ai learning roadmap
1.0.0
Listas de todos los materiales de aprendizaje y herramientas prácticas relacionados con la IA para comenzar con las aplicaciones de IA
Laboratorios a su propio ritmo
Los laboratorios de AWS a su propio ritmo brindan práctica práctica en un entorno de AWS en vivo con servicios de AWS y escenarios de nube del mundo real. Siga las instrucciones paso a paso para conocer un servicio, practicar un caso de uso o prepararse para la certificación AWS.
Laboratorio introductorio
lex
polly
reconocimiento
Aprendizaje automático
Aprendizaje automático
Sesión 1: Capacitar a los desarrolladores para crear aplicaciones inteligentes
Sesión 2: Predicción de la pérdida de clientes con Amazon Machine Learning
AWS Machine Learning: servicio administrado de extremo a extremo para crear y probar modelos de aprendizaje automático y luego implementar esos modelos en producción.
Documentación
AMI de aprendizaje profundo de AWS: imagen de máquina de Amazon (AMI) optimizada para esfuerzos de aprendizaje profundo
Recursos adicionales recomendados
Lleve sus habilidades al siguiente nivel con laboratorios de nivel fundamental, avanzado y experto.
A continuación se muestra el material de aprendizaje que le ayudará a conocer Google Cloud.
Red
El codelab proporciona una experiencia común para desarrolladores en la nube de la siguiente manera:
Desarrollo de soluciones para Google Cloud Platform – 8 horas
Infraestructura
Datos
IA, big data y aprendizaje automático
Materiales de IA adicionales
(Opcional) Aprendizaje profundo y Tensorflow
Material de referencia adicional
(Las contribuciones son bienvenidas en este espacio)
estudio visual
Conjuntos de datos de la UCI
Prerrequisito de habilidades
Rutas de formación
Si tiene las habilidades previas anteriores, tome la Ruta de capacitación avanzada; de lo contrario, tome la Ruta de capacitación para principiantes.
Tutoriales de requisitos previos
Configuración del entorno
Servicios cognitivos (definición de inteligencia)
Bot Framework (creación de chatbots)
Configuración del entorno
Servicios cognitivos (definición de inteligencia)
Bot Framework (creación de chatbots)
Servicios cognitivos (definición de inteligencia): laboratorios
Bot Framework (creación de chatbots): laboratorios
Fuente Berkeley
| Título de la conferencia | Profesor | Semestre | |
| Conferencia 1 | Introducción | Daniel Klein | Otoño 2012 |
| Conferencia 2 | Búsqueda desinformada | Daniel Klein | Otoño 2012 |
| Conferencia 3 | Búsqueda informada | Daniel Klein | Otoño 2012 |
| Conferencia 4 | Problemas de satisfacción de restricciones I | Daniel Klein | Otoño 2012 |
| Conferencia 5 | Problemas de satisfacción de restricciones II | Daniel Klein | Otoño 2012 |
| Conferencia 6 | Búsqueda adversaria | Daniel Klein | Otoño 2012 |
| Conferencia 7 | Expectimax y utilidades | Daniel Klein | Otoño 2012 |
| Conferencia 8 | Procesos de decisión de Markov I | Daniel Klein | Otoño 2012 |
| Conferencia 9 | Procesos de decisión de Markov II | Daniel Klein | Otoño 2012 |
| Conferencia 10 | Aprendizaje por refuerzo I | Daniel Klein | Otoño 2012 |
| Conferencia 11 | Aprendizaje por refuerzo II | Daniel Klein | Otoño 2012 |
| Conferencia 12 | Probabilidad | Pieter Abbeel | Primavera 2014 |
| Conferencia 13 | Modelos de Markov | Pieter Abbeel | Primavera 2014 |
| Conferencia 14 | Modelos ocultos de Markov | Daniel Klein | Otoño 2013 |
| Conferencia 15 | Aplicaciones de HMM/Habla | Pieter Abbeel | Primavera 2014 |
| Conferencia 16 | Redes de Bayes: representación | Pieter Abbeel | Primavera 2014 |
| Conferencia 17 | Redes de Bayes: Independencia | Pieter Abbeel | Primavera 2014 |
| Conferencia 18 | Redes de Bayes: inferencia | Pieter Abbeel | Primavera 2014 |
| Conferencia 19 | Redes de Bayes: muestreo | Pieter Abbeel | Otoño 2013 |
| Conferencia 20 | Diagramas de decisión / Valor de la información perfecta | Pieter Abbeel | Primavera 2014 |
| Conferencia 21 | Aprendizaje automático: Bayes ingenuo | nicolas heno | Primavera 2014 |
| Conferencia 22 | Aprendizaje automático: perceptrones | Pieter Abbeel | Primavera 2014 |
| Conferencia 23 | Aprendizaje automático: kernels y clustering | Pieter Abbeel | Primavera 2014 |
| Conferencia 24 | Aplicaciones avanzadas: PNL, juegos y coches robóticos | Pieter Abbeel | Primavera 2014 |
| Conferencia 25 | Aplicaciones Avanzadas: Visión por Computador y Robótica | Pieter Abbeel | Primavera 2014 |
Además, hay videos paso a paso adicionales que complementan los materiales de la conferencia. Estos vídeos se enumeran a continuación:
| Título de la conferencia | Profesor | Notas | |
| SBS-1 | DFS y BFS | Pieter Abbeel | Lec: Búsqueda desinformada |
| SBS-2 | A* Buscar | Pieter Abbeel | Lec: Búsqueda Informada |
| SBS-3 | Poda Alfa-Beta | Pieter Abbeel | Lec: Búsqueda adversaria |
| SBS-4 | Separación D | Pieter Abbeel | Lec: Redes de Bayes: Independencia |
| SBS-5 | Eliminación de una variable | Pieter Abbeel | Lec: Las redes de Bayes: Inferencia |
| SBS-6 | Eliminación de variables | Pieter Abbeel | Lec: Las redes de Bayes: Inferencia |
| SBS-7 | Muestreo | Pieter Abbeel | Lec: Redes de Bayes: muestreo |
| SBS-8 | Máxima probabilidad | Pieter Abbeel | Lec: Aprendizaje automático: Bayes ingenuo |
| SBS-9 | Suavizado de Laplace | Pieter Abbeel | Lec: Aprendizaje automático: Bayes ingenuo |
| SBS-10 | perceptrones | Pieter Abbeel | Lec: Aprendizaje automático: perceptrones |
Los videos de las conferencias de las ofertas más recientes se publican a continuación.
Vídeos de las conferencias de primavera de 2014
Vídeos de las conferencias de otoño de 2013
Vídeos de las conferencias de primavera de 2013
Vídeos de las conferencias de otoño de 2012
| Título de la conferencia | Profesor | Notas | |
| Conferencia 1 | Introducción | Pieter Abbeel | |
| Conferencia 2 | Búsqueda desinformada | Pieter Abbeel | |
| Conferencia 3 | Búsqueda informada | Pieter Abbeel | |
| Conferencia 4 | Problemas de satisfacción de restricciones I | Pieter Abbeel | La grabación es un poco inestable; consulte la Conferencia 4 de otoño de 2013 para ver alternativas. |
| Conferencia 5 | Problemas de satisfacción de restricciones II | Pieter Abbeel | |
| Conferencia 6 | Búsqueda adversaria | Pieter Abbeel | |
| Conferencia 7 | Expectimax y utilidades | Pieter Abbeel | |
| Conferencia 8 | Procesos de decisión de Markov I | Pieter Abbeel | |
| Conferencia 9 | Procesos de decisión de Markov II | Pieter Abbeel | |
| Conferencia 10 | Aprendizaje por refuerzo I | Pieter Abbeel | |
| Conferencia 11 | Aprendizaje por refuerzo II | Pieter Abbeel | |
| Conferencia 12 | Probabilidad | Pieter Abbeel | |
| Conferencia 13 | Modelos de Markov | Pieter Abbeel | |
| Conferencia 14 | Modelos ocultos de Markov | Pieter Abbeel | La grabación es un poco inestable; consulte la Conferencia 18 de otoño de 2013 para ver alternativas. |
| Conferencia 15 | Aplicaciones de HMM/Habla | Pieter Abbeel | |
| Conferencia 16 | Redes de Bayes: representación | Pieter Abbeel | |
| Conferencia 17 | Redes de Bayes: Independencia | Pieter Abbeel | |
| Conferencia 18 | Redes de Bayes: inferencia | Pieter Abbeel | |
| Conferencia 19 | Redes de Bayes: muestreo | Pieter Abbeel | Sin grabar, consulte la Conferencia 16 de otoño de 2013. |
| Conferencia 20 | Diagramas de decisión / Valor de la información perfecta | Pieter Abbeel | |
| Conferencia 21 | Aprendizaje automático: Bayes ingenuo | nicolas heno | |
| Conferencia 22 | Aprendizaje automático: perceptrones | Pieter Abbeel | |
| Conferencia 23 | Aprendizaje automático: kernels y clustering | Pieter Abbeel | |
| Conferencia 24 | Aplicaciones avanzadas: PNL, juegos y coches robóticos | Pieter Abbeel | |
| Conferencia 25 | Aplicaciones Avanzadas: Visión por Computador y Robótica | Pieter Abbeel | |
| Conferencia 26 | Conclusión | Pieter Abbeel | No registrado |
| Título de la conferencia | Profesor | Notas | |
| Conferencia 1 | Introducción | Daniel Klein | |
| Conferencia 2 | Búsqueda desinformada | Daniel Klein | |
| Conferencia 3 | Búsqueda informada | Daniel Klein | |
| Conferencia 4 | Problemas de satisfacción de restricciones I | Daniel Klein | |
| Conferencia 5 | Problemas de satisfacción de restricciones II | Daniel Klein | |
| Conferencia 6 | Búsqueda adversaria | Daniel Klein | |
| Conferencia 7 | Expectimax y utilidades | Daniel Klein | |
| Conferencia 8 | Procesos de decisión de Markov I | Daniel Klein | |
| Conferencia 9 | Procesos de decisión de Markov II | Daniel Klein | |
| Conferencia 10 | Aprendizaje por refuerzo I | Daniel Klein | |
| Conferencia 11 | Aprendizaje por refuerzo II | Daniel Klein | |
| Conferencia 12 | Probabilidad | Pieter Abbeel | |
| Conferencia 13 | Redes de Bayes: representación | Pieter Abbeel | |
| Conferencia 14 | Redes de Bayes: Independencia | Daniel Klein | |
| Conferencia 15 | Redes de Bayes: inferencia | Pieter Abbeel | |
| Conferencia 16 | Redes de Bayes: muestreo | Pieter Abbeel | |
| Conferencia 17 | Diagramas de decisión / Valor de la información perfecta | Pieter Abbeel | |
| Conferencia 18 | Modelos ocultos de Markov | Daniel Klein | |
| Conferencia 19 | Aplicaciones de HMM/Habla | Daniel Klein | |
| Conferencia 20 | Aprendizaje automático: Bayes ingenuo | Daniel Klein | |
| Conferencia 21 | Aprendizaje automático: perceptrones | Daniel Klein | |
| Conferencia 22 | Aprendizaje automático: kernels y clustering | Pieter Abbeel | |
| Conferencia 23 | Aprendizaje automático: árboles de decisión y redes neuronales | Pieter Abbeel | |
| Conferencia 24 | Aplicaciones avanzadas: PNL y coches robóticos | Daniel Klein | Sin grabar, consulte la Conferencia 24 de primavera de 2013. |
| Conferencia 25 | Aplicaciones Avanzadas: Visión por Computador y Robótica | Pieter Abbeel | |
| Conferencia 26 | Conclusión | Dan Klein, Pieter Abbeel | No registrado |
| Título de la conferencia | Profesor | Notas | |
| Conferencia 1 | Introducción | Pieter Abbeel | Vídeo abajo |
| Conferencia 2 | Búsqueda desinformada | Pieter Abbeel | |
| Conferencia 3 | Búsqueda informada | Pieter Abbeel | |
| Conferencia 4 | Problemas de satisfacción de restricciones I | Pieter Abbeel | |
| Conferencia 5 | Problemas de satisfacción de restricciones II | Pieter Abbeel | Sin grabar, consulte la Conferencia 5 de otoño de 2012. |
| Conferencia 6 | Búsqueda adversaria | Pieter Abbeel | |
| Conferencia 7 | Expectimax y utilidades | Pieter Abbeel | |
| Conferencia 8 | Procesos de decisión de Markov I | Pieter Abbeel | |
| Conferencia 9 | Procesos de decisión de Markov II | Pieter Abbeel | |
| Conferencia 10 | Aprendizaje por refuerzo I | Pieter Abbeel | |
| Conferencia 11 | Aprendizaje por refuerzo II | Pieter Abbeel | |
| Conferencia 12 | Probabilidad | Pieter Abbeel | |
| Conferencia 13 | Redes de Bayes: representación | Pieter Abbeel | |
| Conferencia 14 | Redes de Bayes: Independencia | Pieter Abbeel | |
| Conferencia 15 | Redes de Bayes: inferencia | Pieter Abbeel | |
| Conferencia 16 | Redes de Bayes: muestreo | Pieter Abbeel | |
| Conferencia 17 | Diagramas de decisión / Valor de la información perfecta | Pieter Abbeel | |
| Conferencia 18 | Modelos ocultos de Markov | Pieter Abbeel | |
| Conferencia 19 | Aplicaciones de HMM/Habla | Pieter Abbeel | |
| Conferencia 20 | Aprendizaje automático: Bayes ingenuo | Pieter Abbeel | |
| Conferencia 21 | Aprendizaje automático: perceptrones I | nicolas heno | |
| Conferencia 22 | Aprendizaje automático: perceptrones II | Pieter Abbeel | |
| Conferencia 23 | Aprendizaje automático: kernels y clustering | Pieter Abbeel | |
| Conferencia 24 | Aplicaciones avanzadas: PNL y coches robóticos | Pieter Abbeel | |
| Conferencia 25 | Aplicaciones Avanzadas: Visión por Computador y Robótica | Pieter Abbeel | |
| Conferencia 26 | Conclusión | Pieter Abbeel | No registrado |
| Título de la conferencia | Profesor | Notas | |
| Conferencia 1 | Introducción | Daniel Klein | |
| Conferencia 2 | Búsqueda desinformada | Daniel Klein | |
| Conferencia 3 | Búsqueda informada | Daniel Klein | |
| Conferencia 4 | Problemas de satisfacción de restricciones I | Daniel Klein | |
| Conferencia 5 | Problemas de satisfacción de restricciones II | Daniel Klein | |
| Conferencia 6 | Búsqueda adversaria | Daniel Klein | |
| Conferencia 7 | Expectimax y utilidades | Daniel Klein | |
| Conferencia 8 | Procesos de decisión de Markov I | Daniel Klein | |
| Conferencia 9 | Procesos de decisión de Markov II | Daniel Klein | |
| Conferencia 10 | Aprendizaje por refuerzo I | Daniel Klein | |
| Conferencia 11 | Aprendizaje por refuerzo II | Daniel Klein | |
| Conferencia 12 | Probabilidad | Pieter Abbeel | |
| Conferencia 13 | Redes de Bayes: representación | Pieter Abbeel | |
| Conferencia 14 | Redes de Bayes: Independencia | Pieter Abbeel | |
| Conferencia 15 | Redes de Bayes: inferencia | Pieter Abbeel | |
| Conferencia 16 | Redes de Bayes: muestreo | Pieter Abbeel | |
| Conferencia 17 | Diagramas de decisión / Valor de la información perfecta | Pieter Abbeel | |
| Conferencia 18 | Modelos ocultos de Markov | Pieter Abbeel | |
| Conferencia 19 | Aplicaciones de HMM/Habla | Daniel Klein | |
| Conferencia 20 | Aprendizaje automático: Bayes ingenuo | Daniel Klein | |
| Conferencia 21 | Aprendizaje automático: perceptrones | Daniel Klein | |
| Conferencia 22 | Aprendizaje automático: kernels y clustering | Daniel Klein | |
| Conferencia 23 | Aprendizaje automático: árboles de decisión y redes neuronales | Pieter Abbeel | |
| Conferencia 24 | Aplicaciones Avanzadas: Visión por Computador y Robótica | Pieter Abbeel | |
| Conferencia 25 | Aplicaciones avanzadas: PNL y coches robóticos | Dan Klein, Pieter Abbeel | No registrado |
| Conferencia 26 | Conclusión | Dan Klein, Pieter Abbeel | No registrado |
Aquí está el conjunto completo de diapositivas de la conferencia, incluidos videos y videos de demostraciones realizadas durante la conferencia: Diapositivas [~3 GB].
La siguiente lista contiene todas las diapositivas de PowerPoint de la conferencia:
Berkeley AI está preparando los archivos fuente para todas las demostraciones en las conferencias en vivo para su publicación.
Últimas presentaciones de artículos arxiv sobre IA
Peter Norvig: aprenda a programar usted mismo en diez años
Cómo investigar en el laboratorio de IA del MIT
Una hoja de ruta hacia la inteligencia artificial
Filtrado colaborativo con redes neuronales recurrentes (2016)
Aprendizaje amplio y profundo para sistemas de recomendación (2016)
Filtrado colaborativo profundo mediante codificador automático de eliminación de ruido marginado (2015)
Filtrado colaborativo multitarea bayesiano no paramétrico (2013)
Tensorflow: aprendizaje automático a gran escala en sistemas distribuidos heterogéneos
https://infoscience.epfl.ch/record/82802/files/rr02-46.pdf
Theano: un compilador de expresiones matemáticas de CPU y GPU.
Caffe: arquitectura convolucional para una rápida incorporación de funciones
Chainer: un marco potente, flexible e intuitivo de redes neuronales
Redes profundas distribuidas a gran escala
Clasificación de vídeos a gran escala con redes neuronales convolucionales.
Estimación eficiente de representaciones de palabras en el espacio vectorial
Gramática como lengua extranjera
Profundizando con las convoluciones
SOBRE UNIDADES LINEALES RECTIFICADAS PARA PROCESAMIENTO DEL HABLA
Redes neuronales profundas para modelado acústico en reconocimiento de voz: puntos de vista compartidos de cuatro grupos de investigación.
Reconocimiento de números de varios dígitos a partir de imágenes de Street View mediante redes neuronales convolucionales profundas
Google traslada su lucrativa búsqueda web a máquinas de inteligencia artificial
Stanford Syllabus CS 20SI: Tensorflow para la investigación del aprendizaje profundo
Estudio comparativo de marcos de software de aprendizaje profundo
** Reddit_ML- ¿Qué estás leyendo? **
Fuente: https://medium.com/intuitionmachine/infographic-best-practices-in-training-deep-learning-networks-b8a3df1db53
Fuente: https://medium.com/intuitionmachine/the-deep-learning-roadmap-f0b4cac7009a
Fuente: https://medium.com/intuitionmachine/infographic-best-practices-in-training-deep-learning-networks-b8a3df1db53
Fuente: http://www.asimovinstitute.org/neural-network-zoo/
Fuente: https://docs.microsoft.com/en-us/azure/machine-learning/machine-learning-algorithm-cheat-sheet
Fuente: http://blogs.sas.com/content/subconscientemusings/2017/04/12/machine-learning-algorithm-use/
Fuente: http://machinelearningmastery.com/a-tour-of-machine-learning-algorithms/
Fuente: https://www.analyticsvidhya.com/blog/2015/09/full-cheatsheet-machine-learning-algorithms/
Fuente: http://datasciencefree.com/python.pdf
Fuente: https://www.datacamp.com/community/tutorials/python-data-science-cheat-sheet-basics#gs.0x1rxEA
Fuente: https://www.dataquest.io/blog/numpy-cheat-sheet/
Fuente: http://datasciencefree.com/numpy.pdf
Fuente: https://www.datacamp.com/community/blog/python-numpy-cheat-sheet#gs.Nw3V6CE
Fuente: https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/numpy/numpy.ipynb
Fuente: http://datasciencefree.com/pandas.pdf
Fuente: https://www.datacamp.com/community/blog/python-pandas-cheat-sheet#gs.S4P4T=U
Fuente: https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/pandas/pandas.ipynb
Fuente: https://www.datacamp.com/community/blog/python-matplotlib-cheat-sheet
Fuente: https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/matplotlib/matplotlib.ipynb
Fuente: https://www.datacamp.com/community/blog/scikit-learn-cheat-sheet#gs.fZ2A1Jk
Fuente: http://peekaboo-vision.blogspot.de/2013/01/machine-learning-cheat-sheet-for-scikit.html
Fuente: https://github.com/rcompton/ml_cheat_sheet/blob/master/supervised_learning.ipynb
Fuente: https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/1_Introduction/basic_operatives.ipynb
Fuente: https://github.com/bfortuner/pytorch-cheatsheet
Fuente: http://www.wzchen.com/s/probability_cheatsheet.pdf
Fuente: https://minireference.com/static/tutorials/linear_algebra_in_4_pages.pdf
Fuente: http://web.mit.edu/~csvoss/Public/usabo/stats_handout.pdf
Fuente: http://tutorial.math.lamar.edu/getfile.aspx?file=B,41,N
