La mayoría de las simulaciones de robots adoptan un modelo de programación híbrido, es decir, una combinación de múltiples software y lenguajes de programación. La razón de esto es compensar la falta de lenguaje. Python es el lenguaje preferido para la inteligencia artificial, mientras que C se centra más en interfaces de hardware y conexiones de Windows, y MATLAB se centra más en cálculos de modelos matemáticos.
Si desea desarrollar un programa de simulación de máquinas, necesita aprender más sobre VC MATLAB. Sepa qué libros desea comprar. ¿Qué libros podemos elegir para estudiar?
Algoritmos de Inteligencia Artificial: La Inteligencia Artificial y sus Aplicaciones, Tercera Edición, Inteligencia Artificial e Ingeniería del Conocimiento. Creo que comprar uno de estos dos libros es suficiente; el primero parece simple y completo. En realidad, existen muchos libros de este tipo, pero la mayoría son repetitivos, por lo que puedes comprar uno o dos.
Algoritmo de visión artificial: el libro "Algoritmo y aplicación de visión artificial" habla principalmente sobre la aplicación de la visión artificial en la producción industrial. Desde el punto de vista del contenido, no es muy sencillo. No se recomienda estudiarlo como libro de texto introductorio.
Robótica: Una nueva traducción japonesa del Manual de Robótica. Quizás este sea el único libro completo y práctico sobre robots que encontré en Dangdang.com. Este libro es muy completo desde los conceptos básicos hasta las aplicaciones y algunas cuestiones prácticas en robótica. Se recomienda encarecidamente que todos compren uno.
Antes de aprender inteligencia artificial, primero debes entender que el propósito de aprender inteligencia artificial es por amor, ¿o crees que esta industria tiene futuro y luego hacerlo? En el caso de la inteligencia artificial, la informática se centra más en el establecimiento del marco de investigación teórica, mientras que la automatización se centra más en aplicaciones e implementaciones específicas.
La inteligencia artificial se puede dividir a grandes rasgos en tres niveles: aplicación, desarrollo y algoritmo. Estos tres niveles se van profundizando paulatinamente, y las tecnologías y conocimientos a dominar también son diferentes.
Si el énfasis está en las aplicaciones de IA, muchas empresas de tecnología (como Microsoft, Baidu, Alibaba, etc.) han abierto capacidades de IA en sus respectivas nubes, incluido el procesamiento de imágenes de vídeo, el reconocimiento facial y el reconocimiento de voz. , procesamiento del lenguaje natural y más. Un "granjero de código" con base en programación y experiencia en desarrollo puede dominar rápidamente la capacidad de llamar a API en la nube y agregar funciones de IA a aplicaciones tradicionales. (Por ejemplo, agregar funcionalidad de reconocimiento facial a un conjunto de software de gestión empresarial). Las aplicaciones actuales de IA basadas en la nube rara vez requieren que los programadores aprendan muchas habilidades nuevas.
Si se trata de un desarrollo personalizado de la IA, primero se debe tener una comprensión sistemática de la inteligencia artificial, incluida la historia, los principios básicos, el aprendizaje automático, el aprendizaje profundo, las redes neuronales y otros conocimientos básicos de la inteligencia artificial. El desarrollo actual de la inteligencia artificial se beneficia principalmente de los avances en la tecnología de aprendizaje profundo de la última década. Para llevar a cabo un desarrollo secundario en profundidad, debe dominar algunos marcos de aprendizaje profundo convencionales, incluidos tensor flow/Caffe/MX Net/Keras/Torch, etc. TensorFlow lanzado por Google es actualmente el marco de código abierto de IA más popular. Además, la mayoría de estos marcos admiten los lenguajes Python y C. Si no tiene mucha experiencia en C, puede aprender Python desde cero. Python es más fácil de usar que C y es compatible con los marcos de aprendizaje profundo.
Finalmente, si quieres lograr logros en los algoritmos de IA, el objetivo correspondiente debería ser convertirte en un científico de IA. La investigación teórica sobre inteligencia artificial está básicamente monopolizada por los científicos occidentales. Para lograr este objetivo, primero debemos comenzar con las materias básicas; de hecho, las materias básicas son la piedra angular de varias "tecnologías negras". La IA no es una excepción. Para convertirse en un científico de IA, debe tener una base sólida en matemáticas y estadística para poder combinar algoritmos de investigación en informática.