位置: IT常识 - 正文
人工智能该如何学习？详细的AI学习路线与资料推荐(人工智能该如何规划软件工程师岗位)
编辑：rootadmin推荐整理分享人工智能该如何学习？详细的AI学习路线与资料推荐(人工智能该如何规划软件工程师岗位)，希望有所帮助，仅作参考，欢迎阅读内容。
文章相关热门搜索词:人工智能该如何使用,人工智能该如何代替人们工作,人工智能该如何发展与使用,人工智能该如何发展与使用,人工智能该如何治理,人工智能该如何使用,人工智能该如何使用,人工智能该如何自学,内容如对您有帮助，希望把文章链接给更多的朋友！
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
上一篇：扩散模型 (Diffusion Model) 简要介绍与源码分析(扩散模型和gan的区别)
下一篇：【YOLO系列】YOLOv2论文超详细解读（翻译 ＋学习笔记）(yolo s)
