如何零基础学AI？ （经验帖，值得收藏）...
- 机器人的心理学
- 2024-12-22 03:46:21
如何零基础学AI？ （经验帖，值得收藏）
有网友说自己的PhD学习进度比较艰难，AI很难，网友原本是生物专业的，做生物信息方向。网友强调导师要她自己找数据，自己定方向。
下面我介绍一些方法，想转专业或者正在转AI研究方向的你们可以参考一下。这里介绍的都是入门书籍，网友觉得太简单的话评论可以留言一些适合高级阶段学习的书。我自己的策略就是搞掂基础书籍后直接看各种顶刊论文。还可以完整上一下斯坦福的免费油管课程CS229, CS230, CS224n, MATH51
（PS：大家觉得这些经验有用又想我多写写的话，可以到我们AutoGRAMs的repo 帮忙点个赞 ）
1. 首先，你得给自己1-3个月的时间恶补数学知识，基础比较薄的话一下子去看发表论文会比较困难，上面的公式和原理你会觉得一头雾水。所以你首先要学习和梳理一下自己的统计学知识。我推荐：Statistical Machinn Learning For Engineering with Application
看的时候前面的章节要仔细看，如果你基础不好, Notions and Notation of Basic Statistics 这些是不能跳过的。这本书从各种regression开始讲起，classification problems, forecasting, overfitting 的问题， 到Bayesian model， Gaussian Process，这些都是基础机器学习，花几周时间，把这本书读薄。读的时候注意要练习，打开R或Python，跑一下习题。
你可以先上网上的开源数据库，例如Kaggle找些适合你研究方向的小型数据，看看能否想出一个有趣的task，运用statistical machine learning去做一些基础的练习，这个练习做得好的话说不定还能投稿。你甚至可以到Kaggle的比赛项目看看有没有合适的task，比赛排名前的话还可以写成文章发表。
2. Statistical ML基础打好后你想要学习deep learning的话就必须要进阶到微积分。微积分我推荐油管上的 professor leonard， 不用看教程，光听他说，做他视频上的练习也很好，你最好能坚持看完他上百集的视频。还有一本基础的应用微积分书我也挺喜欢Brief Applied Calculus, 5th Edition 。里面的例子有趣实用，平时我实在没事干会看这本书当娱乐，因为我特别喜欢里面的习题，都是很实用的问题，而且什么科学领域的问题都有。
3. 看完Calculus 你还得看Linear Algebra，裂墙推荐Gilbert Strang 的教程和视频，我觉得他讲课连我妈都能学会线代
4. 关于Deep Learning，我会介绍这本 Deep Learning by Ian Goodfellow, Yoshua Bengio, Aaron Courville
5. 关于LLM，可以看Christopher Manning的油管教程 CS224n 打基础，然后看一些博客讲解Transformers
6. 再深一些Reinforcement Learning的可以看看Udemy的这个课程Reinforcement Learning beginner to master - AI in Python
花1-2个月搞好这些基础，你可以开始看专业相关的顶刊论文了，这时候你应该能看懂至少7，8成的机器学习内容， 剩下不懂的就问chatGPT。以前没有LLM的时候我得到处问同学，现在LLM是你最好的论文老师。
至于如何零基础学代码，我在这条已经写过 ai创造营
有网友说自己的PhD学习进度比较艰难，AI很难，网友原本是生物专业的，做生物信息方向。网友强调导师要她自己找数据，自己定方向。
下面我介绍一些方法，想转专业或者正在转AI研究方向的你们可以参考一下。这里介绍的都是入门书籍，网友觉得太简单的话评论可以留言一些适合高级阶段学习的书。我自己的策略就是搞掂基础书籍后直接看各种顶刊论文。还可以完整上一下斯坦福的免费油管课程CS229, CS230, CS224n, MATH51
（PS：大家觉得这些经验有用又想我多写写的话，可以到我们AutoGRAMs的repo 帮忙点个赞 ）
1. 首先，你得给自己1-3个月的时间恶补数学知识，基础比较薄的话一下子去看发表论文会比较困难，上面的公式和原理你会觉得一头雾水。所以你首先要学习和梳理一下自己的统计学知识。我推荐：Statistical Machinn Learning For Engineering with Application
看的时候前面的章节要仔细看，如果你基础不好, Notions and Notation of Basic Statistics 这些是不能跳过的。这本书从各种regression开始讲起，classification problems, forecasting, overfitting 的问题， 到Bayesian model， Gaussian Process，这些都是基础机器学习，花几周时间，把这本书读薄。读的时候注意要练习，打开R或Python，跑一下习题。
你可以先上网上的开源数据库，例如Kaggle找些适合你研究方向的小型数据，看看能否想出一个有趣的task，运用statistical machine learning去做一些基础的练习，这个练习做得好的话说不定还能投稿。你甚至可以到Kaggle的比赛项目看看有没有合适的task，比赛排名前的话还可以写成文章发表。
2. Statistical ML基础打好后你想要学习deep learning的话就必须要进阶到微积分。微积分我推荐油管上的 professor leonard， 不用看教程，光听他说，做他视频上的练习也很好，你最好能坚持看完他上百集的视频。还有一本基础的应用微积分书我也挺喜欢Brief Applied Calculus, 5th Edition 。里面的例子有趣实用，平时我实在没事干会看这本书当娱乐，因为我特别喜欢里面的习题，都是很实用的问题，而且什么科学领域的问题都有。
3. 看完Calculus 你还得看Linear Algebra，裂墙推荐Gilbert Strang 的教程和视频，我觉得他讲课连我妈都能学会线代
4. 关于Deep Learning，我会介绍这本 Deep Learning by Ian Goodfellow, Yoshua Bengio, Aaron Courville
5. 关于LLM，可以看Christopher Manning的油管教程 CS224n 打基础，然后看一些博客讲解Transformers
6. 再深一些Reinforcement Learning的可以看看Udemy的这个课程Reinforcement Learning beginner to master - AI in Python
花1-2个月搞好这些基础，你可以开始看专业相关的顶刊论文了，这时候你应该能看懂至少7，8成的机器学习内容， 剩下不懂的就问chatGPT。以前没有LLM的时候我得到处问同学，现在LLM是你最好的论文老师。
至于如何零基础学代码，我在这条已经写过 ai创造营
