Sources sur la théorie, la philosophie, les outils et les applications de l'IA [fermé]

Je suis ingénieur logiciel / hardware depuis de nombreuses années maintenant. Cependant, je ne connais rien à l'IA et au machine learning. J'ai une solide expérience dans le traitement du signal numérique et divers langages de programmation (comme C, C ++ ou Swift)

Existe-t-il des sources (par exemple des livres ou des guides) qui vous enseignent la théorie et la philosophie de l'IA à partir de zéro, puis proposent des exemples d'applications réelles, des outils actuels, des exemples que vous pouvez exécuter, etc.?

Je ne recherche donc pas de sources trop académiques ou statistiques.

Si vous voulez un livre de base très simple sur les réseaux de neurones et pas exactement l'apprentissage automatique, vous pouvez essayer:

• Réseaux de neurones pour les sciences appliquées et l'ingénierie: des principes fondamentaux à la reconnaissance de formes complexes par Sandhya Samarasinghe
• Fondements des réseaux de neurones: architectures, algorithmes et applications par Laurene V. Fausett

Ces 2 livres sont des livres basiques et très simples qui partent de zéro et montrent des calculs à la main sur des exemples simples. Ce sont également des livres basés sur des applications réelles.

Si vous souhaitez renforcer votre théorie et en apprendre davantage sur l'apprentissage automatique, en particulier pour la reconnaissance des formes, le meilleur livre est de loin:

• Reconnaissance des formes et apprentissage automatique par CM Bishop

Ce livre nécessite de solides connaissances mathématiques, en particulier dans le domaine de la théorie des probabilités, de l'algèbre linéaire et du calcul.

Deux autres livres très théoriques sur les réseaux neuronaux sont:

• Réseaux de neurones: une base complète par Simon Haykin
• Une introduction aux réseaux neuronaux par James A Anderson si vous êtes intéressé par l'aspect biologique des réseaux neuronaux.

D'après mon expérience, ce sont les meilleurs livres d'introduction. Vous pouvez également consulter divers OCW gérés par edx.org comme Machine Learning for Data Science et un cours hautement recommandé sur coursera.org dirigé par le professeur Andrew Ng Machine Learning par Stanford University

Je vous suggère également d'apprendre Python ou R car il est principalement utilisé pour l'apprentissage automatique en raison de leurs puissants packages scientifiques. Python est très facile à apprendre et à implémenter des programmes par rapport à C / C ++.

Edit: Oublié ce livre. Cependant, un peu avancé, certains utilisateurs peuvent trouver cela facile:

• Deep Learning (série Adaptive Computation and Machine Learning) par Ian Goodfellow

Vous pouvez regarder le didacticiel d'apprentissage automatique créé par Google. Sa simplicité et sa communication sont très claires. En 6 vidéos, vous pouvez obtenir une bonne expérience en Machine Learning.

Ici: Hello World - Recettes d'apprentissage automatique # 1

Prenez simplement le (vieux) cours d'Apprentissage Machine d'Andrew Ng sur Coursera, ou le cours d'Apprentissage Machine avec Sebastian Thrun et Katie Malone sur Udacity. Ou les deux. C'est un moyen assez rapide d'obtenir une bonne et solide introduction aux bases du Machine Learning. Ensuite, regardez le matériel de la classe sur le site http://ai.berkeley.edu et lisez l'intelligence artificielle - une approche moderne . Si vous vous en sortez, vous serez bien placé pour passer à ce qui vous intéresse.

Gardez également à l'esprit que vous ne pouvez pas vous séparer complètement des mathématiques impliquées dans le domaine. Si vous n'avez pas déjà d'expérience dans le calcul multi-variable, la probabilité et l'algèbre linéaire (principalement les opérations matricielles), vous devrez peut-être vous concentrer sur ce genre de choses.

Vous pouvez regarder le didacticiel d'apprentissage automatique réalisé par Google ici: Hello World - Recettes d'apprentissage automatique # 1 . Sa simplicité et sa communication sont très claires.

Six lignes de Python suffisent pour écrire votre premier programme d'apprentissage automatique! Dans cet épisode, nous présenterons brièvement ce qu'est l'apprentissage automatique et pourquoi il est important. Ensuite, nous allons suivre une recette d'apprentissage supervisé (une technique pour créer un classificateur à partir d'exemples) et le coder.

Il y a un excellent livre en ligne qui donne une introduction approfondie et une formation sur la façon de construire des réseaux de neurones est Neural Networks and Deep Learning par Michael Nielson. Dans le premier chapitre, il utilise l'exemple de la reconnaissance des chiffres manuscrits et passe en revue les perceptrons, les neurones sigmoïdes, les réseaux neuronaux de base, comment les coder en Python, etc. Les chapitres suivants approfondissent les concepts de base des réseaux neuronaux.

Je recommanderais ce livre même à ceux qui ont déjà de l'expérience avec les réseaux de neurones. C'est une excellente ressource.