※本記事はANALYTIXLABS（Akancha Tripathi）執筆の下記の記事をAI小熊の独自解釈で要約したものです。
https://www.analytixlabs.co.in/blog/how-to-learn-ai-and-machine-learning-tools-by-yourself/
今回の英文の読解レベルは、TOEICスコア：約900〜950程度が目安だよ。
- The global artificial intelligence (AI) market is expected to grow at a CAGR of 38.1% from 2022 to 2030.
- AI aims to develop machines that mimic human behavior and accomplish challenging tasks.
- The rising popularity of AI and its use in everyday applications has made it a lucrative career prospect for IT professionals, students, and anyone interested in advanced technologies.
- In this guide, we take you through each stage of how to learn AI and machine learning by yourself.
- We will also look at the prerequisites for learning machine learning and AI.
・グローバル人工知能（AI）市場は、2022年から2030年にかけて年平均成長率（CAGR）が38.1％で成長する ・見込みである。 ・AIは、人間の行動をミラーリングするマシンの開発を目指している。 ・AIの人気の高まりと日常的なアプリケーションでの使用により、それは収益性の高いキャリアの見通しとなっている。 ・このガイドでは、AIと機械学習を自己学習する方法の各段階について説明する。 ・機械学習を学ぶための前提条件と、AIを学ぶための前提条件についても説明する。
What is Artificial Intelligence?
Vertical AI and Horizontal AI are the two broad categories of AI:
Vertical AI;
- A vertical AI service addresses a specific consumer demand by creating an AI-based solution and controlling the entire workflow.
- This type of service focuses on solving issues for a particular type of customer and being a part of a specific industry.
Horizontal AI;
- Horizontal AI services are typically very science-oriented and often involve academics working on a single, fundamental issue.
- These services assist a variety of sectors and are exemplified by products like Apple’s Siri or Amazon’s Alexa.
- They are typically developed from funded research initiatives for academic institutions, the military, or businesses that innovate in fundamental sciences.
AIとはなにか AIには、Vertical AIとHorizontal AIの2つの大きなカテゴリがある。 「人工知能のカテゴリ」 Vertical AIとは; Vertical AIサービスは、AIベースのソリューションを作成し、特定の消費者の需要に対応するためにワークフロー全体を制御する。特定のタイプの顧客の問題を解決し、特定の業界の一端を担うことを含む。 Horizontal AIとは; Horizontal AIサービスは様々な分野を支援しながら単一の基本的な問題に取り組んでいる。例えば、AppleのSiriやAmazonのAlexaなどである。これらは通常、基礎科学を革新するためにビジネス、軍事、または学術機関で資金提供された研究プロジェクトから開発されている。
How to Self-Study Artificial Intelligence
Step1.Prepare a Roadmap
- When starting to research prerequisites for learning AI, you’ll learn about important mathematical principles.
- Understanding these principles will allow you to build models later on in your career and enhance your overall comprehension of how algorithms work.
- Linear algebra, multivariate calculus, and statistics are especially crucial for grasping the theory behind machine learning, the most popular AI technique today.
ロードマップを準備する ・AIを学ぶための前提条件について調べ始めると、理解する必要がある重要な数学的原理があることがわかる。 ・これらの原理を理解することで、将来のキャリアでモデルを構築することができるようになり、アルゴリズムがどのように機能するかを全般的に理解することができる。 ・特に、線形代数、多変量微積分、統計学は、現在最も一般的なAI技術である機械学習の理論を理解するために不可欠である。
Step2.Brush Up Your Mathematics
- Mathematics is the foundation of AI because it provides a way to implement how goals can be achieved.
- Linear algebra plays a significant role in machine learning, as vectors and matrices are used extensively in both the data structure and algorithms.
- Multivariate calculus is crucial for calculating the impact of each input on the output in AI. It provides the ideal tools for investigating connections between functions and inputs, and gradients and derivatives are also beneficial in machine learning.
- Probability and statistics analyze the frequency of previous occurrences, with probability estimating the likelihood of future events. Both are important in AI.
- Most of the necessary information can be found online for free, and studying for two to three months can provide sufficient background to approach machine learning.
数学の基礎力をアップする ・AIの基盤は数学であり、目標を達成する方法を実装する手段を提供する。 ・線形代数は、機械学習において、データ構造からアルゴリズムの核まで広く使用されるため、重要な役割を果たす。 ・多変量微積分は、人工知能（AI）において、各入力が出力に与える影響を計算する。多変量微積分は、関数と入力の関連性を調査するための理想的なツールを提供し、勾配や導関数も機械学習において有用である。 ・確率と統計は、両方とも過去の出現頻度を分析し、確率は将来のイベントの可能性を推定するために役立つ。 ・必要な情報の大部分は無料でオンラインで入手でき、2〜3か月の勉強で機械学習に取り組むために十分な背景を得ることができる。
Step3.Invest in a Machine Learning Course
- Once you have a sufficient understanding of mathematics, enroll in a machine learning course to learn how math is applied and how to build machine learning models.
- It’s also important to understand how standard algorithms work.
- Taking a course will enable you to create models on your own. There are many online courses available on platforms such as AnalytixLabs.
- Once you are confident in your machine learning skills, you can practice them in Python and participate in contests.
Machine Learningコースに投資する ・数学の十分な知識を得たら、機械学習コースに参加して、数学がどのように適用され、機械学習モデルがどのように構築されるかを学ぶことが重要。 ・標準的なアルゴリズムがどのように動作するかを理解することも重要。 ・コースを受講することは独自にモデルを作成できるようになる選択肢である。AnalytixLabsなどのプラットフォームでオンラインコースが豊富に提供されている。 ・機械学習のスキルに自信がついたら、Pythonで実践し、コンテストに参加することができる。
Step4.Upskill with a Deep Learning Course
- Deep learning is a branch of artificial intelligence that has emerged from machine learning.
- It is based on networks of artificial neurons modeled after the human brain.
- These networks consist of tens to hundreds of “layers” of neurons, each receiving and processing data from the preceding layer.
- By accumulating more straightforward tasks layer-by-layer, a model may learn complex tasks.
- To learn more about and understand how deep learning works, it is important to take a deep learning course.
ディープラーニングのコースでスキルアップ ・ディープラーニングは、機械学習から派生した人工知能の一分野 ・人間の脳をモデル化した人工ニューロンのネットワークに基づいている ・これらのネットワークは、それぞれ前の層からデータを受け取り、処理する何十から何百もの「層」のニューロンから構成されている ・層を重ねることで、モデルは単純なタスクを蓄積し、複雑なタスクを学習することができる ・ディープラーニングの仕組みをより理解するために、ディープラーニングのコースを受講することが大切
Step5.Implement Your Learning
- Having a solid theoretical knowledge is great, but it’s not enough.
- The final step of this guide is to create a project from start to finish to demonstrate technical proficiency and gain experience by making a lot of rookie mistakes before pursuing a job in the field.
- you need to research and develop a specific idea for your project, start writing code for it, make plenty of mistakes, and learn from them.
学んだことを実践する ・堅固な理論的知識を持つことは素晴らしいことですが、それだけでは不十分 ・このガイドの最後のステップは、技術的な熟練度を証明し、エリアでの仕事を追求する前に、初心者の間違いをたくさんして経験を集めるために、最初から最後までプロジェクトを作成すること ・特定のアイデアを研究し、プロジェクトのためのコードを書き始め、たくさんの間違いをしてから学ぶ必要がある
後編に続く