ai learning roadmap
1.0.0
Listas de todos os materiais de aprendizagem relacionados à IA e ferramentas práticas para começar a usar aplicativos de IA
Laboratórios individualizados
Os laboratórios individualizados da AWS oferecem prática prática em um ambiente AWS ao vivo com serviços da AWS e cenários de nuvem do mundo real. Siga instruções passo a passo para aprender um serviço, praticar um caso de uso ou se preparar para a AWS Certification.
Laboratório introdutório
Lex
Polly
Reconhecimento
Aprendizado de máquina
Aprendizado de máquina
Sessão 1 – Capacitando Desenvolvedores para Construir Aplicativos Inteligentes
Sessão 2: Prevendo a rotatividade de clientes com Amazon Machine Learning
AWS Machine Learning – serviço gerenciado de ponta a ponta para criar e testar modelos de ML e, em seguida, implantar esses modelos em produção
Documentação
AWS Deep Learning AMI – Amazon Machine Image (AMI) otimizada para esforços de aprendizagem profunda
Recursos adicionais recomendados
Leve suas habilidades para o próximo nível com laboratórios de nível fundamental, avançado e especializado.
Abaixo está o material de aprendizagem que o ajudará a aprender sobre o Google Cloud.
Rede
O codelab oferece uma experiência comum para desenvolvedores de nuvem da seguinte maneira:
Desenvolvimento de soluções para Google Cloud Platform – 8 horas
Infraestrutura
Dados
IA, Big Data e aprendizado de máquina
Materiais adicionais de IA
(Opcional) Aprendizado profundo e Tensorflow
Material de referência adicional
(Contribuições são bem-vindas neste espaço)
Estúdio visual
Conjuntos de dados UCI
Pré-requisito de habilidades
Caminhos de treinamento
Se você tiver as habilidades de pré-requisito acima, faça o Caminho de treinamento avançado, caso contrário, faça o Caminho de treinamento para iniciantes.
Tutoriais de pré-requisitos
Configuração do ambiente
Serviços Cognitivos (Definindo Inteligência)
Estrutura de bot (construindo bots de bate-papo)
Configuração do ambiente
Serviços Cognitivos (Definindo Inteligência)
Estrutura de bot (construindo bots de bate-papo)
Serviços Cognitivos (Definindo Inteligência) – Laboratórios
Bot Framework (Construindo Chat Bots) – Laboratórios
Fonte Berkeley
| Título da palestra | Conferencista | Semestre | |
| Aula 1 | Introdução | Dan Klein | Outono de 2012 |
| Aula 2 | Pesquisa desinformada | Dan Klein | Outono de 2012 |
| Aula 3 | Pesquisa informada | Dan Klein | Outono de 2012 |
| Aula 4 | Problemas de satisfação de restrições I | Dan Klein | Outono de 2012 |
| Aula 5 | Problemas de satisfação de restrições II | Dan Klein | Outono de 2012 |
| Aula 6 | Pesquisa adversária | Dan Klein | Outono de 2012 |
| Aula 7 | Expectimax e utilitários | Dan Klein | Outono de 2012 |
| Aula 8 | Processos de Decisão de Markov I | Dan Klein | Outono de 2012 |
| Aula 9 | Processos de Decisão de Markov II | Dan Klein | Outono de 2012 |
| Aula 10 | Aprendizagem por Reforço I | Dan Klein | Outono de 2012 |
| Aula 11 | Aprendizagem por Reforço II | Dan Klein | Outono de 2012 |
| Aula 12 | Probabilidade | Pieter Abbeel | Primavera de 2014 |
| Aula 13 | Modelos de Markov | Pieter Abbeel | Primavera de 2014 |
| Aula 14 | Modelos ocultos de Markov | Dan Klein | Outono de 2013 |
| Aula 15 | Aplicações de HMMs/Fala | Pieter Abbeel | Primavera de 2014 |
| Aula 16 | Redes de Bayes: Representação | Pieter Abbeel | Primavera de 2014 |
| Aula 17 | Redes de Bayes: Independência | Pieter Abbeel | Primavera de 2014 |
| Aula 18 | Redes de Bayes: Inferência | Pieter Abbeel | Primavera de 2014 |
| Aula 19 | Redes de Bayes: Amostragem | Pieter Abbeel | Outono de 2013 |
| Aula 20 | Diagramas de Decisão/Valor da Informação Perfeita | Pieter Abbeel | Primavera de 2014 |
| Aula 21 | Aprendizado de máquina: Naive Bayes | Nicholas Hay | Primavera de 2014 |
| Aula 22 | Aprendizado de Máquina: Perceptrons | Pieter Abbeel | Primavera de 2014 |
| Aula 23 | Aprendizado de Máquina: Kernels e Clustering | Pieter Abbeel | Primavera de 2014 |
| Aula 24 | Aplicativos avançados: PNL, jogos e carros robóticos | Pieter Abbeel | Primavera de 2014 |
| Aula 25 | Aplicações Avançadas: Visão Computacional e Robótica | Pieter Abbeel | Primavera de 2014 |
Além disso, há vídeos passo a passo adicionais que complementam os materiais da palestra. Esses vídeos estão listados abaixo:
| Título da palestra | Conferencista | Notas | |
| SBS-1 | DFS e BFS | Pieter Abbeel | Lec: Pesquisa Desinformada |
| SBS-2 | A* Pesquisa | Pieter Abbeel | Lec: Pesquisa informada |
| SBS-3 | Poda Alfa-Beta | Pieter Abbeel | Lec: Pesquisa Adversária |
| SBS-4 | Separação D | Pieter Abbeel | Lec: Redes de Bayes: Independência |
| SBS-5 | Eliminação de uma variável | Pieter Abbeel | Lec: Redes de Bayes: Inferência |
| SBS-6 | Eliminação de Variável | Pieter Abbeel | Lec: Redes de Bayes: Inferência |
| SBS-7 | Amostragem | Pieter Abbeel | Lec: Redes de Bayes: Amostragem |
| SBS-8 | Probabilidade Máxima | Pieter Abbeel | Lec: Aprendizado de Máquina: Naive Bayes |
| SBS-9 | Suavização de Laplace | Pieter Abbeel | Lec: Aprendizado de Máquina: Naive Bayes |
| SBS-10 | Perceptrons | Pieter Abbeel | Lec: Aprendizado de Máquina: Perceptrons |
Os vídeos das palestras das ofertas mais recentes são postados abaixo.
Vídeos de palestras da primavera de 2014
Vídeos de palestras do outono de 2013
Vídeos de palestras da primavera de 2013
Vídeos de palestras do outono de 2012
| Título da palestra | Conferencista | Notas | |
| Aula 1 | Introdução | Pieter Abbeel | |
| Aula 2 | Pesquisa desinformada | Pieter Abbeel | |
| Aula 3 | Pesquisa informada | Pieter Abbeel | |
| Aula 4 | Problemas de satisfação de restrições I | Pieter Abbeel | A gravação é um pouco instável, consulte a Aula 4 do outono de 2013 para alternativas |
| Aula 5 | Problemas de satisfação de restrições II | Pieter Abbeel | |
| Aula 6 | Pesquisa adversária | Pieter Abbeel | |
| Aula 7 | Expectimax e utilitários | Pieter Abbeel | |
| Aula 8 | Processos de Decisão de Markov I | Pieter Abbeel | |
| Aula 9 | Processos de Decisão de Markov II | Pieter Abbeel | |
| Aula 10 | Aprendizagem por Reforço I | Pieter Abbeel | |
| Aula 11 | Aprendizagem por Reforço II | Pieter Abbeel | |
| Aula 12 | Probabilidade | Pieter Abbeel | |
| Aula 13 | Modelos de Markov | Pieter Abbeel | |
| Aula 14 | Modelos ocultos de Markov | Pieter Abbeel | A gravação está um pouco instável, veja a aula 18 do outono de 2013 para alternativas |
| Aula 15 | Aplicações de HMMs/Fala | Pieter Abbeel | |
| Aula 16 | Redes de Bayes: Representação | Pieter Abbeel | |
| Aula 17 | Redes de Bayes: Independência | Pieter Abbeel | |
| Aula 18 | Redes de Bayes: Inferência | Pieter Abbeel | |
| Aula 19 | Redes de Bayes: Amostragem | Pieter Abbeel | Não gravado, veja a aula 16 do outono de 2013 |
| Aula 20 | Diagramas de Decisão/Valor da Informação Perfeita | Pieter Abbeel | |
| Aula 21 | Aprendizado de máquina: Naive Bayes | Nicholas Hay | |
| Aula 22 | Aprendizado de Máquina: Perceptrons | Pieter Abbeel | |
| Aula 23 | Aprendizado de Máquina: Kernels e Clustering | Pieter Abbeel | |
| Aula 24 | Aplicativos avançados: PNL, jogos e carros robóticos | Pieter Abbeel | |
| Aula 25 | Aplicações Avançadas: Visão Computacional e Robótica | Pieter Abbeel | |
| Aula 26 | Conclusão | Pieter Abbeel | Não registrado |
| Título da palestra | Conferencista | Notas | |
| Aula 1 | Introdução | Dan Klein | |
| Aula 2 | Pesquisa desinformada | Dan Klein | |
| Aula 3 | Pesquisa informada | Dan Klein | |
| Aula 4 | Problemas de satisfação de restrições I | Dan Klein | |
| Aula 5 | Problemas de satisfação de restrições II | Dan Klein | |
| Aula 6 | Pesquisa adversária | Dan Klein | |
| Aula 7 | Expectimax e utilitários | Dan Klein | |
| Aula 8 | Processos de Decisão de Markov I | Dan Klein | |
| Aula 9 | Processos de Decisão de Markov II | Dan Klein | |
| Aula 10 | Aprendizagem por Reforço I | Dan Klein | |
| Aula 11 | Aprendizagem por Reforço II | Dan Klein | |
| Aula 12 | Probabilidade | Pieter Abbeel | |
| Aula 13 | Redes de Bayes: Representação | Pieter Abbeel | |
| Aula 14 | Redes de Bayes: Independência | Dan Klein | |
| Aula 15 | Redes de Bayes: Inferência | Pieter Abbeel | |
| Aula 16 | Redes de Bayes: Amostragem | Pieter Abbeel | |
| Aula 17 | Diagramas de Decisão/Valor da Informação Perfeita | Pieter Abbeel | |
| Aula 18 | Modelos ocultos de Markov | Dan Klein | |
| Aula 19 | Aplicações de HMMs/Fala | Dan Klein | |
| Aula 20 | Aprendizado de máquina: Naive Bayes | Dan Klein | |
| Aula 21 | Aprendizado de Máquina: Perceptrons | Dan Klein | |
| Aula 22 | Aprendizado de Máquina: Kernels e Clustering | Pieter Abbeel | |
| Aula 23 | Aprendizado de máquina: árvores de decisão e redes neurais | Pieter Abbeel | |
| Aula 24 | Aplicações Avançadas: PNL e Carros Robóticos | Dan Klein | Não gravado, consulte a aula 24 da primavera de 2013 |
| Aula 25 | Aplicações Avançadas: Visão Computacional e Robótica | Pieter Abbeel | |
| Aula 26 | Conclusão | Dan Klein, Pieter Abbeel | Não registrado |
| Título da palestra | Conferencista | Notas | |
| Aula 1 | Introdução | Pieter Abbeel | Vídeo desativado |
| Aula 2 | Pesquisa desinformada | Pieter Abbeel | |
| Aula 3 | Pesquisa informada | Pieter Abbeel | |
| Aula 4 | Problemas de satisfação de restrições I | Pieter Abbeel | |
| Aula 5 | Problemas de satisfação de restrições II | Pieter Abbeel | Não gravado, veja a aula 5 do outono de 2012 |
| Aula 6 | Pesquisa adversária | Pieter Abbeel | |
| Aula 7 | Expectimax e utilitários | Pieter Abbeel | |
| Aula 8 | Processos de Decisão de Markov I | Pieter Abbeel | |
| Aula 9 | Processos de Decisão de Markov II | Pieter Abbeel | |
| Aula 10 | Aprendizagem por Reforço I | Pieter Abbeel | |
| Aula 11 | Aprendizagem por Reforço II | Pieter Abbeel | |
| Aula 12 | Probabilidade | Pieter Abbeel | |
| Aula 13 | Redes de Bayes: Representação | Pieter Abbeel | |
| Aula 14 | Redes de Bayes: Independência | Pieter Abbeel | |
| Aula 15 | Redes de Bayes: Inferência | Pieter Abbeel | |
| Aula 16 | Redes de Bayes: Amostragem | Pieter Abbeel | |
| Aula 17 | Diagramas de Decisão/Valor da Informação Perfeita | Pieter Abbeel | |
| Aula 18 | Modelos ocultos de Markov | Pieter Abbeel | |
| Aula 19 | Aplicações de HMMs/Fala | Pieter Abbeel | |
| Aula 20 | Aprendizado de máquina: Naive Bayes | Pieter Abbeel | |
| Aula 21 | Aprendizado de Máquina: Perceptrons I | Nicholas Hay | |
| Aula 22 | Aprendizado de Máquina: Perceptrons II | Pieter Abbeel | |
| Aula 23 | Aprendizado de Máquina: Kernels e Clustering | Pieter Abbeel | |
| Aula 24 | Aplicações Avançadas: PNL e Carros Robóticos | Pieter Abbeel | |
| Aula 25 | Aplicações Avançadas: Visão Computacional e Robótica | Pieter Abbeel | |
| Aula 26 | Conclusão | Pieter Abbeel | Não registrado |
| Título da palestra | Conferencista | Notas | |
| Aula 1 | Introdução | Dan Klein | |
| Aula 2 | Pesquisa desinformada | Dan Klein | |
| Aula 3 | Pesquisa informada | Dan Klein | |
| Aula 4 | Problemas de satisfação de restrições I | Dan Klein | |
| Aula 5 | Problemas de satisfação de restrições II | Dan Klein | |
| Aula 6 | Pesquisa adversária | Dan Klein | |
| Aula 7 | Expectimax e utilitários | Dan Klein | |
| Aula 8 | Processos de Decisão de Markov I | Dan Klein | |
| Aula 9 | Processos de Decisão de Markov II | Dan Klein | |
| Aula 10 | Aprendizagem por Reforço I | Dan Klein | |
| Aula 11 | Aprendizagem por Reforço II | Dan Klein | |
| Aula 12 | Probabilidade | Pieter Abbeel | |
| Aula 13 | Redes de Bayes: Representação | Pieter Abbeel | |
| Aula 14 | Redes de Bayes: Independência | Pieter Abbeel | |
| Aula 15 | Redes de Bayes: Inferência | Pieter Abbeel | |
| Aula 16 | Redes de Bayes: Amostragem | Pieter Abbeel | |
| Aula 17 | Diagramas de Decisão/Valor da Informação Perfeita | Pieter Abbeel | |
| Aula 18 | Modelos ocultos de Markov | Pieter Abbeel | |
| Aula 19 | Aplicações de HMMs/Fala | Dan Klein | |
| Aula 20 | Aprendizado de máquina: Naive Bayes | Dan Klein | |
| Aula 21 | Aprendizado de Máquina: Perceptrons | Dan Klein | |
| Aula 22 | Aprendizado de Máquina: Kernels e Clustering | Dan Klein | |
| Aula 23 | Aprendizado de Máquina: Árvores de Decisão e Redes Neurais | Pieter Abbeel | |
| Aula 24 | Aplicações Avançadas: Visão Computacional e Robótica | Pieter Abbeel | |
| Aula 25 | Aplicações Avançadas: PNL e Carros Robóticos | Dan Klein, Pieter Abbeel | Não registrado |
| Aula 26 | Conclusão | Dan Klein, Pieter Abbeel | Não registrado |
Aqui está o conjunto completo de slides da aula, incluindo vídeos e vídeos de demonstrações executadas na aula: Slides [~3 GB].
A lista abaixo contém todos os slides em PowerPoint da palestra:
Os arquivos de origem para todas as demonstrações ao vivo em palestras estão sendo preparados pela Berkeley AI para lançamento
Últimos envios de artigos arxiv em AI
Peter Norvig-Ensine-se a programar em dez anos
Como fazer pesquisas no MIT AI Lab
Um roteiro para inteligência de máquina
Filtragem Colaborativa com Redes Neurais Recorrentes (2016)
Aprendizado amplo e profundo para sistemas de recomendação (2016)
Filtragem colaborativa profunda por meio do codificador automático de eliminação de ruído marginalizado (2015)
Filtragem colaborativa multitarefa bayesiana não paramétrica (2013)
Tensorflow: aprendizado de máquina em larga escala em sistemas distribuídos heterogêneos
https://infoscience.epfl.ch/record/82802/files/rr02-46.pdf
Theano: Um compilador de expressões matemáticas de CPU e GPU.
Caffe: Arquitetura convolucional para incorporação rápida de recursos
Chainer: uma estrutura poderosa, flexível e intuitiva de redes neurais
Redes Profundas Distribuídas em Grande Escala
Classificação de vídeo em larga escala com redes neurais convolucionais
Estimativa eficiente de representações de palavras no espaço vetorial
Gramática como língua estrangeira
Indo mais fundo com convoluções
EM UNIDADES LINEARES RETIFICADAS PARA PROCESSAMENTO DE FALA
Redes neurais profundas para modelagem acústica em reconhecimento de fala: as visões compartilhadas de quatro grupos de pesquisa.
Reconhecimento de números multidígitos a partir de imagens do Street View usando redes neurais convolucionais profundas
Google transferindo sua lucrativa pesquisa na web para máquinas de IA
Stanford Syllabus CS 20SI: Tensorflow para pesquisa de aprendizado profundo
Estudo comparativo de estruturas de software de aprendizagem profunda
** Reddit_ML- O que você está lendo **
Fonte: https://medium.com/intuitionmachine/infographic-best-practices-in-training-deep-learning-networks-b8a3df1db53
Fonte: https://medium.com/intuitionmachine/the-deep-learning-roadmap-f0b4cac7009a
Fonte: https://medium.com/intuitionmachine/infographic-best-practices-in-training-deep-learning-networks-b8a3df1db53
Fonte: http://www.asimovinstitute.org/neural-network-zoo/
Fonte: https://docs.microsoft.com/en-us/azure/machine-learning/machine-learning-algorithm-cheat-sheet
Fonte: http://blogs.sas.com/content/subconscientementemusings/2017/04/12/machine-learning-algorithm-use/
Fonte: http://machinelearningmastery.com/a-tour-of-machine-learning-algorithms/
Fonte: https://www.analyticsvidhya.com/blog/2015/09/full-cheatsheet-machine-learning-algorithms/
Fonte: http://datasciencefree.com/python.pdf
Fonte: https://www.datacamp.com/community/tutorials/python-data-science-cheat-sheet-basics#gs.0x1rxEA
Fonte: https://www.dataquest.io/blog/numpy-cheat-sheet/
Fonte: http://datasciencefree.com/numpy.pdf
Fonte: https://www.datacamp.com/community/blog/python-numpy-cheat-sheet#gs.Nw3V6CE
Fonte: https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/numpy/numpy.ipynb
Fonte: http://datasciencefree.com/pandas.pdf
Fonte: https://www.datacamp.com/community/blog/python-pandas-cheat-sheet#gs.S4P4T=U
Fonte: https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/pandas/pandas.ipynb
Fonte: https://www.datacamp.com/community/blog/python-matplotlib-cheat-sheet
Fonte: https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/matplotlib/matplotlib.ipynb
Fonte: https://www.datacamp.com/community/blog/scikit-learn-cheat-sheet#gs.fZ2A1Jk
Fonte: http://peekaboo-vision.blogspot.de/2013/01/machine-learning-cheat-sheet-for-scikit.html
Fonte: https://github.com/rcompton/ml_cheat_sheet/blob/master/supervised_learning.ipynb
Fonte: https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/1_Introduction/basic_operations.ipynb
Fonte: https://github.com/bfortuner/pytorch-cheatsheet
Fonte: http://www.wzchen.com/s/probability_cheatsheet.pdf
Fonte: https://minireference.com/static/tutorials/linear_algebra_in_4_pages.pdf
Fonte: http://web.mit.edu/~csvoss/Public/usabo/stats_handout.pdf
Fonte: http://tutorial.math.lamar.edu/getfile.aspx?file=B,41,N
