From-0-to-Research-Scientist-resources-guide - 学部生や、強固な基盤を持ってAIの分野を深く掘り下げたい人のための詳細でカスタマイズされたガイド。
(Detailed and tailored guide for undergraduate students or anybody want to dig deep into the field of AI with solid foundation.)
ゼロからリサーチサイエンティストまでの完全なリソースガイド。
ガイドの説明
このガイドは、ディープラーニングとNLPの研究
ボトムアップまたはトップダウンの両方がうまく機能し、どのアプローチが最適かを知ることは実際には重要です。アプリケーションなしで多くの数学的概念を勉強しても大丈夫な場合は、ボトムアップを使用してください。最初に実践したい場合は、最初にトップダウンを使用します。
内容：
数学的基礎:
数学的基礎の部分は、機械学習、強化学習、コンピュータービジョンなどのすべての人工知能ブランチ用です。AIは数学理論に基づいているため、強固な基盤が不可欠です。
線形代数
♾️
数学のこの分野は、今日の最先端のNLP方法論の標準であるニューラルネットワークのメカニズムを理解するために重要です。
| 資源 | 困難 | 関連性 |
|---|---|---|
| MIT ギルバート・ストラング 2005 線形代数 |
★★ ☆☆☆
|
|
| フリードバーグ |
★★★★ ☆
|
|
| 機械学習のための数学の本:第2 |
★★★ ☆☆
|
|
| ジェームズハンブリン素晴らしい講義シリーズ |
★★★ ☆☆
|
|
| 3ブルー1ブラウン 線形代数 |
★ ☆☆☆☆
|
|
| 機械学習の専門分野のための数学:線形代数 |
★ ☆☆☆☆
|
|
| ギルバー・ストラングの線形代数の行列法が更新されました! |
★★★ ☆☆
|
確率
自然言語処理と機械学習アルゴリズムのほとんどは確率論に基づいています。したがって、このブランチは、古いメソッドがどのように機能するかを把握するために非常に重要です。
| 資源 | 困難 | 関連性 |
|---|---|---|
| ジョーブリッツスタインハーバード確率統計コース |
★★★★★
|
|
| MIT確率コース2011講義動画 |
★★★ ☆☆
|
|
| MIT確率コース2018ショートビデオ更新! |
★★ ☆☆☆
|
|
| 機械学習のための数学の本:第6 |
★★★ ☆☆
|
|
| プロバリスティックグラフィカルモデルCMUアドバンスト |
★★★★★
|
|
| プロバリスティックグラフィカルモデルスタンフォードダフネアドバンスト |
★★★★★
|
|
| ロス |
★★★★ ☆
|
|
| ジョーブリッツスタインハーバード教授確率素晴らしい本 |
★★★ ☆☆
|
微積分
📐
| 資源 | 困難 | 関連性 |
|---|---|---|
| 微積分の本質 by 3Blue1Brown |
★★ ☆☆☆
|
|
| 単一変数微積分 MIT 2007 |
★★★★ ☆
|
|
| ストラングの微積分 |
★★★★ ☆
|
|
| 多変数微積分 MIT 2007 |
★★★★★
|
|
| プリンストン大学 多変数微積分 2013 |
★★★★ ☆
|
|
| スチュワート |
★★★★ ☆
|
|
| 機械学習のための数学の本:第5 |
★★★ ☆☆
|
|
最適化理論
📉
| -資源 | 困難 | 関連性 |
|---|---|---|
| CMU最適化コース2018 |
★★★★★
|
|
| CMUアドバンスト最適化コース |
★★★★★
|
|
| スタンフォードの有名な最適化コース |
★★★★★
|
|
| ボイド凸最適化ブック |
★★★★★
|
機械学習
統計モデルの派手な名前と見なされ、その主な目標はいくつかの使用法のデータから学習することです。ほとんどの研究はほとんどのアルゴリズムに触発されているため、研究の前にこれらの統計手法を習得することを強くお勧めします。
ディープラーニング
人工知能とコンピュータサイエンスの交差点の分野における主要なブレークスルーの1つ。それは技術の無数の進歩につながり、人工知能を行うための標準的な方法と考えられていました。
強化学習
これは、観察/報酬による学習に焦点を当てたAIのサブフィールドです。
自然言語処理
これは、人間の言語の解釈に焦点を当てたAIのサブフィールドです。
NLPペーパーを読む必要があります:
このセクションでは、NLPの研究の世界をより深く掘り下げたい人々が追いつくのに役立つ最も影響力のある論文をリストします。
| 紙 | コメント |
|---|
