人工智能学习的准备阶段
首先不是随便什么人都能成为人工智能届的大牛的，我对普通程序员的定义是：拥有大学本科知识；平时事情较忙；自己能获取的数据有限。以是本文的目的是给出一个大略的，平滑的，易于实现的学习方法，帮助“普通”程序员踏入AI领域这个门。
☞ 准备分为4个阶段
AI，也便是人工智能，并不仅仅包括机器学习。曾经，符号与逻辑被认为是人工智能实现的关键，而如今则是基于统计的机器学习霸占了主导地位。最近火热的深度学习正是机器学习中的一个子项。目前可以说，学习AI紧张的是学习机器学习。但是，人工智能并不等同于机器学习，这点在进入这个领域时一定要认识清楚。
关于AI领域的发展历史先容推举看周志华老师写的《机器学习简介》。下面一个问题是：AI的门好跨么？实在很不好跨。
如果你离校过久，或者以为根本不牢，最好事先做一下准备复习事情。“工欲善其事，必先利其器”。以下的准备事情不多，但足以搪塞后面阶段的学习。
数学：复习以下基本知识。线性代数：矩阵乘法；高数：求导；概率论：条件与后验概率。其他的一些知识可以在后面的学习的过程中按需再补；英文：常备一个在线英文词典，例如爱词霸，能够不吃力的看一些英文的资料网页；翻墙：可以随时随地上Google，这是一个很主要的工具。不是说百度查的不能看，而是很多情形下Google搜出来的资料比百度搜的几十页的资料还管用，尤其是在查英文关键字时。节省韶光可是很主要的学习效率提升。学习人工智能的七个阶段
在学习的过程中，找到适宜自己的学习方法是关键。
学习方法的设定大略说便是回答以下几个问题：我要学的是什么？我若何学习？我如何去学习？这三个问题概括说便是：学习目标，学习方针与学习操持。
学习目标比较清楚，便是踏入AI领域这个门。这个目标不大，因此实现起来也较为随意马虎。学习方针可以总结为 “兴趣为先，践学结合”。大略说便是先培养兴趣，然落后修中把实践穿插进来，螺旋式提高。这种办法学习效果好，而且不随意马虎让人放弃。有了学习方针往后，就可以制订学习操持，也称为学习路线。
制订科学的学习路线
我推举的学习路线如下图：
首先理解这个领域，建立起全面的视野，培养起充足的兴趣，然后开始学习机器学习的根本，选择一门由浅入深的课程来学习，课程最好有足够的实验能够进行实战。
根本打下后，对机器学习已经有了充足的理解，可以用机器学习来办理一个实际的问题。这时还是可以把机器学习方法当作一个黑盒子来处理的。实战履历积累往后，可以考虑连续进行学习。
这时候有两个选择，深度学习或者连续机器学习。深度学习是目前最火热的机器学习方向，个中一些方法已经跟传统的机器学习不太一样，因此可以单独学习。除了深度学习以外，机器学习还包括统计学习，集成学习等实用方法。
如果条件足够，可以同时学习两者，一些规律对两者是共通的。学习完后，你已经具备了较强的知识储备，可以进入较难的实战。这时候有两个选择，工业界的可以选择看开源项目，以改代码为目的来读代码；学术界的可以看特定领域的论文，为办理问题而想发论文。无论哪者，都须要知识过硬，以及较强的编码能力，因此很能稽核和磨炼水平。经由这个阶段往后，可以说是踏入AI领域的门了。
下面我来对重点环节，进行展开：
☞机器学习
机器学习的第一门课程首推Andrew Ng的机器学习 。这门课程有以下特点：难度适中，同时有足够的实战例子，非常适宜第一次学习的人。
传统的机器学习有如下特点，知识系统化，有相对经典的书。个中统计学习（代表SVM）与集成学习（代表adaboost）是在实践中利用非常多的技能。下面是干系资源：
推举，机器学习：如果是在以前，机器学习方面的经典教材首推PRML，但现在周老师的书出来往后，就不再是这样了。首先推举读周老师的书。这本书有一个特点，那便是再难的道理也能用浅近精髓精辟的措辞表达出来。正如周老师的名言：“表示你水平的地方是把难的东西讲随意马虎了，而不是把随意马虎的东西讲难，想把一个东西讲难实在太大略”；不推举，Pattern Recognition And Machine Learning：当前阶段不推举。PRML因此贝叶斯的不雅观点看待很多机器学习方法，这也是它的一大特色。但对付初学者来说，这种不雅观点实在并无必要。而且此书没有中文翻译，当前阶段硬啃很随意马虎放弃。☞实践做项目
学习完了根本课程，你对机器学习就有了初步理解。现在利用它们是没有问题的，你可以把机器学习算法当作黑盒子，放进去数据，就会有结果。在实战中你更须要去关心如何获取数据，以及怎么调参等。
如果有韶光，自己动手做一个大略的实践项目是最好的。这里须要选择一个运用方向，是图像（打算机视觉），音频（语音识别），还是文本（自然措辞处理）。这里推举选择图像领域，这里面的开源项目较多，入门也较大略，可以利用OpenCV做开拓，里面已经实现好了神经网络，SVM等机器学习算法。项目做好后，可以开源到到 Github上面，然后不断完善它。实战项目做完后，你可以连续进一步深入学习，这时候有两个选择，深度学习和连续机器学习。
☞会议论文
一样平常较好的课程都会推举你一些论文。一些著名的技能与方法每每出身于一些主要的会议。因此，看往年的会议论文是深入学习的方法。
在这个阶段，如果是在校学生，可以选择某个课题，以发论文为目的来学习研究。一样平常来说，论文是事情的产物。有时候一篇基于实验的论文每每须要你写很多代码，利用一些开源项目。因此开源项目的学习与读会议论文的事情两者之间是有干系的。两者可以同时进行学习。关于在哪里看论文，可以看一下CCF推举排名，理解一下这个领域里有哪些精良的会议。下面先容两个图像与机器学习领域的著名顶级会议：
CVPR：与另两个会议ICCV和ECCV合称打算机视觉领域的三大会。Conference on Neural Information Processing Systems：简称NIPS，许多主要的事情揭橥在这上面，例如关于CNN的一篇主要论文便是揭橥在上面。末了，希望此文能够帮助对AI领域理解不深，但又想进入的同学踏入这个门。这里只说踏入，是由于这个领域的专精实在非常困难，须要数年的积累与努力。
在进行领域学习前，充分认识自己的特点，制订得当的学习方法是十分主要的。首先得对这个领域进行充分理解，培养兴趣。在学习时，保持着循规蹈矩的学习方针，不要年夜进的学习过难资源；结合着学习与实践相辅的策略，不要只读只看，实际动手才有造诣感。
学习某个资源时要有充分的目的，不是为了学开源项目而看代码，而是为了写开源项目而看；不是为了发论文而写论文，而是为了干工作而写论文。如果一个学习资源对你过难，并不代表一定是你的问题，可能是学习资源的演讲或撰写人的问题。
觉得有用的朋友，点个关注，给个收藏，便是对我坚持更新，最好的支持