Ein Fahrplan zum KI-Lernen bis 2024

Sie möchten also AI lernen, nicht wahr? Aber Sie sind sich nicht sicher, wo Sie anfangen oder wie Sie fortfahren sollen? Die Bedeutung der künstlichen Intelligenz (KI) wird immer deutlicher, während wir in einem möglicherweise wichtigen Moment in der Evolution der Menschheit leben. 

Darüber hinaus bringen Programme wie Bard, Midjourney und ChatGPT KI in die breite Öffentlichkeit. Aus diesem Grund sind KI als Kunst und Wissenschaft wichtiger denn je.

Zusätzlich zu den Kenntnissen und Ressourcen, die Sie benötigen, betrachten wir auch, wie Unternehmen KI im modernen Geschäftsumfeld einsetzen können.

Was ist künstliche Intelligenz (KI)?

Das Ziel des Fachgebiets der Informatik, das als künstliche Intelligenz oder KI bekannt ist, ist es, Maschinen zu entwickeln, die Aufgaben ausführen können, die normalerweise menschliche Intelligenz erfordern. 

KI ist ein großes Feld mit mehreren kleineren Unterteilungen, von denen jede spezifische Ziele und Fachgebiete hat. Besuchen Sie unseren umfassenden Leitfaden „Was ist KI?“, um mehr zu erfahren.

Einige der besten Universitäten der Welt, darunter Harvard, Google, Amazon und DeepLearning, sind Orte, an denen Sie all diese Fähigkeiten erlernen werden. KI kostenlos.

Was sind Arten von künstlicher Intelligenz?

KI wurde auf verschiedene Weise angesprochen, als sie immer mehr zum Mainstream wurde. Je nach ihren Fähigkeiten kann die künstliche Intelligenz in drei Ebenen unterteilt werden:

Heute ist die verbreitetste Art von künstlicher Intelligenz, mit der wir arbeiten, die künstlich enge Intelligenz (ANI). ANI ist dafür geschaffen, eine einzige Aufgabe auszuführen, wie z. B. Spracherkennung oder Empfehlungen auf Streaming-Diensten.

Allgemeine Künstliche Intelligenz (AGI): Eine KI, die über künstliche allgemeine Intelligenz (AGI) verfügt, kann auf menschlichem Niveau Verständnis, Lernen, Anpassen und Wissen auf eine Vielzahl von Aktivitäten anwenden. 

Künstliche Superintelligenz (ASI): Die ultimative Form der KI, ASI beschreibt einen Zustand, in dem KI letztendlich menschliche Intelligenz in fast allen gewinnbringenden Aufgaben übertreffen würde. Obwohl faszinierend, ist diese Idee immer noch größtenteils theoretisch.

Warum ist es wichtig, künstliche Intelligenz jetzt zu lernen?

Künstliche Intelligenz ist eine bahnbrechende Technologie, die die Art und Weise verändert, wie wir leben, arbeiten und interagieren. Es ist nicht nur ein Schlagwort. 

Die Nachfrage nach KI-Spezialisten wird voraussichtlich steigen, da immer mehr Unternehmen KI-Technologien nutzen, um Entscheidungen zu verbessern und Betriebsabläufe zu optimieren.

Das erwartete Wachstum des KI-Marktes von 2021 bis 2030 unterstreicht diese Prognose noch weiter.

KI ist ein lukratives Feld

Natürlich führt die erhöhte Nachfrage nach KI-Fachwissen zu wettbewerbsfähigen Gehältern. Laut Daten von Glassdoor beträgt das durchschnittliche Jahresgehalt für einen KI-Ingenieur in den Vereinigten Staaten im November 2023 153.719 US-Dollar, mit der Möglichkeit von Anreizen und Gewinnbeteiligungen.

Das durchschnittliche Jahresgehalt für Maschinenlerningenieure und Datenwissenschaftler beträgt 151.158 US-Dollar bzw. 178.515 US-Dollar. Der Wert und Einfluss von KI-Fähigkeiten auf dem Arbeitsmarkt spiegeln sich in dieser finanziellen Vergütung wider.

Künstliche Intelligenz ist schwer zu verstehen

Es gibt mehr an der künstlichen Intelligenz als nur gut bezahlte Berufe und hohe Marktnachfrage. In diesem Bereich erwarten Sie faszinierende Herausforderungen, die auch intellektuell anregend sind. 

Es beinhaltet das Erstellen von Modellen, die menschliche Intelligenz nachahmen, das Entwickeln von Methoden zur Lösung komplexer Probleme und die Schaffung innovativer Anwendungen.

KI-Experten lernen, entwickeln sich weiter und passen sich an. Da sich das Thema ständig verändert, gibt es immer neue Konzepte zu lernen, Probleme zu lösen und Rahmenbedingungen zu verbessern. 

Wie viel Zeit ist nötig, um KI zu lernen?

• In den kommenden Jahren wird es eine enorme Nachfrage nach KI-Spezialisten geben.

• Neue Rollen wie Prompt-Ingenieur, KI-Berater und KI-Ingenieur werden entstehen, wenn Unternehmen beginnen, KI-Modelle in ihre Abläufe zu integrieren.

• Dies sind gut bezahlte Berufe, mit einem durchschnittlichen Jahreseinkommen von 136.000 bis 375.000 US-Dollar.

• Darüber hinaus gab es noch nie einen besseren Zeitpunkt, in die Arbeitswelt mit KI-Fachwissen einzusteigen, da dieses Feld erst jetzt an breiterer Bekanntheit gewinnt.

• Aber das Feld der künstlichen Intelligenz hat viel zu viel zu lernen.

• Es kann unmöglich erscheinen, mit diesen Veränderungen Schritt zu halten und neue Technologien in solch einem schnellen Tempo zu erlernen, wenn es fast täglich neue Entwicklungen in der Branche gibt.

• Glücklicherweise sind Sie dazu nicht verpflichtet.

• Der Einstieg in das Feld der künstlichen Intelligenz erfordert nicht, dass Sie jedes neue Technologie wissen.

• Alles, was Sie wissen müssen, um KI-Lösungen für jeden Anwendungsfall zu erstellen, ist ein grundlegendes Verständnis einiger Prinzipien.

• Einige der besten Universitäten der Welt, darunter Harvard, Google, Amazon und DeepLearning, sind Orte, an denen Sie all diese Fähigkeiten erlernen werden. KI kostenlos.

Wie wird KI 2024 von Grund auf gelernt?

Mathematik

Die grundlegenden Konzepte der KI-Algorithmen umfassen Statistik, Analysis, Wahrscheinlichkeit und lineare Algebra.

Quellen: Weights & Biases-Based Math for Machine Learning (code) Fast.AI's Computational Linear Algebra (video, code) Eine Übersicht über lineare Algebra für die Nutzung von Python im angewandten maschinellen Lernen Vorlesungen am Imperial College London über multivariate Analysis und lineare Algebra 3Blue1Brown: Grundlagen der Analysis Statistik und lineare Algebra von StatQuest

Werkzeuge

Python:

Erlernen Sie neue Fähigkeiten oder die Grundlagen. Quellen: Praktisches Python-Coding Meisterschaft Fortgeschrittenes Python von David Beazley Vorträge von James Powell Buch: Zweite Auflage von Fluent Python (code) Podcasts: Talk & Real Python

PyTorch:

Ein Rahmenwerk für Deep Learning. Quellen: PyTorch-Tutorials von Aladdin Persson Offizielle Tutorials & Beispiele für PyTorch Übung: Tensor/srush Rätsel Buch: Deep Learning mit PyTorch Programmierung

Maschinenlernen

Erstellen Sie etwas von Grund auf.

Schreiben Sie die Algorithmen von Grund auf, während Sie lesen.

• Erstellen Sie Algorithmen von Grund auf. Quellen: Repositorien: ML-From-Scratch und eriklindernoren Aaron T. Leb/hausgemachtes maschinelles Lernen und Jeremy Nixon/oracle Ein Do-it-Yourself-Kurs für Machine Learning Engineering, MiniTorch (Videos, Code)

Treffen Sie sich zu ML-Wettbewerben auf Bitgrit, Kaggle und anderen Plattformen.

• Übernehmen Sie sekundäre Projekte: Erstellen Sie ein Modell und implementieren Sie es dann. Ressourcen: Vicki Boykis' earthaccess (NASA Earth-Daten) streamlit (Benutzeroberfläche erstellen) maschinelles Lernen in der Produktion.

• Installieren Sie Modelle und überwachen Sie Experimente: Quellen: ML-Made ZoomCamp/DataTalksClub: Kostenloser MLOps-Kurs chiphuyen/design von maschinellen Lernsystemen Offensichtlich, 300 Fallstudien zu KI—MML-Systemdesign ml-engineering/stas00.

Setzen Sie sie ein:

Beginnen Sie mit der Produktion der Modelle. Halten Sie Aufzeichnungen über Ihre Experimente. Lernen Sie über die Überwachung von Modellen. Sammeln Sie praktische Erfahrung mit Daten- und Modell-Abweichungen.

Dies sind einige erstklassige Ressourcen.

• Made With ML

• DataTalksClub/mlops-zoomcamp: Kostenloser MLOps-Kurs

• chiphuyen/machine-learning-systems-design

Tiefes Lernen

Um von oben nach unten zu gelangen, beginnen Sie mit fast.aI.

Bücher: 

• Erforschen Sie tiefes Lernen mit Code mit PyTorch, NumPy/MXNet, Java und TensorFlow Ian Goodfellow, Yoshua Bengio und Aaron Courville's Buch „Deep Learning“ Verständliches tiefes Lernen mit Notizbüchern Artikel aus The Little Book of Deep Learning: Eine Formel für das Training von neuronalen Netzwerken vor 33 Jahren und 33 Jahren für tiefe neuronale Netze

• Nehmen Sie an der PlantTraits2024 FGVC11 (Computer Vision) Deep Learning-Herausforderung auf Kaggle teil.

• Verwenden Sie LabML.AI, um Forschungspapiere umzusetzen. Implementierungen von annotierten PyTorch-Papieren, Code-exponierten Papieren (z. B. BERT erklärt).

Nehmen Sie an mehr Wettbewerben teil:

PlantTraits2024—FFGVC11 | Kaggle (Computer Vision)

Zusätzlich:

Transformers Book: Verarbeitung natürlicher Sprache mit

Großen Sprachmodellen (LLMs): 

Gehen Sie durch Papiere und sehen Sie sich Videos an 

[Ein-Stunden-Gespräch] Andrejs Einführung in große Sprachmodelle GPT in 60 Zeilen NumPy | Jay Mody—BBig Language Models in Five Formulas von Alexander Rush—CCornell Tech Neuronale Netzwerke: Zero to Hero von Andrej Karpathy

Präsentation des kostenlosen LLM-Bootcamps von Full Stack Deep Learning

Erstellen Sie LLM-Apps mit Andrew Ng's Buch „Anwendungsentwicklung mit großen Sprachmodellen: LLM-Apps für Huys Produktion erstellen. Eugene Yans Chip Patterns für die Entwicklung von LLM-basierten Systemen und Produkten

Lesen Sie Huys Chips Building LLM Apps for Manufacturing.

Darüber hinaus Eugene Yans Patterns für die Entwicklung von LLM-basierten Systemen und Produkten.

Schreiben Sie Transformer von Grund auf

Für eine Zusammenfassung lesen Sie The Transformer Family Version 2.0 | Lil'Log.

Wählen Sie Ihr bevorzugtes Format und erstellen Sie es von Grund auf.

RAG:

Ein hervorragendes Werk von Anyscale: Entwicklung von RAG-basierten LLM-Anwendungen für die Fertigung

Eine eingehende Analyse von Aman Chadhas retrieval-augmented generation

Fazit

Das Lernen künstlicher Intelligenz (KI) ist ein lohnendes Unterfangen, das zu einer Welt fortschrittlicher Technologien und faszinierender Jobperspektiven führt. Dieser Ansatz liefert Informationen und Fähigkeiten, die über Vorlesungen und Veröffentlichungen hinausgehen.

Es beinhaltet einen dynamischen Zyklus von Anwendung, Experimentierung, Lernen und Verbesserung. Ein praktischer Ansatz beschleunigt das Lernen und fördert kritisches Denken, Kreativität und Problemlösungsfähigkeiten. Dies gilt insbesondere für Kurse und KI-Projekte.