必読 | AI 変革のための開発者ガイド

この記事はLeiphone.comから転載したものです。転載する場合は、Leiphone.com公式サイトにアクセスして許可を申請してください。

人工知能…まあ、この最先端技術は今流行っているようですが、人類に決定的な影響を与える技術でもあります。私たちは AI の力と、それがほぼあらゆる業界で効果的に活用できることに驚いています。今日のロボットは100年前の飛行機のようなものです。では次は何でしょうか?この質問は、大きな関心、励まし、このプロセスに参加したいという願望から、最終的には恐怖、混乱、無知に至るまで、さまざまな感情を呼び起こします。 AI の開発に参加して受動的な傍観者になることを妨げるものは何ですか?

ご想像のとおり、AI 開発者になるまでの道のりは長く困難なものですが、だからといってこの目標を達成できないわけではありません。懐疑的な人たちに一言：プログラミング、数学、エンジニアリングの経験がなくても、自宅で AI をゼロから学び、実践で知識を適用して簡単な機械学習ソリューションを作成し始めることができます。これが AI 開発者になるための第一歩となります。

数年前、Kaggle のユーザー調査によると、AI 分野で働く人のうち、学校で機械学習やデータサイエンスを学んだ人はわずか 30% でした。対照的に、回答者の66%は独学でした。回答者の半数以上が、新しい科目を学ぶためにオンラインコースを利用していると述べています。つまり、これはただ一つのことを意味するだけです:

夢を見るのをやめて、行動を始めましょう!

これを実行することに決めた場合、この記事は最初のステップを踏むのに役立つツールになります。ここでは、AI 開発者になるための効果的な学習パスとして私が考えるものを紹介します。ご存知のとおり、世の中には選択できる資料がたくさんありますが、私は本当に重要なものを区別できるようにお手伝いをしたいと考えています。

準備はできたか？

パート1.まずAI学習を始めるために必要な基礎スキルを身につける

[[273942]]

人工知能は複雑な研究分野の 1 つであり、適切な学習戦略が特に重要です。つまり、学習するには準備が必要であり、まず基本的なスキルを習得する必要があるということです。すでに基本的なスキルを知っている場合は、この段階をスキップできます。しかし、それ以外の場合には、少なくとも数日または 1 週間をかけて、学習する必要がある分野の基礎を学ぶことをお勧めします。

同時に、すべてにおいて達人になる必要はありません。基本的な概念を理解するには時間をかける必要があります。もっと深く学びたいなら、今は急がないでください。いずれにしても、後で質問があるときに Google で回答を検索するときに役立ちます。

#1 抽象的思考

より賢くなり、問題解決能力を身につけるには、抽象的な思考が重要です。あなたは抽象的な思考を持っていますか？そうでない場合は、それを変える時期です。

今は、優れた問題解決能力と論理的推論能力を身につけることが最優先です。機械学習は、データ内のパターンを見つけることに重点を置いています。たとえば、データサイエンティストは、サービスアーキテクチャの設計とデバッグよりも、仮説の生成、データの配列に対する無限の実験の準備と実行に多くの時間を費やします。

専門家の頭の中では、Google マップの道路や交差点、ATM 分析システムの時系列からの現金引き出し統計がグラフに変換されます。日常の物事を抽象的な形で表現するスキルがなければうまくいきません。したがって、考える際には、問題を解決する方法である思考の深さを優先する必要があります。

深く考えることを学ぶにはどうすればいいでしょうか?目にするものすべてに疑問を持ちましょう。おそらく、抽象的思考力を向上させる最善の方法は、精神的なスタミナを高め、物事についてもっと考え始めることです。役に立つかもしれない興味深いビデオをいくつか紹介します。

思考とは何か？脳が新しいアイデアを生み出す仕組み
抽象的なオブジェクトについての4つの考え方
創造的思考 - 既成概念にとらわれずにアイデアを生み出す方法

ちなみに、数学は抽象的な思考方法なので、数学のスキルを向上させることも役立ちます。統計のパターンを見つけることで、この分野での能力も向上します。それで、次のスキルに注目してください。

#2 基礎的な数学リテラシー

[[273943]]

人工知能や機械学習の分野でのキャリアには、数学の基礎知識が必要です。ここでのキーワードは「基本」です。基本的な理論を読んだり、復習したりする必要があります。チュートリアル全体を読む必要はなく、重要な概念だけに焦点を当ててください。

データ分析のための線形代数: スカラー、ベクトル、行列、テンソル
数学的解析：微分と勾配
確率論の基礎

線形代数と数学的解析を素早く学ぶには、次のコースをお勧めします。

カーンアカデミーでは、線形代数と数学的解析に関する短期の実践コースを提供しています。
MIT OpenCourseWare: このソフトウェアには、ML 数学に関する優れたコースがあります。
人工知能：「機械学習と予測分析」は、人工知能の無限の可能性を簡単に理解するのに役立ちます。

#3 ロボット工学を学びたいなら物理学を学ぶ必要がある

[[273944]]

科学に対する確かな理解は、工学のあらゆる分野にとって重要です。物理学は、エネルギー、回路、力学、材料科学、およびロボット工学のその他の重要なトピックに関する基礎知識を提供するため、特に役立ちます。しかし、すべての科学は、数学を実際の問題に適用する方法を教えてくれる点で有用です。

物理学をどこで勉強すればいいですか？慌てないで。工学物理学について学べる素晴らしい YouTube チャンネルをご紹介します。学習を楽しんでください！

#4 統計的手法

[[273945]]

統計的手法は数学学習の重要な基礎の 1 つです。これにより、機械学習アルゴリズムの原理をより深く理解できます。データとデータセットを分析するために使用される主な手法は次のとおりです。

平均値
標準偏差
回帰分析
サンプルサイズの決定
仮説検定

EdX の無料統計分析コース

主な回帰の種類: どれを使用すればよいですか?

機械学習のための統計的手法

#5 アルゴリズム、最初から最後まで！

知らせ！これで、人工知能の学習の最も基本的な領域に入りました。アルゴリズムを「必須」と説明するだけでは不十分です。人工知能の分野の研究者になりたいなら、アルゴリズムの専門家にならなければなりません。この分野では優れた問題解決能力と分析能力が必要です。したがって、前の手順をためらわずに実行してください。これにより、与えられたタスクを効率的に完了できるようになります。

アルゴリズムは退屈で複雑で習得が難しいように思えます。ある程度、これは真実です。しかし、本当に、熱心に、そして真剣に AI の専門家になりたいのであれば、知識を更新する必要があります。それ以外の近道はありません。このタスクは、私の以前の記事「データサイエンスのためのトップ 10 機械学習アルゴリズム」で簡単に行うことができます。この記事では、最も一般的な 10 個のアルゴリズムの基本原理を簡単な言葉で説明しています。

しかし、それだけでは十分ではないので、さらに一歩進むことをお勧めします。以下の役立つ情報をチェックしてください:

Steven S Skiena の「アルゴリズム設計マニュアル」
「機械学習アルゴリズム: 問題に応じてどれを選択するか」Daniil Korbut 著
「実装前のアルゴリズムの視覚化」ダニエル・P・クラーク著

上記はすべて準備です。これらの基本的なスキルをすべて習得していれば、自信を持って機械学習の指導を始めることができます。

パート II. 最も重要な部分である人工知能の学習を開始する

さて、ここからが最も興味深い部分です。人工知能を学ぶために必要な知識ベースがあれば、以下のポイントを簡単に理解でき、赤ちゃんが歩き方を学ぶように一歩ずつ夢に近づくことができます。はい、その通りです。これらは幼児のステップにすぎません。覚えておいてください、これはすぐに達成できるものではありません。

#1 コンピュータサイエンス、プログラミング（Pythonに重点を置く）

[[273947]]

AI 開発者の仕事の重要な部分は、Python などのプログラミング言語やコーディングを含む、コンピューターサイエンスベースのアプリケーションを扱うことです。したがって、このステップでは忍耐強く、勉強に非常に集中してください。多くのことを学ぶことになるからです。

なぜ Python なのか?すべての世論調査によると、Python は現在、人工知能とデータサイエンスの分野で最も人気のある言語です。さらに、このツールは習得も使用も簡単です。呼び出せるライブラリが多数含まれており、インターネット上には多数のオンラインコースや資料も見つかります。自分の好みに合った学習方法を選ぶことができます。

初心者に必須のリソース:

データサイエンスのための Python 初心者ガイド — 人工知能の分野で働くことを夢見る人のための包括的なガイドです。
Python で退屈な作業を自動化する — この本は、プログラミングの主な内容は構文の知識ではなく、マシンに命令を実行させる方法を理解することであるという事実を証明しています。
コンピューター科学者のように考える方法 – プロのようにプログラミングする方法を教えてくれる、もう 1 つの優れたオープンソースブックプロジェクトです。
Python を難しい方法で学ぶ — 基礎とより複雑なアプリケーションを解説した優れたマニュアル本です。
Python チュートリアル - 公式ドキュメント。

C++/R/Java などの他の言語を学ぶこともできますが、個人的には Python が AI とデータサイエンスに最も適したツールです。理由を知りたいですか?これについてすべてを詳しく説明した前回の記事「Python vs R。AI、ML、データサイエンスに最適なツールの選択」をお読みください。

#2 AIそのものについて学ぶ

フランチェスコ・コリアが開発した人工知能知識マップ

上記の計画をどう理解するか想像してみてください。Andrew Ng のように「理解できなくても心配しないでください」と言います。全体像を把握し、各要素がどこにあるかを理解するだけで十分です。ちなみに、アンドリューは人工知能の分野で最も影響力のある人物の一人であり、この名前をよく目にするでしょう。彼はオンライン機械学習サイト「Coursera」の共同設立者であり、現在はスタンフォード大学の准教授です。
さて、本題に戻りましょう。人工知能は、多くの理論、方法、技術、実践、および以下の基本概念を含む広範な研究分野です。

機械学習

機械学習は人工知能を実現するプロセスです。これは、人間の介入なしに学習するコンピュータの能力です。人工知能は機械学習なしでも実現可能ですが、複雑なルールと条件を含む 100 万行のコードが必要になります。言い換えれば、機械学習では、特定のタスクごとに詳細な指示を記述するのではなく、独自に解決策を見つけることを学習するアルゴリズムを使用します。

機械学習には、教師あり学習、教師なし学習、半教師あり学習、強化学習の 4 つの主な種類があります。教師あり機械学習では、アルゴリズムは大量のデータを処理、分類、ラベル付けすることで、データを認識する方法を学習します。教師なし機械学習では、アルゴリズムが大量のラベルなしデータ内のパターンとカテゴリを識別します。多くの場合、その速度は人間の脳よりも速くなります。

何を学ぶべきか？どこで学ぶのですか?

Python による機械学習の初心者向けガイド
機械学習入門 - Udacity の無料コース
機械学習エンジニアになる方法: 15 ステップ

ニューラルネットワーク

おそらく、現在までに人工知能の中で最も急速に成長している分野はニューラルネットワークです。ニューラルネットワークと人工知能の研究は、線形代数と確率論という数学の 2 つの分野から始める必要があります。これは人工知能の揺るぎない柱です。ニューラルネットワークは機械学習の一種であり、インテリジェントマシンが特定の状況で適切な接続を見つけてタスクを修正したり、事前に決定された決定を下したりするのに役立ちます。

ここにいくつかの優れた学習教材があります:

Python でのニューラルネットワーク — これは、最初からシンプルなニューラルネットワークを構築できる優れたチュートリアルです。役に立つイラストがたくさんあり、勾配降下法がどのように機能するかを理解できます。
Python で独自のニューラルネットワークをゼロから構築する方法。
Python でニューラルネットワークをゼロから実装する - 入門。
初心者のための機械学習: ニューラルネットワーク入門 — ニューラルネットワークの仕組みと、Python でゼロから実装する方法について説明した簡潔なチュートリアルです。

ディープラーニング

ディープラーニングは、大脳新皮質のニューロン層の活動をシミュレートしようとします。人工ニューラルネットワーク (ANN) – すでにこれを実行しているアルゴリズムの 1 つ。人工ニューラルネットワークは、相互作用する人工ニューロンで構成されています。これらは層状に配置されており、各層は画像を認識するときに、形状の曲がりや境界などの特定のシンボルに反応します。学習は、レイヤーの数が多いため、深い学習と呼ばれます。

6か月でディープラーニングを学ぶ実践ガイド
Yann LeCun らによる効率的な BackProp

認知コンピューティング

AI は認知コンピューティングを使用して、人間が通常実行するプロセスをシミュレートし、画像や言語を解釈し、応答シーケンスで話したり行動したりすることができます。人工知能や機械学習の多くの手法は、自然界の生物からヒントを得ています。また、初期の AI は人間の脳を模倣するマシンを構築するという壮大な目標に焦点を当てていましたが、認知コンピューティングはその目標に向けて取り組んでいます。

認知コンピューティングは、認知科学の知識を活用して、ニューラルネットワークとディープラーニングに基づいて人間の思考プロセスをシミュレートするシステムを構築するテクノロジーです。ただし、コグニティブコンピューティングは、単一のテクノロジに焦点を当てるのではなく、機械学習、自然言語処理、ビジョン、人間とコンピューターの相互作用など、複数の分野を網羅しています。

認知コンピューティング: ゲームチェンジャーのための簡潔なガイド (ピーター・フィンガー著)

コンピュータビジョン

人工知能は、画像認識と、画像やビデオで何が起こっているかを詳細に研究することに基づいています。機械が画像を処理、分析、理解できるようになると、機械は画像を独自に解釈し、入力の処理と使用について独自の判断を下すことができます。

コンピュータビジョンにおけるマルチビュージオメトリ
コンピュータビジョン: モデル、学習、推論
コンピュータビジョン初心者ガイド

人工知能というテーマは非常に奥が深く、私たちはこれまでその表面を少しだけ触れたに過ぎません。今こそ実践に移る時です。

パート III. 練習のヒント

さて、長征を始める準備ができているなら、おめでとうございます!これで、一定の知識ベースが得られます。私個人としては、この段階で最も効果的な学習方法は 2 つあります。Kaggle コンテストに参加すること、処理するデータセットを選択すること、そしてプロセスを練習することです。

Kaggleコンペティションに参加する

Kaggle では、データ分析のコンテストが頻繁に開催されています。最も簡単で初心者にも優しいので、まずは賞品のないコンテストに参加することをお勧めします。時間が経つにつれて、より複雑なタスクに移行できるようになります。この練習方法があなたに合っている場合は、Kaggle コンテストへの参加方法に関するガイド「Kaggle 初心者ガイド」をお読みください。

データセットの実践: