SolidMinus

достаточно сильное математическое образование

факультете "Программная инженерия"

Лол :D

Если много ответов переворошил, то думаю видел: https://cache-mskstoredata04.cdn.yandex.net/downlo...

Я хз, может это супер вуз типа ИТМО или еще чего-то, но я ни на одном айти факультете не видел подобной программы математики.

Учитывая тот факт, что хочешь заниматься искусственным интеллектом - добавь еще парочку НЁХ в тот список, т.к это слишком малоисследованная область.

В машинном обучении достаточно матстата, теорвера и линала.

А если хочешь изучать это:

разработка ИИ в играх, а также нейросети

То первое это даже не ИИ, там обычные алгоритмы поиска и т.д, например алго А-стар творит чудеса, если в качестве эвристики юзать метрику вероятности проигрыша.

Второе же - это просто граф, где на вершинах определены линейные сумматоры. Плюс немного матана вроде градиентов и прочей херни. Изучал по статьям на хабре. Сейчас их еще больше.

p.s сейчас активно изучаю Си и было бы большим плюсом, если именно эти знания можно применить на начале моего обучения

Не советую, слишком много деталей на которые надо будет обращать внимание. Память, выход за пределы массива, и вообще неведомая фигня с обработкой тензоров (многомерные массивы, часто 3-хмерные и 4-хмерные, иногда пяти-мерные ) - сам понимаешь, на си можно ногу сломить.

Советую питон, язык элементарный, изучается за пару дней при должном знании языков вроде си и плюсов, т.к интуитивно все будет просто, что задашь вопрос: "А ЧЕ ТАК МОЖНО БЫЛО? ЫЫЫ"

Нет, тут тоже классификация.

Multi-class classification, когда несколько типов поломки.

Посмотрите в сторону классификатора на нейронных сетях с выходным слоем softmax активацией и softmax-регрессию. Почитайте как распознают при помощи Feed-forward NN ( MLP ) набор MNIST, там та же задача, только в качестве фич - пиксели. https://www.tensorflow.org/get_started/mnist/beginners

3-й и 1-й пункт - это фича. Только нужен фич инжиниринг провести, т.к строк

ufldl.stanford.edu/tutorial/supervised/SoftmaxRegr...

По поводу безопасности я все четко описал в комментах к своей статье.

Если делать проверку биометрических признаков при помощи MLP-классификатора, то шифровать не имеет смысла, сама матрица весов нейронной сети уже будет чем-то вроде хэша, а feed-forward входного вектора через нейронную сеть - сверкой с этим хэшом. Таким образом по моему ту методу имеем N матриц весов, где N - количество пользователей, хранить вектора уже не имеет смысла.

https://habrahabr.ru/post/336198/

Кстати, удачно, всего через 5 дней после вашего вопроса. Прочтите статью, мб интересные идеи оттуда подчерпнете.

Т. Сегаран - программируем коллективный разум. Там есть некоторые методы машинного обучения. Сама книжка смесь вэба и Data Mining. Python

В этих двух книгах теория:

Питер Норвиг. Искусственный интеллект: современный подход
Книга П.С. Романов. Основы искусственного интеллекта

Библиотека scikit-learn с реализованными алгоритмами из книг выше. Python

Статья по ней на хабре: Введение в машинное обучение с помощью Python и Sc...

А также пригодится ( на более поздних этапах )
Козлов М.В., Прохоров А.В. Введение в математическую статистику. — М.: Изд-во МГУ, 1987.
Боровков А.А. Математическая статистика. Оценка параметров, проверка гипотез. — М.: Наука, 1984
Боровков А.А. Математическая статистика. Дополнительные главы. — М.: Наука, 1984.

На ранних этапах желательно знать курс теорвера и матстатики из школы. Что такое вероятность, дисперсия величины и т.д - иногда используются эти понятия. Особенно широко в генетических алгоритмах

P.S. Я сам пока учусь, список от человека, который занимается AI уже давно