强化学习科研入门路线
先从深度学习开始
想学好强化学习,必要的深度学习基础是不可或缺的,好比盖楼打地基,如果说机器学习是地基,深度学习是钢筋混凝土等支柱,那么,强化学习无疑就是在这些基础上的上层建筑,成熟的强化学习模型,可以在瞬息万变的环境中自主地做出合理的决策,像人一样思考,而非只是仅仅通过一对一的 input和output,端到端地把题目做出来。不必急于求成,路都是一步一个脚印走好的,一个伟大的万能的决策者,不也是从简单的做题开始的吗,机器学习基础固然重要,时间有限,我们不妨从深度学习开始。
人工智能入门(速速过一遍)
笔者的建议是:这些库懂得用就行(好比你知道哆啦A梦有哪些道具,你找他取就是),不用像考试一样背下来,不现实,要用的时候忘记了懂得问gpt,然后可以自己用pytorch搭建那些基础的网络,cnn或rnn等加深对代码和网络的理解
- Python编程
- Numpy矩阵运算
- Pandas数据科学库
- Matplotlib
- 线性代数
机器学习核心技术(目前可不学)
深度学习核心技术(必学)
- 人工神经网络
- 感知机
- 损失函数
- 激活函数
- 全连接层
- DropOut
- 优化方法及正则化
- BP神经网络
- 正向计算
- 链式法则
- 权重更新
- Back Propagation
- 梯度消失/爆炸
- Batch Normalization
- CNN卷积神经网络
- 局部感受野
- 权值共享
- 卷积层
- 池化层
- RNN循环神经网络
- 梯度裁剪
- 双向长短时记忆网络(BiLSTM)
- 长短时记忆网络(LSTM)
- 门控神经网络(GRU)
- Pytorch(学会看源码哦!)
- 定义损失函数
- 自动微分功能
- 定义优化器
- *定义模型结构
选修部分
(学到这边,其实就可以开始强化学习之旅了,这里按需学习,可以做科研地时候遇到再学)
- Transfomer原理(当今的大热门,对gpt感兴趣的可以看看)
- 编码器
- 解码器
- 注意力机制
- 语言模型
- 模型超参数
- 模型验证
- RNN及变体
- 传统RNN
- LSTM
- Bi-LSTM
- GRU
- Bi-GRU
- Seq2Seq
挑战者部分
笔者与深度学习的渊源在于大一上学期期末,1月份报名的中国大学生服务外包创新创业大赛,主打一个以赛促学,当时笔者只有一点Java基础,不会python,也没有深度学习基础,通过边学边做题的方式,大约历时一个半月(45-50天时间)的时间完成了服创A01基于文心大模型的智能阅卷平台设计与开发赛题,并取得了东部赛区三等奖,最重要的是,这样一段经历加深了我对AI的了解,增强了在这个领域走下去的兴趣与动力,有兴趣有时间的朋友,可以试试用所学知识大概把框架设计出来(比如说实现思路),我觉得这就很厉害了,当然如果能把python完全实现出来,那么真的会是一件很棒的事情
整体背景
在当前大语言模型(LLM)快速发展的技术背景下,教育领域正在经历着重大的变革。在试卷评阅场景中,教师对自动化和智能化的评阅需求逐渐凸显。因此,设计一个自动评阅平台,结合计算机视觉的图像分析和大语言模型的语
义理解与生成能力,有望提高试卷评阅的效率、准确性和评阅维度丰富性。