Машинное обучение и искусственный интеллект

Машинное обучение всё больше применяется в таких областях, как авиация и робототехника. Его цель — использовать вычислительные мощности для создания интеллекта, подобного человеческому, что позволяет автоматизировать и роботизировать оборудование. Этот курс призван дать студентам базовые знания о машинном обучении, его типичных методах и технологиях. Конкретные примеры применения призваны заинтересовать студентов этой областью знаний и стимулировать их к анализу и решению проблем, с которыми сталкиваются летательные аппараты и роботы, с точки зрения искусственного интеллекта.

Курс включает основы программирования на Python, модели машинного обучения, а также изучение неконтролируемого, контролируемого обучения и основ глубокого обучения. Особое внимание уделяется применению машинного обучения для решения реальных задач, что способствует всестороннему развитию личности.

Поскольку для эффективного обучения требуется большое количество практических упражнений по программированию, необходимо тщательно выполнять задания и писать отчёты, представленные на сайте 《机器学习与人工智能-作业和报告》. При написании работ можно обращаться к онлайн-ресурсам, но нельзя просто копировать чужие тексты — необходимо самостоятельно анализировать информацию и создавать уникальный код. Инструкции по установке среды программирования Python см. в руководстве 《Python环境安装》.

Для самостоятельного изучения курса доступны видеоматериалы лекций на платформе B站 — 《B站 - 机器学习与人工智能》.

Содержание

1. Введение в курс
2. Python
   • Установка Python
   • ipython & notebook
   • Основы Python
   • Оператор печати
   • Структура данных 1
   • Структура данных 2
   • Управление потоком
   • Функции
   • Классы
3. numpy & matplotlib
   • numpy
   • matplotlib
4. kNN
5. kMeans
   • kMeans — сжатие изображений
   • Алгоритмы кластеризации
6. Логистическая регрессия
   • Метод наименьших квадратов
   • Логистическая регрессия
   • PCA и логистическая регрессия
7. Нейронная сеть
   • Персептрон
   • Многослойный персептрон и BP
   • Softmax и кросс-энтропия
8. PyTorch
   • Тензор
   • autograd
   • линейная регрессия
   • логистическая регрессия
   • nn-sequential-module
   • deep-nn
   • param_initialize
   • optim/sgd
   • optim/adam
9. Глубокое обучение
   • CNN
     • Введение в CNN
     • Простая демонстрация CNN
     • cnn/basic_conv
     • cnn/batch-normalization
     • cnn/lr-decay
     • cnn/regularization
     • cnn/vgg
     • cnn/googlenet
     • cnn/resnet
     • cnn/densenet
   • RNN
     • rnn/pytorch-rnn
     • rnn/rnn-for-image
     • rnn/lstm-time-series
   • GAN
     • gan/autoencoder
     • gan/vae
     • gan/gan

Рекомендации по обучению

1. Для более эффективного изучения этого курса рекомендуется развивать навыки программирования на Python через выполнение достаточного количества упражнений и небольших проектов. Это поможет заложить прочную основу для последующего изучения теории и практики машинного обучения.

2. Каждый раздел курса состоит из теоретической части и практической реализации. Если вы хотите получить более глубокие знания, попробуйте самостоятельно реализовать различные методы. В процессе выполнения заданий старайтесь решать проблемы самостоятельно, поскольку основная цель — научиться анализировать и решать задачи, а не просто написать код.

3. Не копируйте готовые программы или чужой код, если вы не понимаете, как они работают. Если у вас возникают трудности, лучше потратить время на поиск решения или обратиться за помощью. Копирование чужого кода без понимания его сути не принесёт пользы.

4. Пожалуйста, сначала просмотрите все папки, чтобы понять, что в них находится, какие материалы. В каждой папке есть много пояснительных документов. Если вы не можете найти подходящий документ, поищите его в интернете. Этот процесс поможет вам развить навыки поиска литературы и материалов.

5. Для выполнения практических заданий этого курса лучше всего использовать книгу «Linux» (https://gitee.com/pi-lab/learn_programming/blob/master/6_tools/linux) и инструменты Linux. Заставляйте себя использовать «Linux», только практика и использование могут привести к быстрому прогрессу. Если это действительно сложно, установите Linux на виртуальную машину (например, VirtualBox), сначала ознакомьтесь с ним. Но в конечном итоге необходимо научиться использовать Linux.

3. Справочные материалы

• Материалы для быстрого поиска:

  • Сводная информация о материалах для обучения
  • Некоторые справочники

• Советы по машинному обучению и т. д.:

  • Конфузионная матрица
  • Наборы данных
  • Практические рекомендации по созданию глубоких нейронных сетей
  • Введение в глубокое обучение

• Советы Python и т.д.:

  • Установка среды Python
  • Советы Python

• Учебник Git

• Учебник Markdown

4. Дальнейшее изучение

После изучения вышеуказанного содержания можно продолжить изучение и исследования машинного обучения и компьютерного зрения. Конкретные материалы можно найти в следующих источниках:

1. Программирование — это способность, которая очень важна для процесса исследования и реализации машинного обучения. Слабые навыки программирования могут замедлить процесс обучения и исследований из-за невозможности быстро пробовать и ошибаться. Если у вас сильные навыки программирования, вы можете быстро попробовать и ошибиться, а также быстро написать экспериментальный код и т. д. Настоятельно рекомендуется всем после прохождения или во время прохождения этого курса хорошо отработать базовые навыки, такие как структура данных и алгоритмы. Конкретный учебник можно найти в «Шаг за шагом изучаем программирование».
2. Лаборатория интеллектуального восприятия и управления летательными аппаратами — учебные пособия и задания: это учебное пособие представляет собой сборник учебных пособий лаборатории по машинному обучению и компьютерному зрению. Каждый курс знакомит с основными принципами, реализацией программирования, методами применения и другими материалами, которые можно использовать в качестве вводного материала для обучения.
   • Учебное пособие лаборатории интеллектуального восприятия и управления летательными аппаратами - Летний учебный курс
   • Лаборатория интеллектуального восприятия и управления летательными аппаратами - Задания летнего учебного курса
3. Визуальный SLAM — это класс алгоритмов, навыков и высокоинтегрированных систем программирования. Изучение и практика SLAM могут значительно улучшить ваши навыки программирования и решения проблем. Конкретное руководство можно найти в учебнике «Шаг за шагом изучаем SLAM».
4. Справочник по программированию и сборник советов: в этом справочнике по коду и советам можно найти примеры функций, которые помогут ускорить написание кода.
5. Методы обучения и советы