやって学べますか？どうやって学べますか？

これら 3 つの質問は、実際には学習目標、学習計画、学習ガイドラインです。学習目標は学習したい方向であり、この目標は簡単に決定できます。

学習方針は「興味を第一に、実践と学習を組み合わせる」と要約できます。簡単に言えば、まず興味を育て、次に学習の中に実践を織り交ぜ、螺旋状に向上していくことです。この方法は学習に効果的であり、人々が簡単に諦めないようにします。学習ポリシーを作成したら、学習ルートでもある学習計画を作成できます。以下では機械学習を例に、学習計画ルートの紹介をします。

学習計画ルート

編集者が推奨する学習ルートは次のとおりです。

まず、この分野を理解し、包括的なビジョンを確立し、十分な興味を育んでから、機械学習の基礎を学び始める必要があります。ここでは、最も簡単なものから最も高度なものまで、コースを選択します。コースに実戦に十分な実験が含まれていると最適です。基礎を築いた後は、機械学習を十分に理解し、それを実際の問題の解決に活用できるようになります。

何を学ぶにしても、しっかりとした基礎知識と強力なコーディングスキルが必要なので、自分のレベルをテストしてトレーニングするのは簡単です。この段階を通過すると、AIの分野に足を踏み入れたと言えます。 「師匠はあなたを門まで導きますが、実践するのはあなた次第です。」残りの道は自分で歩かなければなりません。

各段階の詳細な説明は次のとおりです。

0. 現場の理解

知識を学ぶ前に、まずその知識が何であるかを理解する必要があります。それは何ができるのでしょうか?その価値は何ですか?これらを理解していないと、学習自体が方向を見失った船のようなものです。どこへ向かえばよいのかわからず、沈没する危険性が高くなります。これらの問題を理解して初めて、興味を抱くことができます。興味は最良のガイドです。学習への意欲と忍耐力があれば、次のいくつかの段階に対処することができます。

1. 知識の準備

学校を離れてから長い時間が経っていたり、基礎がしっかりしていないと感じている場合は、まず復習の準備をするのが最善です。「仕事をうまくやり遂げたいなら、まず道具を磨かなければなりません。」以下の準備作業はそれほど多くはありませんが、学習の後の段階に対処するには十分です。

数学：以下の基礎知識を復習します。

線形代数：行列の乗算;

確率論：条件付き確率と事後確率。その他の知識は、その後の学習プロセスで必要に応じて補足することができます。

英語: iCiBa などのオンライン英語辞書を常に携帯しておくと、英語の情報 Web ページを簡単に読むことができます。

Ladder: いつでもどこでも Google にアクセスできるのがベストです。これは非常に重要なクエリ ツールです。 Baidu で検索や閲覧ができないわけではありませんが、ほとんどの場合、特に英語のキーワードを検索する場合、Google で見つけた情報の方が Baidu で見つけた数十ページの情報よりも有用です。学習効率を向上させるには、時間を節約することが非常に重要です。

2. 機械学習

私が機械学習について最初にお勧めするコースは、Andrew Ng による「Machine Learning」です。このコースの特徴は、難易度が中程度で、実践的な例が十分にあるため、初めて学習する人に最適です。  

3. 実践プロジェクト

基礎コースを修了すると、機械学習の基礎を理解できるようになります。今使っても問題ありません。機械学習アルゴリズムをブラックボックスとして扱い、データを入れると結果が得られます。実際の戦闘では、データの取得方法やパラメータの調整方法にさらに注意を払う必要があります。時間があれば、簡単な練習プロジェクトを自分でやってみるのが一番です。

4. ディープラーニング

ディープラーニング: ディープラーニングは現在最も注目されている研究分野です。知識の更新が早く、比較的断片化しており、体系的に解説した書籍がないなどの特徴があります。そのため、学習リソースは比較的分散しています。以下にリソースをいくつか紹介します。

UFLDL: Andrew Ng によって書かれた、非常に優れた基本的な DL チュートリアルです。非常に詳細な導出があり、翻訳も利用可能で、翻訳の質も高いです。

ディープラーニング（論文）：これは、ディープラーニングの専門家 3 名によって書かれた 2015 年の Nature 論文です。論文全体を読んだ後、世界を鳥瞰したような気分になります。ぜひお勧めします。ディープラーニングについて学ぶために 1 つの論文しか読めない場合は、この論文をお勧めします。この論文には同名の中国語訳があります。

ニューラルネットワークとディープラーニング: この本の著者は、深遠な真実を平易な言葉で表現するのがとても上手です。翻訳はありませんが、読むのは難しくありません。

リカレント ニューラル ネットワーク: このチュートリアルでは、実際の例を使用して RNN とは何かを説明します。チュートリアル全体を完了すると、RNN の仕組みを明確に理解できるようになります。これは、いくつかの関連論文を読んだだけでは得られない効果です。

5. 機械学習を継続する

ディープラーニングは必ずしも将来的に主流になるわけではない、少なくとも一部の専門家はそう考えています。従来の機械学習には、体系的な知識と比較的古典的な書籍という特徴があります。その中で、統計学習（SVM に代表される）とアンサンブル学習（adaboost に代表される）は、実際に最も広く使用されている手法です。関連するリソースをいくつか紹介します。

機械学習：かつては、PRML が機械学習の古典的な教科書でしたが、周教授の本が出版された今では、そうではありません。まず、周先生の本を読むことをお勧めします。この本の特徴の一つは、最も難しい真実でさえも、シンプルで洗練された言葉で表現できることです。周先生はこう言っています。「あなたのレベルは、簡単なものを難しくするのではなく、難しいことを簡単にすることで表れます。難しいものにするのは簡単すぎるのです。」

6. オープンソースプロジェクト

知識の蓄えが十分になると、学習は再び実践段階に入ることができます。現時点では、実践は、古典的なオープンソース プロジェクトを学習するか、高品質の論文を公開するかという 2 つのステップに分けられます。オープンソース プロジェクトを学習する目的は、可能な限り最適化することです。単にコードを読むためだけに学習しても、あまり効果的ではないことがよくあります。優れたオープンソース プロジェクトは Github で検索できます。ここではディープラーニングを例に挙げます。 torch、theano など、ディープラーニング用の優れたオープンソース ライブラリは数多くあります。そのうちの 2 つを次に示します。

DeepLearnToolbox: MATLAB 言語で記述された初期のディープラーニング ライブラリ。学習したコースからの移行に適しています。残念ながら、著者はもうそれを維持していません。

Tensorflow: Google のオープンソース ライブラリ。現在までに 40,000 以上のスターを獲得しており、モバイル デバイスもサポートする素晴らしいライブラリです。  

要約する

まず、この分野について十分に理解し、興味を育む必要があります。勉強するときは、段階的なアプローチを維持し、難しすぎるリソースを急いで学習しないでください。学習と実践を組み合わせ、読んだり見たりするだけでなく、実際に実行して達成感を感じてください。リソースを学習するときは、十分な目的が必要です。オープンソース プロジェクトを学習する目的でコードを読むのではなく、オープンソース プロジェクトを作成する目的でコードを読む必要があります。

学習リソースが難しすぎて理解できない場合、それは必ずしもあなたの問題というわけではなく、学習リソースの話し手または作成者に問題がある可能性があります。難しい問題をわかりやすく説明できる人は本当に有能な人です。したがって、無差別に学習するのではなく、質の高いリソースから学習することが重要です。最後に、興味を持って学ぶことを忘れないでください。学習には長い時間がかかり、その過程は困難ですが、興味だけが忍耐し困難を克服するのに役立ちます。