Fontes sobre teoria, filosofia, ferramentas e aplicações de IA [fechado]

Sou engenheiro de software / hardware há muitos anos. No entanto, não sei nada sobre IA e aprendizado de máquina. Tenho uma sólida formação em processamento de sinais digitais e várias linguagens de programação (como C, C ++ ou Swift)

Existem fontes (por exemplo, livros ou guias) que ensinam a teoria e a filosofia da IA ​​desde o início e, em seguida, são apresentados exemplos de aplicativos da vida real, ferramentas atuais, exemplos que você pode executar etc.?

Portanto, não estou procurando fontes muito acadêmicas ou estatísticas.

Se você deseja um livro básico muito simples sobre redes neurais e não exatamente o Machine Learning, tente:

• Redes neurais para ciências e engenharia aplicada: dos fundamentos ao reconhecimento de padrões complexos por Sandhya Samarasinghe
• Fundamentos de redes neurais: arquiteturas, algoritmos e aplicativos por Laurene V. Fausett

Estes 2 são livros básicos e muito simples que começam do zero e mostram cálculos à mão em exemplos simples. Também são livros baseados em aplicativos da vida real.

Se você deseja fortalecer sua teoria e aprender de forma abrangente sobre o Machine Learning, especialmente para o reconhecimento de padrões, o melhor livro de longe é:

• Reconhecimento de padrões e aprendizado de máquina por CM Bishop

Este livro requer conhecimentos matemáticos sólidos, especialmente no campo da teoria das probabilidades, álgebra linear e cálculo.

Dois outros livros muito teóricos sobre redes neurais são:

• Redes neurais: uma fundação abrangente por Simon Haykin
• Uma introdução às redes neurais de James A. Anderson se você estiver interessado no aspecto biológico das redes neurais.

Da minha experiência, estes são os melhores livros introdutórios. Além disso, você pode conferir vários OCW executados pelo edx.org, como o Machine Learning para Data Science e um curso altamente recomendado em coursera.org, ministrado pelo professor Andrew Ng Machine Learning da Stanford University

Eu também sugeriria que você aprendesse Python ou R, pois é usado principalmente para Machine Learning devido aos seus poderosos pacotes científicos. O Python é muito fácil de aprender e implementar programas em comparação com o C / C ++.

Edit: Esqueceu este livro. Embora, um pouco avançado, alguns usuários possam achar fácil:

• Deep Learning (séries de Computação Adaptativa e Aprendizado de Máquina) de Ian Goodfellow

Você pode assistir ao Tutorial de aprendizado de máquina feito pelo Google. É simples e a comunicação é muito clara. Em 6 vídeos, você pode ter uma boa experiência no Machine Learning.

Aqui: Olá Mundo - Receitas de aprendizado de máquina # 1

Basta assistir à (antiga) aula de Machine Learning de Andrew Ng no Coursera, ou a aula de Machine Learning com Sebastian Thrun e Katie Malone na Udacity. Ou ambos. Essa é uma maneira bastante rápida de obter uma introdução boa e sólida ao básico do Machine Learning. Em seguida, consulte o Material da turma no site http://ai.berkeley.edu e leia Inteligência Artificial - Uma Abordagem Moderna . Se você passar por isso, estará bem posicionado para seguir o que for do seu interesse.

Lembre-se também de que você não pode se divorciar completamente da matemática envolvida no campo. Se você ainda não possui experiência em cálculo multivariável, probabilidade e álgebra linear (principalmente operações de matriz), talvez seja necessário aprofundar essas coisas.

Você pode assistir ao Tutorial de aprendizado de máquina feito pelo Google aqui: Hello World - Receitas de aprendizado de máquina # 1 . É simples e a comunicação é muito clara.

Seis linhas de Python são suficientes para escrever seu primeiro programa de aprendizado de máquina! Neste episódio, apresentaremos brevemente o que é aprendizado de máquina e por que é importante. Em seguida, seguiremos uma receita para o aprendizado supervisionado (uma técnica para criar um classificador a partir de exemplos) e codificaremos isso.

Existe um excelente livro on-line que fornece uma introdução completa e o treinamento sobre como construir redes neurais é o Neural Networks and Deep Learning de Michael Nielson. No primeiro capítulo, ele usa o exemplo de reconhecimento de dígitos manuscritos e repassa perceptrons, neurônios sigmóides, redes neurais básicas, como codificá-las em Python, etc. Os capítulos posteriores se aprofundam nos conceitos básicos de redes neurais.

Eu recomendaria este livro mesmo para aqueles que já têm experiência com redes neurais. É um ótimo recurso.