หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>โค้ดแหล่งที่มา AI
ดาวน์โหลด

การเรียนรู้ปัญญาประดิษฐ์และการเรียนรู้ของเครื่องในฐานะนักเรียนมัธยมปลาย

สวัสดี ฉันชื่อคาราน นักเรียนมัธยมปลายที่อาศัยอยู่ในสิงคโปร์ หลังจากใช้เวลาปีที่แล้วในการสำรวจสาขาปัญญาประดิษฐ์ (AI) และการเรียนรู้ของเครื่อง (ML) ฉันเชื่อว่าไม่มีเส้นทางการเรียนรู้ในสาขานี้ที่สร้างขึ้นโดยเฉพาะ สำหรับนักเรียนมัธยมปลาย นี่คือความพยายามของฉันที่จะสร้างมันขึ้นมา

นับตั้งแต่ฉันเริ่มต้นการเดินทางในพื้นที่นี้ ฉันพยายามใช้เวลาสองสามชั่วโมงทุกวันเพื่อทำความเข้าใจให้มากที่สุดเท่าที่จะทำได้ ไม่ว่าจะเป็นการดูวิดีโอ YouTube การทำโครงการส่วนตัว หรือเพียงแค่อ่านหนังสือ ฉันได้รับคำแนะนำจากเพื่อนร่วมงานที่มีอายุมากกว่าซึ่งมีประสบการณ์มากกว่าฉันมาก แต่โปรดทราบว่าคำแนะนำดังกล่าวไม่สามารถใช้ได้กับทุกคน ดังนั้นนี่คือความพยายามของฉันที่จะถ่ายทอดการเรียนรู้ทั้งหมดลงในเอกสารที่เป็นรูปธรรมฉบับเดียว

ข้อมูลทั้งหมดที่ฉันได้รวบรวมไว้ในคู่มือนี้มีไว้สำหรับนักเรียนมัธยมปลายที่ต้องการเป็นเลิศในสาขาที่กำลังมาแรงนี้ มีจุดมุ่งหมายให้ปฏิบัติตามตามลำดับเวลา และไม่เหมือนกับคำแนะนำ/เส้นทางการเรียนรู้ส่วนใหญ่ที่ฉันเคยเจอมา โดย ไม่จำเป็นต้องเข้าใจ พีชคณิตเชิงเส้น อนุพันธ์ย่อย และแนวคิดทางคณิตศาสตร์ที่ซับซ้อนอื่นๆ ซึ่งไม่มีในหลักสูตรมัธยมปลาย อย่างไรก็ตาม มีหลักสูตรที่ครอบคลุมพื้นฐานของคณิตศาสตร์ที่จำเป็นสำหรับการเรียนรู้ของเครื่อง ซึ่งเป็นระดับที่ฉันถือว่าเทียบได้กับคณิตศาสตร์ระดับมัธยมปลาย หากคุณทำงานตามเส้นทางนี้เป็นประจำ ฉันเชื่อว่าคุณสามารถก้าวไปสู่ระดับที่เชี่ยวชาญพอสมควรได้ภายในเวลาประมาณสามเดือน อย่างไรก็ตาม เส้นทางการเรียนรู้นี้มีเนื้อหาที่ช่วยให้คุณเรียนรู้ไปตลอดชีวิตในโรงเรียนมัธยมปลาย

เอาล่ะ มาเริ่มกันเลย

1. เรียนรู้พื้นฐานการเขียนโปรแกรมด้วย Python

ฉันขอแนะนำ Python ให้เป็นจุดเริ่มต้นอย่างยิ่ง เนื่องจากเป็นภาษาที่ทำเครื่องหมายในช่องส่วนใหญ่เมื่อพูดถึงการใช้งานในโดเมน AI/ML ไม่เพียงแต่จะเรียนรู้ได้ง่ายมากเท่านั้น แต่ยังให้ไลบรารีและเฟรมเวิร์กสำหรับอัลกอริธึมพื้นฐานแทบทุกตัว เป็นที่รู้จักในสนาม แม้ว่า R จะมีประโยชน์ แต่ฉันพบว่า Python เหมาะสำหรับนักเรียนมัธยมปลายมากกว่ามากเนื่องจากสามารถอ่านและเรียนรู้ได้ นอกจากการเขียนโปรแกรมพื้นฐานแล้ว โดยเฉพาะสำหรับ Machine Learning แล้ว ไลบรารีที่มีประโยชน์ที่สุดได้แก่ Numpy, Pandas และ Matplotlib

  • สำหรับผู้ที่ไม่เคยเขียนโค้ดมาก่อน ฉันแนะนำให้ไปเรียนหลักสูตรที่มหาวิทยาลัยโตรอนโตจัดไว้ให้ (หนึ่งในมหาวิทยาลัยที่ดีที่สุดสำหรับ AI/ML ในขณะนี้) อาจใช้เวลาสองสามสัปดาห์ แต่ก็คุ้มค่ากับเวลาของคุณ ความรู้ส่วนใหญ่ที่คุณได้รับจากหลักสูตรนี้สามารถนำไปใช้กับภาษาการเขียนโปรแกรมอื่นๆ ได้ สิ่งเดียวที่แตกต่างคือไวยากรณ์ หลักสูตรนี้ฟรีและสามารถพบได้ที่นี่

  • สำหรับผู้ที่มีประสบการณ์การเขียนโค้ดในภาษาอื่นนอกเหนือจาก Python เพียงอ่านบทช่วยสอนนี้เพื่อทำความเข้าใจพื้นฐานเกี่ยวกับไวยากรณ์ของ Python - ไม่ควรใช้เวลามากกว่าหนึ่งวัน

  • ML และ AI สร้างขึ้นจากหลักการทางคณิตศาสตร์ เช่น แคลคูลัส พีชคณิตเชิงเส้น ความน่าจะเป็น สถิติ และการเพิ่มประสิทธิภาพ - ผู้ปฏิบัติงานด้าน AI ที่มีความหวังหลายคน (เช่นตัวฉันเอง) พบว่าสิ่งนี้น่ากังวล หลักสูตรเกี่ยวกับ edX Essential Math for Machine Learning: Python Edition โดย Microsoft นี้ไม่ได้ออกแบบมาเพื่อทำให้คุณเป็นนักคณิตศาสตร์ แต่มีจุดมุ่งหมายเพื่อช่วยให้คุณเรียนรู้แนวคิดพื้นฐานที่จำเป็นและสัญกรณ์ที่ใช้ในการแสดงแนวคิดเหล่านั้น หลักสูตรนี้ให้แนวทางการปฏิบัติจริงในการทำงานกับข้อมูลและการประยุกต์ใช้เทคนิคที่คุณได้เรียนรู้ในการตั้งค่าปัญหาในโลกแห่งความเป็นจริง มีความช่วยเหลือทางการเงินสำหรับผู้ที่ต้องการความช่วยเหลือ

  • ตอนนี้ หลังจากที่คุณได้เรียนรู้พื้นฐานของ Python แล้ว คุณต้องเข้าใจไลบรารีพื้นฐานสองไลบรารีที่ใช้ในสาขานี้ ได้แก่ Numpy และ Pandas ซึ่งใช้สำหรับการจัดการข้อมูล การแสดง และการจัดเก็บข้อมูลเป็นหลัก Matplotlib ซึ่งเป็นไลบรารี 'หลัก' ตัวที่สามในพื้นที่นี้ ใช้เพื่อแสดงภาพข้อมูลนี้ผ่านกราฟและไดอะแกรม แต่เราจะพูดถึงในภายหลัง สองหลักสูตรนี้รวมกันไม่ควรใช้เวลาเกินสองสามวัน: Numpy และ Pandas

ด้วยสิ่งนี้ในกระเป๋าหลังของคุณ ตอนนี้คุณควรจะตั้งค่าไว้ในการเขียนโปรแกรมหลักที่จำเป็นในการเรียนรู้การเรียนรู้ของเครื่องและปัญญาประดิษฐ์

2. ทำความเข้าใจพื้นฐานของ Machine Learning

หากมีหลักสูตรสากลสำหรับ Machine Learning หลักสูตรเดียว ก็ต้องเป็นหลักสูตรของ Andrew Ng อาจดูท้าทายเล็กน้อยสำหรับนักเรียนมัธยมปลาย เนื่องจากหมายถึงแนวคิดต่างๆ เช่น อนุพันธ์บางส่วน

  • แต่ฉันเชื่อมั่นว่าการเข้าใจสิ่งเหล่านี้ไม่จำเป็นต้องได้รับความรู้ที่จับต้องได้จากหลักสูตรนี้ ฉันพบว่าการดูการบรรยายซ้ำอีกครั้งในสัปดาห์ที่ 3 ถึง 5 เป็นประโยชน์อย่างยิ่ง เนื่องจากหัวข้อเหล่านี้เป็นหัวข้อขั้นสูง ดังนั้นอาจรู้สึกเร็วไปบ้างในครั้งแรกที่คุณดู อย่ากังวลเกินไปหากคุณไม่สามารถเรียนคณิตศาสตร์พื้นฐานได้ครบถ้วน โดยเฉพาะอย่างยิ่งในส่วนที่เกี่ยวกับแคลคูลัส ซึ่งบางส่วนต้องใช้ความรู้คณิตศาสตร์ระดับมหาวิทยาลัยอย่างแน่นอน สิ่งสำคัญกว่าคือคุณจะต้องสามารถปฏิบัติตามกระบวนการคิดที่ Prof. Ng ใช้เมื่อถ่ายทอดความรู้ เนื่องจากจะทำให้คุณเข้าใจถึงสิ่งที่เกิดขึ้นภายใต้กระบวนการ Machine Learning

ฉันขอแนะนำให้คุณจดบันทึกระหว่างหลักสูตร เนื่องจากการจดสิ่งที่คุณเรียนรู้จะช่วยให้คุณเข้าใจข้อมูลที่ถ่ายทอดอย่างแท้จริง การทำแบบฝึกหัดการเขียนโปรแกรมและแบบฝึกหัดให้เสร็จสิ้นนั้นไม่จำเป็น เนื่องจากทำใน Matlab ซึ่ง (จากประสบการณ์ของผม) อาจเข้าใจได้ยาก เนื่องจากเป็นภาษาที่ใช้เมทริกซ์ แต่อย่ากังวล เราจะทำอัลกอริธึมแบบเดียวกัน (และขั้นสูงกว่ามาก) ใน Python ในเวลาอันสั้น

หลักสูตรฟรีนี้สามารถพบได้ที่นี่

3. สัมผัสกับอัลกอริธึมการเรียนรู้ของ Mchine หลายประเภท และนำไปใช้ในสถานการณ์จริง

การใช้อัลกอริธึม ML โดยปราศจากความรู้ทางคณิตศาสตร์ระดับมหาวิทยาลัยที่ขับเคลื่อนการทำงานของอัลกอริธึมเหล่านี้ ฟังดูเหมือนเป็นงานที่ขัดแย้งกัน อย่างไรก็ตาม ทีมงานจากออสเตรเลียตั้งใจที่จะทำสิ่งนี้

Kirill Eremenko และ Hadelin de Ponteves นักวิจัยคู่หนึ่งในทีม 'SuperDataScience' เก่งมากในการหาวิธีที่เกี่ยวข้องในการใช้อัลกอริทึมง่ายๆ ในชีวิตจริง นอกจากนี้ พวกเขาลงลึกในระดับที่เหมาะสมเพื่อทำความเข้าใจการทำงานของอัลกอริธึม แต่หากไม่มีคณิตศาสตร์ที่ซับซ้อนซึ่งนักเรียนมัธยมปลายจะไม่สามารถเข้าใจได้ หลักสูตรของพวกเขาครอบคลุมทั้ง Python และ R แม้ว่าฉันจะไม่กังวลเกี่ยวกับ R ในตอนนี้ - เพียงแค่อ่านบทช่วยสอน Python นอกจากนี้ หากคุณพบว่าเนื้อหาดำเนินไปช้าเกินไป ให้เล่นหลักสูตรนี้ด้วยความเร็ว 1.25x (ฉันทำอย่างนั้นและพบว่ามันเหมาะกับการเรียนรู้ของฉันมากกว่ามาก)

หลักสูตรของพวกเขาอยู่บน Udemy และมีให้บริการเป็นเวอร์ชันที่ต้องชำระเงินเท่านั้น แม้ว่า Udemy จะมีส่วนลด 90% ขึ้นไปสำหรับหลักสูตรเป็นประจำก็ตาม สามารถพบได้ที่นี่ และโดยปกติจะอยู่ที่ประมาณ 10 ดอลลาร์ โดยครอบคลุมทุกอย่างตั้งแต่อัลกอริธึมการถดถอยขั้นพื้นฐานไปจนถึงโครงข่ายประสาทเทียมเชิงลึก ซึ่งอย่างหลังนี้เป็นสถาปัตยกรรมหลักที่ใช้ในแอปพลิเคชันสมัยใหม่มากมาย เช่น ChatGPT และ AlphaFold หากคุณต้องการสำรวจพื้นที่ขั้นสูงยิ่งขึ้น หลักสูตร Deep Learning ของพวกเขาจะมีให้ในตอนท้ายของ Machine Learning เพื่อรับส่วนลด 90%

หากคุณไม่ต้องการจ่ายเงินสำหรับหลักสูตรนี้ คุณสามารถดูหลักสูตร Deep Learning ฟรีของ Google ได้ที่นี่ หรือหลักสูตรฟรีของ University of Michigan ที่นี่ ในความคิดของฉัน หลักสูตรเหล่านี้ยังห่างไกลจากความรอบด้านพอๆ กับหลักสูตรของทีม SuperDataScience

สำหรับหลักสูตรเหล่านี้ การจดบันทึกไม่ใช่สิ่งจำเป็น - มี 'เอกสารสรุปอัลกอริทึม' มากมายทางออนไลน์ ซึ่งให้สัญชาตญาณอย่างรวดเร็วเกี่ยวกับวิธีการทำงาน เว็บไซต์นี้แสดงรายการบางส่วน

4. สำรวจ สำรวจ และสำรวจ

เมื่อคุณได้ครอบคลุมแนวคิดของแมชชีนเลิร์นนิงที่หลากหลายแล้ว ก็ถึงเวลาที่คุณจะต้องใช้ความรู้นี้เพื่อทำโปรเจ็กต์บางรายการอย่างอิสระ ฉันขอแนะนำให้สำรวจ Kaggle และ UCI Machine Learning Repository ค้นหาชุดข้อมูลที่คุณสนใจ และจำลองวิธีแก้ไขปัญหาที่เกี่ยวข้อง ลองใช้อัลกอริธึมต่างๆ และทำงานเพื่อเพิ่มประสิทธิภาพการทำงาน

ตรวจสอบให้แน่ใจว่าชุดข้อมูลที่คุณใช้มีลักษณะเรียบง่ายและสะอาดตา กล่าวคือ ไม่ต้องใช้การประมวลผลล่วงหน้าหรือความรู้เฉพาะโดเมนมากเกินไปในการทำงาน ชุดข้อมูลง่ายๆ ที่อยู่ในหัวของฉัน ได้แก่ ไอริส ไวน์ มะเร็งเต้านมวิสคอนซิน การคัดกรองออทิสติก การลงคะแนนเสียงในสภาคองเกรส ตัวเลขที่เขียนด้วยลายมือ MNIST และ MNIST แฟชั่น

หากคุณเจอสิ่งกีดขวางบนถนน Stack Overflow คือเพื่อนที่ดีที่สุดของคุณ พวกเขามีคำตอบสำหรับคำถามเกือบทุกข้อที่คุณมี หากไม่เป็นเช่นนั้น เพียงโพสต์รายการใดรายการหนึ่ง คุณควรได้รับการตอบกลับภายในสองสามชั่วโมง! ขั้นตอนนี้ไม่มีอะไรมากไปกว่านี้ เมื่อคุณพบว่าคุณคุ้นเคยกับกระบวนการสร้างแบบจำลองทั้งหมดตั้งแต่หลังไปด้านหน้าแล้ว อย่าลังเลที่จะเดินหน้าต่อไป!

5. ค้นหากลุ่มเฉพาะและเจาะลึกลงไป

ตอนนี้คุณไม่ควรมีเพียงความเข้าใจพื้นฐานทั้งหมดที่ดีและกว้างไกลเท่านั้น แต่ยังมีความสามารถในการนำไปใช้กับปัญหาข้อมูลในโลกแห่งความเป็นจริงอีกด้วย อย่างไรก็ตาม สิ่งสำคัญคือต้องเข้าใจว่าพื้นฐานเหล่านี้ไม่ได้ครอบคลุมทั้งโลกของ ML/AI - แต่หลาย ๆ วิธีทราบวิธีแก้ไขปัญหาข้อมูลดังกล่าวมาหลายปีแล้ว แต่น่าเสียดายที่เมื่อเร็ว ๆ นี้เท่านั้นที่คอมพิวเตอร์มีพลังเพียงพอที่จะใช้ประโยชน์ได้อย่างแท้จริง ในปริมาณรันไทม์ที่เหมาะสม งานสมัยใหม่ส่วนใหญ่ในพื้นที่มุ่งเน้นไปที่การปรับปรุงสิ่งเหล่านี้ด้วยวิธีการใหม่ๆ ที่หลากหลาย และสร้างระบบที่สัมผัสกับสิ่งเหล่านี้ซึ่งใช้ประโยชน์จากอัลกอริธึมพื้นฐาน แต่ปรับปรุง ขอบเขต และปรับปรุงพวกมันในหลากหลายวิธี ดังนั้น ฉันขอแนะนำให้คุณค้นหาส่วนที่สนใจในสาขา Machine Learning ที่กว้างกว่า และเจาะลึกลงไปเพื่อที่จะได้รับประสบการณ์มากขึ้นกับความล้ำหน้าของสาขานั้นอย่างที่เป็นอยู่ทุกวันนี้ คุณอาจไม่มีเวลาที่จะเป็นผู้เชี่ยวชาญในทุกด้านที่ฉันอธิบายไว้ระหว่างดำรงตำแหน่งมัธยมปลาย แต่พยายามเอาชนะหนึ่งหรือสองอย่าง

ก่อนที่จะเข้าสู่ประเด็นเหล่านี้ ฉันขอแนะนำให้ทำความเข้าใจอย่างถ่องแท้เกี่ยวกับสิ่งที่เกี่ยวข้อง - การค้นหาคำอธิบายระดับสูงใน YouTube จะทำให้คุณได้ทุกสิ่งที่คุณต้องการ มาเริ่มกันเลย

  • คอมพิวเตอร์วิทัศน์: พื้นที่นี้เกี่ยวข้องกับการทำให้คอมพิวเตอร์มองเห็นและเข้าใจสิ่งต่าง ๆ โดยใช้โครงข่ายประสาทเทียมชนิดพิเศษ Stanford เผยแพร่หลักสูตรทางออนไลน์ที่นี่ โดยมีการบรรยาย บันทึกย่อหลักสูตร และงานที่ได้รับมอบหมายทางออนไลน์ ลองทำสิ่งนี้ แต่อย่ากังวลว่าคณิตศาสตร์จะซับซ้อนเกินไปในบางครั้ง หลักสูตรนี้มีจุดมุ่งหมายเพื่อเพิ่มพูนความรู้ของคุณให้ลึกซึ้งยิ่งขึ้น ซึ่งแน่นอนว่าจะทำได้อย่างหลีกเลี่ยงไม่ได้ คุณยังสามารถดู OpenCV ซึ่งเป็นไลบรารีคอมพิวเตอร์วิทัศน์ที่ทำสิ่งที่ซับซ้อนมากมายให้กับคุณ คุณสามารถดูบทแนะนำดีๆ ได้ที่นี่ เมื่อคุณทำสิ่งเหล่านี้เสร็จแล้ว ให้ดูชุดข้อมูลรูปภาพขั้นสูงเพิ่มเติมใน Kaggle และ UCI หรือแม้แต่เข้าร่วมการแข่งขัน Kaggle

  • การประมวลผลภาษาธรรมชาติ: การทำความเข้าใจว่าคอมพิวเตอร์เรียนรู้การพูดเป็นหัวข้อที่โดดเด่นในปัจจุบันอย่างไร เป็นอีกครั้งที่ Stanford เสนอหลักสูตรดีๆ ออนไลน์และสามารถพบได้ที่นี่ หากคุณไม่เข้าใจแนวคิดทางคณิตศาสตร์บางแนวคิด ไม่ต้องกังวล เพียงแค่ทำความเข้าใจว่าโดเมนนี้ทำงานอย่างไร สำหรับการใช้งาน คุณสามารถเข้าร่วมหลักสูตร Udemy นี้ อย่างไรก็ตาม คุณสามารถเลือกดูวิดีโอของ Machine Learner Siraj Raval ที่มีชื่อเสียงได้ เมื่อคุณทำสิ่งเหล่านี้เสร็จแล้ว ให้ลองทำโปรเจ็กต์ที่เรียบง่ายและเป็นที่รู้จัก เช่น การสร้างแชทบอท การวิเคราะห์ความรู้สึก หรือการสร้างเนื้อเพลงให้กับเพลง การค้นหาบน YouTube ง่ายๆ น่าจะช่วยคุณได้ แอปพลิเคชันสมัยใหม่ เช่น ChatGPT และ Claude สร้างขึ้นบนระบบที่ใช้ Neural Network ที่เรียกว่า Large Language Models ซึ่งอิงตามสถาปัตยกรรม Transformer เป็นหลัก หลักสูตรนี้โดย Andrew Ng ถือเป็นจุดเริ่มต้นที่ดี

  • การเรียนรู้แบบเสริมกำลัง: โดเมนนี้มุ่งเน้นไปที่วิธีการที่เครื่องจักรเรียนรู้ที่จะกระทำในสภาพแวดล้อมเฉพาะ และแอปพลิเคชันที่ได้รับความนิยมมากที่สุดคือในด้านวิดีโอเกม Siraj Raval มีเพลย์ลิสต์ที่ค่อนข้างดีเกี่ยวกับเรื่องนี้ ซึ่งสามารถพบได้ที่นี่ หากคุณกำลังมองหาบทช่วยสอนที่เน้นการนำไปปฏิบัติโดยเฉพาะโดยใช้แพ็คเกจระดับสูงเช่น Tensorflow Denny Britz มีชุดบทช่วยสอนที่มั่นคงซึ่งสามารถพบได้ที่นี่ หลักสูตร UCL ของ David Silver นั้นยอดเยี่ยมเช่นกัน แม้ว่าผู้เริ่มต้นอาจพบว่ามันยุ่งยากเล็กน้อย แต่ก็สามารถพบได้ที่นี่ เมื่อคุณทำสิ่งเหล่านี้เสร็จแล้ว ก็ค่อนข้างสมเหตุสมผลที่จะเริ่มดาวน์โหลดโปรเจ็กต์หรือเกมพื้นฐานจากออนไลน์ และเพิ่มองค์ประกอบของ AI เพื่อควบคุมวิธีที่ตัวแทนดำเนินการ คำแนะนำแบบง่ายๆ สามารถพบได้อีกครั้งผ่านการค้นหา Youtube แบบง่ายๆ

  • วิทยาศาสตร์ข้อมูลและการวิเคราะห์: สาขานี้เป็นสาขาที่กำลังเติบโตพร้อมโอกาสงานที่น่าตื่นเต้นมากมาย และมีการใช้อย่างกว้างขวางในองค์กรสมัยใหม่ส่วนใหญ่เพื่อรับข้อมูลเชิงลึกจากคลังข้อมูลที่ถูกรวบรวมเพื่อประกอบการตัดสินใจทางธุรกิจ ฉันขอแนะนำให้เข้าร่วมหลักสูตรแบบชำระเงินของ SuperDataScience หรือหลักสูตรฟรีที่ใช้ Python ของ UC San Diego แม้ว่าคุณจะสามารถค้นหาเส้นทางการเรียนรู้เฉพาะสำหรับวิทยาศาสตร์ข้อมูลได้ด้วยการค้นหาโดย Google ง่ายๆ คุณยังสามารถใช้ลิงก์ต่อไปนี้เพื่อเรียนรู้ SQL และ Matplotlib ซึ่งเป็นภาษาวงสัมผัสที่ใช้สำหรับการวิเคราะห์ข้อมูลสมัยใหม่จำนวนมาก ข้อได้เปรียบในการเรียนรู้สิ่งนี้ในระดับนักเรียนคือความสามารถในการได้งานทำ ฉันมีเพื่อนมากมายในโรงเรียนมัธยมที่ได้รับการเสนอให้ฝึกงานด้านวิทยาศาสตร์ข้อมูล เนื่องจากข้อมูลเชิงลึกที่ได้รับจากการทำงานในสาขาวิชานี้สามารถสร้างรายได้จากบริษัทต่างๆ ได้ทันที การตัดสินใจโดยอาศัยข้อมูลเป็นรูปแบบหนึ่งของการตัดสินใจในโลกธุรกิจปัจจุบันเท่านั้น

  • นอกจากนี้ยังมีพื้นที่ต่างๆ เช่น เครื่องจักร Boltzmann (ใช้สำหรับระบบแนะนำ), Adversial Networks (AI ปรับปรุง AI) และอัลกอริทึมทางพันธุกรรม (ปรับปรุงการแก้ปัญหาในลักษณะที่คล้ายกับวิวัฒนาการตามธรรมชาติ) แต่ในความคิดของฉัน การรวมกันของกลุ่มเฉพาะของพวกเขา การบังคับใช้และความต้องการคณิตศาสตร์ในระดับที่สูงขึ้นทำให้เป็นจุดเริ่มต้นที่ไม่พึงปรารถนา อย่าลังเลที่จะสำรวจสิ่งเหล่านี้หากคุณมีความหลงใหลในสิ่งใดสิ่งหนึ่งเป็นพิเศษ แม้ว่าจะไม่ได้รับการบันทึกไว้อย่างดีเท่ากับด้านอื่นๆ ซึ่งอาจทำให้การเรียนรู้สิ่งเหล่านั้นยากขึ้นเล็กน้อย

โบนัส (แม้ว่าจะยังมีความสำคัญอย่างยิ่ง): ขยายขอบเขต AI/ML ของคุณให้กว้างขึ้น

หากคุณต้องการทำงานในสาขานี้ในระยะยาว สิ่งสำคัญคือต้องเข้าใจจากมุมมองแบบองค์รวมมากขึ้น โดยสิ่งนี้ฉันหมายถึงการเรียนรู้เกี่ยวกับการค้นพบที่แหวกแนว ความไม่ลงรอยกันเกี่ยวกับวิธีการนำไปใช้ และผลกระทบทั่วไปต่อสังคม คุณควรเริ่มทำสิ่งต่างๆ ที่ระบุไว้ในส่วนนี้ทันทีที่คุณมีความเข้าใจที่จำเป็นเกี่ยวกับวิธีการทำงานของเทคโนโลยี ฉันเชื่อว่าจุดเริ่มต้นที่ดีคือเมื่อคุณเริ่มต้นส่วนที่ 4 ของเส้นทางการเรียนรู้นี้ ข้อมูลประเภทนี้อาจไม่ได้ช่วยเป็นพิเศษในการใช้อัลกอริธึมสำหรับปัญหาข้อมูล แต่สำหรับเทคโนโลยีที่มีความสำคัญต่อโลกปัจจุบัน ข้อมูลดังกล่าวจะช่วยสร้างความเข้าใจที่แข็งแกร่งยิ่งขึ้นเกี่ยวกับบทบาท ศักยภาพที่แท้จริง และขีดจำกัดของมัน

มีบางสิ่งที่นักเรียนมัธยมปลายสามารถทำได้เพื่อเพิ่มความเข้าใจโดยทั่วไปในสาขานี้ให้ลึกซึ้งยิ่งขึ้นและทำให้พวกเขามีความรู้มากขึ้น:

  • เริ่มอ่านงานวิจัย: ฉันอยากจะเน้นย้ำว่าสิ่งเหล่านี้ไม่ได้ท้าทายอย่างที่คิด แม้ว่าคณิตศาสตร์ที่ควบคุมเทคนิคสมัยใหม่อาจมีความก้าวหน้ามาก แต่การได้สัมผัสกับสิ่งที่เกิดขึ้นในแนวหน้าของอุตสาหกรรมก็ไม่ใช่เรื่องเลวร้าย หากคุณเคยเจอสิ่งที่คุณไม่เข้าใจ ให้วางมันลง - มีทางเลือกอื่นมากเกินพอที่จะทำให้คุณยุ่งได้ เว็บไซต์นี้มีบทความดีๆ มากมายให้เริ่มต้น แม้ว่าหลังจากที่คุณอ่านจบแล้วก็ตาม ยังมีรายการที่ยาวกว่านั้น เพียงอ่านบทความที่คุณสนใจหรือเกี่ยวข้องกับ 'ความเชี่ยวชาญ' ในด้านของคุณจากส่วนที่ 5 จะมีประโยชน์มากหาก ไดอารี่เล็กๆ น้อยๆ ของการเรียนรู้จากรายงานแต่ละฉบับ หากคุณไม่สามารถเข้าใจรายงานการวิจัยเหล่านี้ได้อย่างแท้จริง ให้ลองอ่านคู่มือที่ฉันเขียนไว้ ซึ่งจะให้รายละเอียดย่อยของนวัตกรรมล่าสุดบางรายการ ช่อง YouTube นี้ยังมีคำอธิบายเบื้องต้นเกี่ยวกับเอกสารต่างๆ มากมาย ซึ่งแต่ละบทความจะครอบคลุมในเวลาเพียงสองนาที

  • ติดตามผู้บุกเบิก: ผู้คนอย่าง Andrew Ng, Ian Goodfellow และ Yann LeCunn ได้รับการสัมภาษณ์เป็นประจำ โดยให้มุมมองของ 'ผู้ก่อตั้ง' สิ่งที่เรารู้จักในชื่อ AI และ ML ในปัจจุบัน ช่อง YouTube นี้รวบรวมเสวนาที่ดีที่สุดและรวบรวมไว้เป็นแหล่งข้อมูลกลาง ดูคืนละครั้ง ฉันรับประกันได้ว่าคุณจะรู้สึกเหมือนเป็นผู้เชี่ยวชาญภายในไม่กี่สัปดาห์

  • ติดตามข่าวสารล่าสุดอยู่เสมอ: Wired เป็นหนึ่งในแพลตฟอร์มที่ดีที่สุดสำหรับทุกคนที่สนใจในเทคโนโลยี มีการเผยแพร่เรื่องราวที่เกี่ยวข้องกับ AI หลายเรื่องทุกวัน (แม้ว่าทุกวันนี้จะไม่ใช่ทุกคนก็ตาม) ซึ่งสามารถพบได้ที่นี่ เป็นวิธีที่รวดเร็วและน่าดึงดูดในการทำความเข้าใจแนวโน้มของเวลา หรือสมัครรับบอต Facebook Messenger ของ TechCrunch ซึ่งมักจะมีบทความเกี่ยวกับ AI ที่น่าสนใจ และแจ้งข้อมูลให้คุณทราบทุกวัน

  • ทำความเข้าใจความหมาย: ไม่มีวิธีใดที่จะดีไปกว่าการฟัง TED talk วิทยากรของพวกเขามีความรู้อย่างมากในสาขานี้ และมีการเน้นเรื่อง AI เพิ่มขึ้นในการกล่าวสุนทรพจน์ สามารถดูคอลเลกชันวิดีโอได้ที่นี่

  • ปรัชญา: AI มีผู้สนับสนุนและฝ่ายตรงข้าม อย่างไรก็ตาม ปรัชญาเบื้องหลังเรื่องนี้ก็น่าสนใจ หนังสือเล่มโปรดของฉันที่สำรวจพื้นที่นี้และเหมาะสำหรับนักเรียนมัธยมปลาย ได้แก่ 'How to Create a Mind' โดย Ray Kurzweil และ 'Life 3.0' โดย Max Tegmark ลองอ่านดู พวกเขามองไปที่เส้นทางระยะยาวของ AI ซึ่งอาจรู้สึกว่าไม่เกี่ยวข้องในแต่ละวัน แต่ช่วยให้เข้าใจบริบทที่กว้างขึ้นของเทคโนโลยีโดยรวม

  • การมีส่วนร่วม: หากคุณเป็นคนประเภทที่ชอบเรียนรู้จากประสบการณ์ของผู้อื่น ลองดูช่องทางวาทกรรม เช่น กลุ่ม Facebook นี้ ซึ่งผู้คนโพสต์บทความและเอกสารเชิงลึกที่เกี่ยวข้องกับความก้าวหน้าในพื้นที่เป็นประจำ หรือสำหรับการสนทนาแบบสบายๆ มากขึ้น ลองดู subreddits บน AI แบบนี้

  • เจาะลึกคณิตศาสตร์: ใช่ คุณต้องมีพื้นฐานคณิตศาสตร์ระดับมหาวิทยาลัยสำหรับสิ่งเหล่านี้ แต่ถ้าคุณเป็นนักเรียนคณิตศาสตร์ที่เก่ง ไม่มีอะไรหยุดคุณจากการเรียนหลักสูตรออนไลน์ Microsoft มีหลักสูตรฟรีที่ฉันเคยได้ยินเรื่องดีๆ และต้องการแค่คณิตศาสตร์ระดับมัธยมปลายเท่านั้น เธรด Quora นี้ยังมีแหล่งข้อมูลดีๆ ที่คุณควรลองดู 3Blue1Brown ก็เป็นชื่อที่มีชื่อเสียงในชุมชนเช่นกัน เนื่องจากวิดีโอ Youtube ของเขานั้นยอดเยี่ยมมากสำหรับการเรียนรู้คณิตศาสตร์ (โดยเฉพาะพีชคณิตเชิงเส้นและแคลคูลัส) ที่อยู่เบื้องหลังแนวคิดที่ซับซ้อนกว่า

บทสรุป

ฉันได้ยินคนจำนวนมากเกินไปบอกฉันว่าการเรียนรู้ Machine Learning และปัญญาประดิษฐ์นั้นขยายออกไปมากเกินไปสำหรับนักเรียนมัธยมปลายที่จะไม่เขียนสิ่งนี้ - ด้วยเส้นทางการเรียนรู้ที่ปูทางมาอย่างดี ทุกคนสามารถศึกษาได้ และด้วยเหตุนี้ ฉันขอให้ทุกคนโชคดีในการดำเนินเส้นทางการเรียนรู้นี้

หากคุณมีส่วนเพิ่มเติมหรือการปรับปรุงที่เป็นไปได้ในคู่มือนี้ โปรดอย่าลังเลที่จะประชาสัมพันธ์พื้นที่เก็บข้อมูลนี้ และสำหรับข้อเสนอแนะ ความร่วมมือ หรือคำถามทั่วไป โปรดเขียนถึงฉันที่ [email protected]

ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด