Fuentes sobre la teoría, filosofía, herramientas y aplicaciones de IA [cerrado]

Soy ingeniero de software / hardware desde hace muchos años. Sin embargo, no sé nada sobre inteligencia artificial y aprendizaje automático. Tengo una sólida formación en procesamiento de señales digitales y varios lenguajes de programación (como C, C ++ o Swift)

¿Hay alguna fuente (por ejemplo, libros o guías) que le enseñe la teoría y la filosofía de la IA desde cero, y luego vaya con ejemplos de aplicaciones de la vida real, herramientas actuales, ejemplos que puede ejecutar, etc.?

Por lo tanto, no estoy buscando fuentes demasiado académicas o estadísticas.

Si desea un libro básico muy simple sobre redes neuronales y no exactamente Machine Learning, puede probar:

• Redes neuronales para ciencias aplicadas e ingeniería: de los fundamentos al reconocimiento de patrones complejos por Sandhya Samarasinghe
• Fundamentos de las redes neuronales: arquitecturas, algoritmos y aplicaciones por Laurene V. Fausett

Estos 2 son libros básicos y muy simples que comienzan desde cero y muestran cálculos a mano en ejemplos simples. También estos son libros basados ​​en aplicaciones de la vida real.

Si desea fortalecer su teoría y aprender exhaustivamente sobre el aprendizaje automático, especialmente para el reconocimiento de patrones, el mejor libro es:

• Reconocimiento de patrones y aprendizaje automático por CM Bishop

Este libro requiere un sólido conocimiento matemático, especialmente en el campo de la teoría de la probabilidad, el álgebra lineal y el cálculo.

Otros dos libros muy teóricos sobre redes neuronales son:

• Redes neuronales: una base integral por Simon Haykin
• Una introducción a las redes neuronales por James A Anderson si está interesado en el aspecto biológico de las redes neuronales.

Desde mi experiencia, estos son los mejores libros introductorios. También puede consultar varios OCW administrados por edx.org como Machine Learning for Data Science y un curso altamente recomendado en coursera.org dirigido por el profesor Andrew Ng Machine Learning por la Universidad de Stanford

También te sugiero que aprendas Python o R, ya que se usa principalmente para Machine Learning debido a sus poderosos paquetes científicos. Python es muy fácil de aprender e implementar programas en comparación con C / C ++.

Editar: Olvidé este libro. Aunque, un poco avanzado, algunos usuarios pueden encontrarlo fácil:

• Aprendizaje profundo (serie de computación adaptativa y aprendizaje automático) por Ian Goodfellow

Puede ver el Tutorial de aprendizaje automático realizado por Google. Es simple y la comunicación es muy clara. En 6 videos puedes obtener una buena experiencia en Machine Learning.

Aquí: Hello World - Recetas de aprendizaje automático # 1

Simplemente tome la clase de Machine Learning de Andrew Ng (antigua) en Coursera, o la clase de Machine Learning con Sebastian Thrun y Katie Malone en Udacity. O ambos. Esa es una forma bastante rápida de obtener una buena y sólida introducción a los conceptos básicos de Machine Learning. Luego mire el Material de la clase en el sitio http://ai.berkeley.edu y lea Inteligencia artificial: un enfoque moderno . Si lo superas, estarás bien posicionado para avanzar hacia lo que te interese.

Tenga en cuenta también que no puede divorciarse por completo de las matemáticas involucradas en el campo. Si aún no tiene experiencia en cálculo de variables múltiples, probabilidad y álgebra lineal (en su mayoría operaciones de matriz), entonces es posible que necesite mejorar esas cosas.

Puede ver el Tutorial de Machine Learning hecho por Google aquí: Hello World - Recetas de Machine Learning # 1 . Es simple y la comunicación es muy clara.

¡Seis líneas de Python son suficientes para escribir su primer programa de aprendizaje automático! En este episodio, presentaremos brevemente qué es el aprendizaje automático y por qué es importante. Luego, seguiremos una receta para el aprendizaje supervisado (una técnica para crear un clasificador a partir de ejemplos) y la codificaremos.

Hay un excelente libro en línea que ofrece una introducción completa y capacitación sobre cómo construir redes neuronales es Neural Networks and Deep Learning de Michael Nielson. En el primer capítulo usa el ejemplo de reconocer dígitos escritos a mano y repasa perceptrones, neuronas sigmoideas, redes neuronales básicas, cómo codificarlas en Python, etc. Los capítulos posteriores profundizan en los conceptos básicos de redes neuronales.

Recomendaría este libro incluso a aquellos que ya tienen experiencia con las redes neuronales. Es un gran recurso.