Tomas Heed

Författare • Musiker • Entreprenör

Hur jag ska bli en specialist inom AI

Nu har jag bestämt mig för att bli en specialist inom AI. Frågan man ställer sig är lika självklar som svårbesvarad. Exakt Hur blir man en specialist inom AI?

10’000 timmar

Gårdagens inlägg där jag konstaterade att vi måste satsa mer på Artificiell Intelligens gick inte omärkt förbi. Min mailkorg formligen exploderade med frågor. Jag deklarerade ju högaktningsfullt att jag “..tänker gå den långa vägen och lära mig artificiell intelligens från grunden [genom] matematik, programmering och ihärdighet”. 

Snälla Tomas, berätta mer! Hur ska du gå tillväga?

Nej, så var det kanske inte. Jag fick lite respons på LinkedIn där jag postade inlägget. Mer var det inte. Däremot kanske du har kommit till den här sidan för att få svar på frågan? Hur gör man för att bli en specialist inom AI? Det är som allt annat. Man behöver bara träna.

Enligt en gammal känd devis kan man bli bra på vad som helst om man bara ger det 10’000 timmar. Det betyder att om du jobbar heltid med någonting så blir du expert på det efter runt 5 år och 8 månader. Ja, det bygger på att du skippar fikarasterna och de möten där du inte lär dig någonting. Om man istället bara lägger en timme per dag på att lära sig någonting tar det längre tid. Om man inte fuskar ens på nyårsafton tar det 27 år och 5 månader att få ihop 10’000 timmar med en timmes arbetsinsats per dag. I gårdagens blogginlägg sade jag ju att det var för sent att göra någonting om 20 år, så den lösningen fungerar alltså inte för mig.

Det betyder att jag behöver jobba med AI för att nå mitt mål.

Planen

Problemet med att börja arbeta med någonting är att man förväntas kunna det man ska arbeta med innan man börjar. Förr i tiden kunde man gå den långa vägen via lärling och gesäll innan man blev en mästare. Man gick lärling hos en mästare utan betalning under ett par tre år. Sedan fick man avlägga ett gesällprov, och om man visade sig vara skicklig nog blev man antagen som gesäll. I den rollen kunde man sedan resa runt till olika mästare (jfr engelskans journeyman) innan man avlade sitt mästarprov och förhoppningsvis blev mästare själv. Visserligen finns lärlingstanken kvar inom vissa yrken, men inom IT är det mer ovanligt. Istället får man använda Internet som mästare och Google som ciceron.

För att bli en specialist inom AI bör man behärska Matematik. Mer bestämt är det Algebra och matrisberäkning som är nyckeln till mycket av beräkningarna inom neurala nätverk. En bra sak med detta är att jag har typ 60 högskolepoäng matte. En dålig sak är att jag har glömt det mesta av det jag lärde mig.

Man bör också ha bra koll på forskning och de verktyg som redan finns tillgängliga inom AI. Här skulle man ju helst vilja ha en teoretisk bok som tog upp alla aspekter inom ämnet.

Slutligen bör man faktiskt använda sig av funktionerna. Teori tar en bara en bit på vägen. Det är praktiken som gör en till en mästare. Det finns en uppsjö med verktyg på marknaden idag. Man borde kanske välja ut ett av dem och lära sig det riktigt bra?

Genomförandet

Jag har delat upp min studieplan i tre delar.

Matematik

Jag frågade Google om den bästa boken för Linjär Algebra. Google svarade att bland de svenska böckerna så är det Gunnar Sparrs bok “Linjär Algebra” eller Hillevi Gavels bok “Grundläggande Linjär Algebra” som är att föredra. Ett par recensioner senare bestämde jag mig för den sistnämnda.

“Förmodigen den bästa bok om linjär algebra som någonsin skrivits. Istället för att pompöst formalisera innehållet strävar författaren efter att belysa innehållet intuitivt på ett alldeles ypperligt sätt. Makalös!”

Jag har nu arbetat mig igenom runt 70 procent av boken och jag tycker den är bra. Hillevi har den där lite torra universitetshumorn och förklarar bra. Jag återkommer med en fullständig recension senare.

Grundläggande linhär algebra - Hillevi Gavel

Teori

Som Teori-bok hittade jag på många olika vägar fram till “Deep Learning Book” av Ian Goodfellow, Yoshua Bengio and Aaron Courville. Den beskrivs som en fullständigt teoretisk bok för en akademisk publik. Den är också lite tungläst på sina ställen. Många matematiska formler och ibland hänger man inte riktigt med. Däremot lär man sig mycket av boken. Den finns förresten att läsa i sin helhet online. Bra för den som är snål!

Här har jag snart också nått 70 procent, om man räknar bort referenserna som finns från sidan 700 till sidan 800 i boken. Jag återkommer med en fullständig recension senare.

Deep Learning - Ian Goodfellow

Praktik

Jag bestämde mig för att använda mig av Python som programmeringsspråk för mina AI-studier. Jag har inte jobbat så mycket med Python tidigare, men det tycks vara ett av de bättre alternativen för Deep Learning. Den bok jag tyckte verkade vara mest lovande av dem jag hittade var den från Francois Chollet på Google. “Deep Learning with Python” heter den.

Boken tar upp praktiska exempel på hur man kan använda AI för bildigenkänning, texter och sekvensanalys. Det är en ganska bra bok som är lämplig att ha i sin hand medan man programmerar. Här är jag kanske 60 procent färdig.

Deep Learning With Python - Francois Chollet

Det roliga med de här tre böckerna är att de hela tiden går in i varandra. Jag har flera gånger stött på termer i en av böckerna som jag läste om bara kvällen innan i en av de andra. Det är roligt att lära sig.

Filmtajm

Slutligen har jag också börjat en gratis online-kurs på Coursera som heter Machine Learning. Det är en Stanford-kurs online med Andrew Ng som kursledare. Världens bästa efternamn. Här går Andrew igenom samma saker som jag har läst i de andra böckerna och förklarar allting på ett pedagogiskt sätt. Det är inte så tokigt att gå igenom allting med rörlig bild. Poletten trillar liksom ner.

Kursen har en del praktiska moment också där man ska använda sig av Octave eller Matlab för att lämna in uppgifter. Octave och Matlab är matematikprogram. Det förra är gratis och det senare är tokdyrt. Man lämnar in uppgifterna genom att anropa en funktion i programmen och får direkt veta om man blir godkänd. Misslyckas man så får man lämna in uppgifterna igen hur många gånger som helst.

Kursen är från 2011, så den är inte dagsfärsk. Om jag förstår “Deep Learning Book” rätt så händer det inte så fruktansvärt mycket på algoritm-nivå inom AI. Därför är denna kursen ändå synnerligen aktuell. Jag kan verkligen rekommendera den.

Andrew Ng håller också på att skriva på en bok. “Machine Learning Yearning” som man kan få läsa gratis medan den skrivs. Det blir nog nästa bok på min lista.

Och sedan då…?

Nästa vecka ska jag börja med ett programmeringsprojekt där jag ska omsätta allting jag har lärt mig till någonting riktig. Ett gesällprov, kan man säga. Vad det kommer att handla om får ni se om ett par dagar.

3 Kommentarer

  1. Lycka till!

  2. Barbro Olsson

    2018-11-06 at 20:47

    Bra jobbat!

Kommentera

Din e-postadress kommer inte att publiceras.

*

Denna webbplats använder Akismet för att minska skräppost. Lär dig hur din kommentardata bearbetas.

© 2018 Tomas Heed Litteratur