人工智能怎么学?（人工智能该如何学习？详细的AI学习路线与资料推荐）
原文链接：告别无用功|人工智能该如何学习
大家好 ，我是泰哥 。
本文可谓是千呼万唤使出来 ，很多同学问我 ，AI方向的知识多而杂 ，哪些该重点学习？学习路径又是怎么样的呢？
今天 ，我将自己的学习路径及我所参考的资料全部免费分享出来 ，愿大家的AI学习进阶之路上多一些“温度 ” 。
学习途径
在我学习人工智能的过程中 ，主要有以下两个途径：
首先是B站 。我将所有知识点所推荐的视频链接直接贴设为了超链接 ，点击可直达教程 。 第二是书籍 。视频的讲解难免会不全面 ，很多时候我们需要翻阅书籍对知识进行查漏补缺 、透彻理解 。本文提及所有书籍在文末可免费获取电子版 。AI知识大纲
AI知识大体可以分为5个模块 ，接下来我会依次介绍每个模块的学习路径 ，最后给大家推荐几个我入门时做过的项目 ，帮助大家快速入门人工智能 。
一 、Python编程基础
在AI领域 ，目前大部分程序员都使用Python作为第一语言 。
学会上述操作后就入门了 ，但一定要将基础部分的内容掌握扎实 。进阶操作在前期不着急学习 ，可以在日后使用过程中逐渐精通 ，比如函数式编程 、多线程使用 、异常处理与日志管理等等 。网络资源推荐
黑马Python教程 ：将Python基础讲的非常详细 ，可以轻松入门 ，建议新手从P116开始学习 。书籍推荐
这里给大家推荐两本学习Python必备书籍 。《Python编程》中每个知识点下都有对应示例 ，非常直观 。入门后 ，《流畅的Python》可以帮你精通Python ，完成从小白到大神的进阶 。
原文链接：告别无用功|人工智能该如何学习
二 、数学基础
很多同学看到数学就头疼 ，其实模型通用的基本数学原理并不难 ，难的公式在之后的模型中遇见时再逐个击破即可 。
切记前期不要深陷到数学知识中去深挖！！
高数
首先大家不要惧怕数学 。在遇到我们不会的数学公式时 ，我们要更多的思考这个公式能解决什么问题 ，而不是一直纠结公式的推导与计算 。
比如梯度下降和反向传播的根本原理就是求导 ，全局最优解就是极值点 ，所以最优解一定在导数的某一个拐点处 ，类似的很多知识都是高中就学过的 。
线代
在深度学习中 ，线代最重要的应用就是高维数据相乘运算 ，可以大大提升运算速度 。
首先要明白矩阵各维度所代表的意义 其次清楚矩阵的运算规则概率论
概率论的知识在AI体系中看似不那么重要 ，但却无处不在 。从数据预处理 、建模 、模型参数初始化及归一化 ，到最后的结果分析都与概率论息息相关 。
常用指标很多是大家耳熟能详的 ，比如均值 、方差 。如果你之前没有很强的概率论功底 ，建议你掌握常用知识后 ，在实际中遇到不懂的问题时要养成查阅的习惯 。这部分知识不会太难 ，但是对理解模型与过程十分的重要：
比如为什么树模型一般不需要进行数据归一化？ 而逻辑回归 、神经网络 、PCA中就必须进行数据归一化？网络资源推荐
人工智能必备数学基础全套课程：此课程将高数 、概率论 、线代知识进行浓缩 ，针对人工智能领域开发的数学综合课程 ，都是入门必备和模型中常见的数学知识 。
网易可汗学院统计学公开课：统计学入门课程 ，涵盖统计学所有的主要知识 。
书籍推荐
这里推荐的是3本经典教材与1本我个人非常喜欢的《数学之美》 。3本教材书无需多述 ，《数学之美》把抽象 、深奥的数学方法解释得通俗易懂 ，非常精彩 ，很多模型原理都可以在其中找到你想要的回答 。
原文链接：告别无用功|人工智能该如何学习
三 、数据分析
在具备一定的编程能力与数学功底后 ，我们就可以对实际问题进行分析与挖掘 。
爬虫
很多同学问算法工程师需要学爬虫吗？我的回答是：算法的重点在于建模 ，算法工程师掌握基本爬虫知识就好 ，因为单位一般都有专门的采集工程师 。
但是数据分析师一定需要学 。因为数据分析师需要具备自主获取数据的能力 ，从而进行数据分析 。
必备三剑客
不论你做数分还是算法 ，Numpy 、Pandas和Matplotlib都是必须掌握的 。但这部分内容很杂 ，没必要进行系统学习 ，就好像Excel中的函数一样 。
网络资源推荐
【莫烦】Numpy&Pandas ：此视频一共只有3小时 ，但是可以以最快的速度了解三剑客的基本使用 。
Numpy中文官方网站
Pandas中文官方网站
Matplotlib中文官方网站
大家可以网上找一些常用方法多浏览浏览 ，脑子里留个印象就行 ，在实际使用的时候再去查具体怎么用 。就算没印象 ，我也建议大家在实际使用时先去官网上查有没有对应的内置方法 ，如果没有再自己写函数实现 。
后续我也会总结三剑客的高频使用方法 。
原文链接：告别无用功|人工智能该如何学习
四 、机器学习
从机器学习开始就正式进入到了人工智能的领域 。ML涉及的算法都是白盒算法 ，使用可解释的数学公式去拟合数据 、学习参数然后进行预测 ，最后对模型进行评估 。
这部分的知识需要大家从数据处理过程开始就多进行总结与反思：
数据清洗过程与特征工程是怎么做的？为什么会最终选用这些方法？ 文本数据集常用的处理方法有哪些？适用的场景的是什么？
机器学习算法因为都有可解释性 ，所以大家需要搞懂数学原理 ，并知道模型之间的差异 、以及适用于什么数据集
。
对于回归任务与分类任务 ，我们也需要知道各种评估指标间的差异与使用场景 。
网络资源推荐
吴恩达机器学习：此教程以理论为主 ，对小白极为友善 ，就算没有基础 ，也能以最快的速度入门机器学习 。
菜菜的sklearn：此教程以实践为主 ，从数据处理 、特征工程 、到模型算法都会给予代码进行实操讲解 ，并将每个参数都讲的非常细致 。
书籍推荐
这里推荐两本学习ML必备书籍 。周志华老师的《机器学习（西瓜书）》与李航老师的《统计学习方法》 。
这两本书非常经典 ，讲述了机器学习核心数学理论与模型推导全过程 ，是夯实理论的不二选择 。强烈推荐将书籍与上述推荐视频相结合进行学习 。
原文链接：告别无用功|人工智能该如何学习
五 、深度学习
深度学习是黑盒算法 ，不具可解释性 ，初学者通常会觉得它比较神秘 。但它的基础神经网络 ，可以说是由众多个逻辑回归函数组成 ，所以在学机器学习时一定要将逻辑回归彻彻底底学明白 。
这部分给大家推荐书籍《图解深度学习》与《深度学习》 。前者用图解的方式剖析了深度学习的原理 ，适合初学者；后者是深度学习领域奠基性的经典教程 。
神经网络入门
浙大研究生课程：浙大老师上课录像 ，板书推导神经网络的原理 ，看完后你会入门深度学习 ，并感受到它的神奇与魅力 。（P19-P24为神经网络）CNN与RNN入门
吴恩达深度学习：首推荐还是吴恩达老师的课程：
不论往哪个方向发展 ，都先看神经网络部分 如果你之后想学图像方向 ，就接着看计算机视觉部分 ，然后对序列模型进行了解 如果准备往自然语言或推荐方向发展 ，则推荐先看计算机视觉部分 ，掌握CNN的基本常识后 ，再去学习序列模型全部内容白板推导系列：机器学习与深度学习数学原理板书推导 ，极为硬核 。
在学完理论知识后 ，我们就可以找一些项目进行实战了 。
六 、项目推荐
我本人是NLP算法工程师 ，在此对自然语言处理方向推荐几个入门练手小项目：
Bert文本分类
：在官网下载源码后进行Debug ，不仅可以锻炼调试阅读代码的能力 ，而且可以掌握Bert的细节 。
实体识别：此项目使用了多种不同的模型（HMM 、CRF 、Bi-LSTM 、Bi-LSTM+CRF）来解决中文命名实体识别问题 。
对话机器人：此项目为医疗对话问答机器人 ，主要基于知识图谱实现 。
在对NLP进行初步了解后 ，大家可以根据自身情况在Github上多找一些感兴趣的相关项目进行研究 ，不仅仅要知道代码实现细节 ，更要思考它能实际解决的业务问题 。
未完待续
上述提到的重点内容日后会继续和大家分享 ，文字难以表达的也会以视频的方式和大家见面 。
我目前的工作主要集中于实体识别 、关系识别 、知识图谱 、图网络等方向 ，欢迎大家与我交流 。同时 ，本文提到的10本书籍 ，加我公众号【AI有温度】 ，后台回复【学习书籍】均可免费获取 。
欢迎大家的到来 ，每日8：18 ，AI干货与您不见不散
原文链接：告别无用功|人工智能该如何学习
创心域SEO版权声明：以上内容作者已申请原创保护，未经允许不得转载，侵权必究！授权事宜、对本内容有异议或投诉，敬请联系网站管理员，我们将尽快回复您，谢谢合作！