ディープラーニングの学習をすぐに始めないでください。非常に詳細な AI 専門家のロードマップ、GitHub は数日間で 2.1k のスターを獲得

この学習ロードマップは、人工知能分野のほぼすべてのコンテンツを網羅しています。マウスをクリックするだけで、必要な知識にリンクできます。

[[350538]]

私は人工知能分野の研究に携わりたいと思い、ネットで参考書を次から次へと購入し、学習動画を何度も繰り返し視聴していました。今思えば、これらの方法は効果的ではなかったかもしれませんが、多くの時間とお金を費やしました。

このとき、アウトラインベースの学習アプローチが特に重要になります。データ サイエンティスト、機械学習、AI の専門家になりたいが、適切な学習方法を見つけるのに苦労している場合、この記事では、人工知能の専門家になるための明確でわかりやすいロードマップを提供します。

これは、ドイツのソフトウェア会社 AMAI GmbH が最近リリースした GitHub プロジェクト、AI-Expert-Roadmap です。このロードマップは AI 分野のほぼすべての知識ポイントを網羅しており、各知識ポイントには詳細なドキュメントが用意されています。このロードマップのガイダンスに従えば、すぐに始められ、AI 分野のリーダーになることさえ可能になるかもしれません。このプロジェクトは開始からわずか数日で 2.1k 個の星を獲得しました。

プロジェクトアドレス: https://github.com/AMAI-GmbH/AI-Expert-Roadmap

多くのハイライトを備えた AI エキスパート ロードマップ

この AI エキスパート ロードマップがインタラクティブ バージョンであるため、学習者に非常に優しいです。 各サブモジュールにリストされているコンテンツは、指定された Web サイトにリンクされており、学習者は Wikipedia やその他のソースでエントリの定義や拡張コンテンツを見つけることができます。 さらに、新しい研究が発表されるたびにロードマップは更新されます。

このロードマップの目的は、学習者に最も先進的で最新のテクノロジーを盲目的に選択するよう促すのではなく、学習者に人工知能の全体的な概念を伝え、学習中に混乱を感じたときにガイダンスを提供することです。これは、科学研究では、誰もが自分にとってどのツールが最適かを理解する必要があるためです。つまり、最も先進的で人気のある技術が必ずしも最適であるとは限りません。

この AI エキスパート ロードマップでは、開発者は、論文やコード、バージョン管理、セマンティック バージョン管理、変更ログなど、あらゆる学習パスに不可欠な要素をいくつかリストしました。しかし、具体的な選択に関して、開発者は、AI を学習する際には、現在人気の技術であるディープラーニングに直接移行するのではなく、段階的に進め、データ サイエンティスト → 機械学習 → ディープラーニング...、データ サイエンティスト → データ エンジニア...、ビッグ データ エンジニア →... という 3 つの学習パスから選択できるようにすべきだと考えています。

正しい方法は一歩一歩進むことです。

AI エキスパート ロードマップの概要

このセクションでは、AI エキスパートのロードマップを簡単にまとめ、データ サイエンティスト、機械学習、ディープラーニング、データ エンジニア、ビッグ データ エンジニアの観点から説明します。これら 5 つのパートには詳細な学習ロードマップがあります。チャート内のいずれかのモジュールをクリックすると、対応するコンテンツにリンクされます。

データ サイエンティスト ロードマップ

データ サイエンティスト ロードマップでは、行列と線形代数、データベース、表形式データ、データ形式 (JSON、XML、CSV)、正規表現など、AI 研究に必要な基礎を学ぶことができます。

統計学では、ロードマップには確率論、確率分布、推定、仮説検定、信頼区間、大数の法則、モンテカルロ法などが網羅されています。

Python プログラミングに関しては、ロードマップには Python の基礎、より重要な Python ライブラリ、および必要なオペレーティング環境が示されています。

データ ソースに関しては、学習者は「Awesome Public Datasets」アイコンをクリックして、整理されたパブリック データ セットにリンクできます。その後、可視化や探索的データ分析・変換・組織化関連のコンテンツに移行し、最終的に機械学習とデータエンジニアという2つの異なる方向に進みました。

機械学習ロードマップ

機械学習のロードマップは、主に基本概念、アルゴリズム、ユースケース、使用されるツールの4 つの部分に分かれています。基本概念のセクションには、主に機械学習でよく使用される概念、勾配降下法、トレーニング セット、テスト セット、検証セットなどの基本概念が含まれています。アルゴリズムのセクションでは、教師あり学習、教師なし学習、アンサンブル学習、強化学習の 4 種類のアルゴリズムがリストされています。ユース ケースのセクションでは、感情分析、協調フィルタリング、ラベリング、予測がリストされています。ツールのセクションでは、scikit-learn や spacy などのツールが紹介されています。各部分には対応する詳細なドキュメントがあります。

ディープラーニングロードマップ

機械学習の次はディープラーニングです。ディープラーニングは最初のオプション学習パスの最後の部分です。ディープラーニングのロードマップは、論文、ニューラル ネットワーク、ネットワーク アーキテクチャ、および使用されるツールの4 つの部分で構成されています。論文セクションでは、ディープラーニング論文の読み方のロードマップと SOTA 論文が提供されます。ニューラル ネットワーク セクションでは、ニューラル ネットワークを理解する方法を詳しく説明したブログ投稿が提供されます。ネットワーク アーキテクチャ セクションには、パーセプトロン、オートエンコーダ、CNN、および RNN が含まれます。使用されるツール セクションでは、主に TensorFlow、PyTorch などが紹介されます。最後に、アドバイスを一つ。探求を続け、時代の流れに遅れないようにしてください。

データエンジニアのロードマップ

データ サイエンティスト ロードマップの後は、2 番目のオプションの学習パスであるデータ エンジニア ロードマップに直接進むことができます。このロードマップでは、主にデータ形式、データ検出、データ統合、データ融合、データ調査、データレイクとデータウェアハウス、ETL の使用方法について紹介します。

ビッグデータエンジニアロードマップ

ビッグデータ エンジニア ロードマップは、3 番目のオプションの学習パスであり、主にビッグデータ アーキテクチャ、従うべき原則、および使用されるツールの3 つの部分に分かれています。ビッグ データ アーキテクチャ セクションでは、主にビッグ データ分析アーキテクチャ パターンとベスト プラクティスについて説明します。従う原則には、データベース管理システムでのデータ レプリケーションや Hadoop の NameNode と DataNode の違いが含まれ、使用されるツールには Hadoop、Spark などがあります。