物理系學生如何學習人工智慧？

11-25

題主大一升大二
數學基礎的話:
微積分，線性代數以及概率統計都可以
暑假的時候在上Andrew Ng在Coursera的機器學習覺得很有興趣
想深入自學
請問有什麼安利的教材書籍或者紀錄片或者課程視頻

題主學習完了Andrew的機器學習，如果對當前人工智慧領域最火的深度學習感興趣，那麼可以參考一下我的這個答案。

對於深度學習入門，我感覺斯坦福的CS231n Convolutional Neural Networks for Visual Recognition很適合。重心是基礎的深度學習以及在計算機視覺的應用(主要是CNN 卷積神經網路)。目前2017春季的課程還介紹了很Modern的GAN（生成對抗網路）和Deep Reinforcement Learning（深度強化學習，AlphaGo和前幾天OpenAI的DOTA AI的背後原理)。

如果對於深度學習在自然語言處理的應用有興趣，那麼斯坦福的CS224n: Natural Language Processing with Deep Learning很適合學習(裡面的深度學習演算法主要是RNN和LSTM等).

現在深度學習最廣泛應用的平台(&>50%)是Google的TensorFlow。說實話，官方的文檔不是很容易讓初學者理解，斯坦福的Tensorflow for Deep Learning Research是今年剛開的TensorFlow課。不僅講解TensorFlow這個平台，而且會手把手教你如何實現CNN和RNN。

除此之外，深度強化學習當前也很火，這方面UCL的David Silver(DeepMind研究員，AlphaGo一作)的Reinforcement Learning是很權威的。不過這個課只有理論，code部分可以使用Google Brain研究員Denny Britz的dennybritz/reinforcement-learning，他在這個repository里為UCL這門課每一個章節用TensorFlow寫了code，能夠方便大家學習(他的tensorflow code寫的很清晰易懂)。另外，medium上有個深度強化學習教程也很不錯(它用的tensorflow，我是照著這個code學習的。它包含現在很常用的一些model，所以很實用，code也很清晰)。現在伯克利和斯坦福都有了深度強化學習的課，不過focus不太一樣，感興趣的話也可以看看：CS 294 Deep Reinforcement Learning, Fall 2017， CS234: Reinforcement Learning。

如果想用中文學習的話，莫煩 Python的講義很不錯，對於TensorFlow，PyTorch，Keras這幾個常用Library，以及深度強化學習都有講解(附有code)。

另外，聽說現在吳恩達開了一門深度學習課，可以免費試用七天，題主可以試一下。

PS: 我也是物理系學生，一月底才決定轉深度學習/人工智慧方向。春季學期修了機器學習課，在深度學習方向我完整學習了Stanford CS231n和UCL Reinforcement Learning，其他幾門課都只看了一部分。目前在做深度強化學習。對於自然語言處理和GAN也都有興趣。

學弟@王昊翔說的基本差不多了。俺倒是覺得，拿AI，DL搞一搞一些簡單的物理的項目會不錯。查一下相關paper，然後看你能想出什麼題目。以問題為導向，然後再引導你去學新東西。

比如最近有一個比較有趣的方向是通過「生長失敗」的催化劑材料結構，做基於圖形的DL預測催化劑材料的真實結構。催化劑結構也是固態里比較難做的東西。

其實一開始搞出DL的一大目的也是用於研究凝聚態物理。在科學研究里，「問題」永遠是最重要的。是一切進步的基礎。

另外，雖然AI最主要的基礎是概率統計。但也有一大部分是從物理學裡來的。尤其是統計力學裡的Entrophy理論和Ising model。最近量子力學也對AI有強滲透。

修個計算機雙學位？機器學習雖然一定程度上有別於其它計算機領域在於他的很多思想來自於統計而不是經典的離散/組合數學，但是關於計算機理論（演算法）和系統的基礎對於AI也是非常重要的，否則也基本只能霧裡看花。你是學物理的，你可以類比如果不上物理一二年級基礎課直接挑門大三專業課上的感覺。不是說不行但是就很皮毛了。

人工智慧技術應用的細分領域：深度學習、計算機視覺、智能機器人、虛擬個人助理、自然語言處理—語音識別、自然語言處理—通用、實時語音翻譯、情境感知計算、手勢控制、視覺內容自動識別、推薦引擎等。
1、深度學習
深度學習作為人工智慧領域的一個應用分支，不管是從市面上公司的數量還是投資人投資喜好的角度來說，都是一重要應用領域。說到深度學習：人工智慧視頻課程_人工智慧培訓_人工智慧在線學習_人工智慧微職位培訓_人工智慧入門教程_51CTO學院_專業的IT技能學習平台，大家第一個想到的肯定是AlphaGo，通過一次又一次的學習、更新演算法，最終在人機大戰中打敗圍棋大師李世石。
2、計算機視覺
計算機視覺是指計算機從圖像中識別出物體、場景和活動的能力。計算機視覺有著廣泛的細分應用，其中包括，醫療成像分析被用來提高疾病的預測、診斷和治療；人臉識別被支付寶或者網上一些自助服務用來自動識別照片里的人物。同時在安防及監控領域，也有很多的應用……
3、語音識別
語音識別技術最通俗易懂的講法就是語音轉化為文字，並對其進行識別認知和處理。語音識別的主要應用包括醫療聽寫、語音書寫、電腦系統聲控、電話客服等。
4、虛擬個人助理
說到虛擬個人助理，可能大家腦子裡還沒有具體的概念。但是說到Siri，你肯定就能立馬明白什麼是虛擬個人助理。除了Siri之外，Windows 10的Cortana也是典型代表，人工智慧視頻馬上學習

推薦個路子。

andrew ng的deep learning入門，斯坦福cs231n進階，都是17年最新的課程，緊跟潮流。

之後推薦看hands-on machine learning with scikit-learn and tensorflow，一網打盡機器學習和深度學習兩大框架，框架在手，實現不愁。

下面就看具體做哪塊了。推薦搞kaggle接觸真實數據和優秀模型，看看自己的思路和實現方法與大神的有何不同，不會的知識點google學習，不斷進步。

建議還是先把理論知識學好。比如統計，概率，分析一類的。完了以後碼代碼能力也要提升，因為不管你用什麼框架，以後diy的部分很多，所以代碼能力一定要好。C++和python要熟練掌握。很多DL的底層演算法是用C++/C實現的，比如各種layer是怎麼實現的就要去看C++的代碼。現在主流框架都有python介面，而且python的科學計算包非常全，一定要學好。

書的話入門自然是PRML或者Elements of Statistical Learning，DL的則是Ian Goodfellow的Deep Learning，RL的話就是Sutton的教材，後面三本書都有官方免費的電子版，也可以買正版的紙質書。

現在主流的框架就是tensorflow，caffe，torch，還有國人寫的MxNet，如果你要用大數據可以考慮Intel的BigDL。具體學習就是去github上扒別人project的代碼看。比如DCGAN的torch實現，配合官方文檔以及相關paper很快就能掌握torch大概的用法。順便送一個lua的快速教程。

你要是深入學習的話還是去arxiv看paper最重要。現在人工智慧發展非常快，很多知識教科書或者教程是無法及時更新的，所以想要掌握最新知識絕對要看paper。想要自己動手的話可以先實現別人paper里的演算法或者直接參加kaggle競賽。

最後推薦一個大神的blog。裡面對DL的很多細節解釋的都很清楚，而且圖片很多，非常適合新手理解。

我覺得物理學轉機器學習是有優勢的，曾經看過一篇論文，題目大意是神經網路的熱力學解釋，我覺得是一篇很有意思的論文，雖然很多地方不太明白。建議多想想如何從物理學的方面切入，理解，你可能會有更好的發現！

我覺得比較好的路線是andrew ng的課-&>caltech machine learning course-&>cmu convex optimization-&>cmu statistical learning theory.
deep learning方面暫時不太清楚，參考高票回答.

你的標題有點讓人不太明白，你是暗指想學點和物理學有關的的人工智慧嗎？

python machine learning 或者機器學習實戰都很適合入門

我們以前作業都是編寫下棋軟體。撲克牌類的更有意思，我自己業餘時間也喜歡弄。找個網上的演算法自己做一遍。

格物窮理，如果整個世界的運作規律都清楚了，人工智慧就是道菜了。