Машинное обучение и искусственный интеллект

Машинное обучение всё больше применяется в таких областях, как авиация и робототехника. Его цель — использовать вычислительные мощности для создания искусственного интеллекта, подобного человеческому, что позволяет автоматизировать и роботизировать оборудование.

Этот курс направлен на то, чтобы дать студентам базовые знания о машинном обучении, его типичных методах и технологиях. С помощью конкретных примеров применения студенты могут развить интерес к этой области и научиться анализировать проблемы и вызовы, с которыми сталкиваются летательные аппараты и роботы, а также решать их с точки зрения искусственного интеллекта.

Курс включает в себя основы программирования на Python, модели машинного обучения, неконтролируемое и контролируемое обучение, основы глубокого обучения и изучение того, как применять машинное обучение для решения реальных задач. Это помогает всесторонне улучшить навыки студентов.

В курсе используется учебное пособие «Алгоритмы и реализация машинного обучения», которое охватывает принципы и реализацию алгоритмов машинного обучения. Книга подходит для специалистов из разных областей, так как не требует предварительного изучения алгоритмов и структур данных. Она содержит учебные видео, онлайн-лекции, задачи и упражнения, что делает её полезной как для самостоятельного изучения, так и в качестве учебного пособия. Материалы курса предоставляют инженерам в соответствующих областях обширную и богатую информацию, позволяя лучше понять теорию, алгоритмы и применение машинного обучения. Приобрести книгу можно на платформах Taobao, Dangdang и JD.com.

Поскольку для эффективного обучения требуется большое количество практических упражнений по программированию, необходимо выполнить задания и отчёты курса «Машинное обучение и искусственный интеллект». При написании работ можно обращаться к онлайн-ресурсам, но прямое копирование запрещено. Необходимо самостоятельно размышлять и писать код. Инструкции по установке среды Python для запуска кода можно найти в руководстве «Установка среды Python».

Для самостоятельного обучения курсу рекомендуется просмотреть видео лекций на платформе Bilibili. 1. Глубокое обучение

• RNN/RNN для изображений (7_deep_learning/2_RNN/rnn-for-image.ipynb)
• LSTM — сети долгой краткосрочной памяти (7_deep_learning/2_RNN/time-series/lstm-time-series.ipynb);
• Генеративно-состязательные сети (GAN):
  • Автокодировщик (7_deep_learning/3_GAN/autoencoder.ipynb),
  • Вариационный автокодировщик (7_deep_learning/3_GAN/vae.ipynb),
  • GAN (7_deep_learning/3_GAN/gan.ipynb).
• Трансформеры (Transformer) (7_deep_learning/5_Transformer).

2. Рекомендации по созданию глубоких нейронных сетей (references_tips/构建深度神经网络的一些实战建议.md).

3. Применение машинного обучения:

• Распознавание объектов (8_app/app_1_object-detection).
• Обучение с подкреплением (8_app/app_2_dqn).
• Большие языковые модели (8_app/app_3_llm).

4. Продвинутые техники машинного обучения (9_advanced).

Часть 2: Рекомендации по обучению

1. Для лучшего усвоения этого курса необходимо развивать навыки программирования на Python, решая задачи и работая над небольшими проектами. Это поможет заложить прочный фундамент для последующего изучения теории и практики машинного обучения.

2. Машинное обучение — это прикладная дисциплина с сильным практическим уклоном. Необходимо сочетать теорию с практикой и применять знания в реальных проектах. Рекомендуется активно практиковаться, не пренебрегая этим этапом.

3. В каждом разделе курса есть задания для самостоятельной работы, а также комплексные практические проекты. Они помогут углубить понимание изученного материала.

4. Первая половина каждого курса посвящена теоретическим основам, а вторая — реализации кода. Если вы хотите получить более глубокие знания, можно попробовать самостоятельно реализовать методы, описанные в курсе. При возникновении проблем рекомендуется искать решения самостоятельно, так как цель — не просто написать код, но и научиться анализировать и решать проблемы.

5. Некоторые студенты могут понимать математические формулы, но сталкиваться с трудностями при написании программ. Важно помнить, что написание программы — это способ проверить, действительно ли вы понимаете математику и теорию. Даже если вы не можете понять формулу, вы можете использовать программу, которая соответствует формуле и может быть запущена, чтобы помочь вам разобраться.

6. Не следует копировать готовые программы или заимствовать чужой код. Если у вас возникают трудности, лучше обратиться к поиску решений или задать вопросы. Копирование чужого кода не имеет смысла. Если задача кажется сложной, можно работать медленнее, но важно стремиться к самостоятельному мышлению и написанию кода.

7. Прежде чем приступить к изучению материалов, рекомендуется просмотреть все папки и ознакомиться с их содержимым. В каждой папке есть множество пояснительных документов. Если вы не знаете, как что-то сделать, сначала поищите соответствующую документацию. Если не найдёте подходящий документ, обратитесь к интернету. Этот процесс помогает развивать навыки поиска литературы и информации.

8. Время и энергия человека ограничены. В условиях интеграции различных дисциплин, студенты не только изучают этот курс, но и должны уделять внимание другим предметам. Даже полное понимание этого курса может занять много времени и помешать изучению других предметов. Попытка изучить все аспекты математики, такие как экспоненты, логарифмы, производные, матрицы, вероятность и статистика, может потребовать слишком много времени. Кроме того, при восхождении на вершину машинного обучения, попытка понять все методы и концепции может привести к разочарованию из-за сложности пути.

9. Рекомендуется начать с интуитивного понимания, даже если оно не будет полным. Этого достаточно для решения некоторых практических задач. В процессе решения проблем углубляйте понимание теории, алгоритмов, программирования и проверки. Также рекомендуется начинать с выполнения заданий и небольших проектов, постоянно совершенствуя свои знания и навыки. Используйте итеративный подход к обучению, не стремясь к мгновенному пониманию, а постепенно укрепляя интуитивное понимание и привлекая теоретические знания.

10. Задания курса лучше всего выполнять с использованием Linux и инструментов, доступных в этой операционной системе. Постоянное использование Linux поможет быстро прогрессировать. Если это кажется сложным, начните с виртуальной машины (рекомендуется VirtualBox) и установите Linux (например, Ubuntu или LinuxMint). Однако в конечном итоге необходимо освоить работу с Linux.