如果一點基礎都沒有的，建議還是應該有系統性的學習，有邏輯性的一塊一塊有層級的學。比如應該先打基礎，要把高等數學基礎知識學透，基礎的線性代數、資料分析矩陣等等。

然後開始學習Python，這也是人工智慧必備知識。Python的特點是能夠把用其他各種語言製作的模組（特別是C/C++）輕鬆地聯結在一起。

第三步就是人工智慧的重點學習了。如果原來就是程式設計師，可以以這步為第一步開始學習。這一步包括：機器學習演算法，機器學習是一門多領域交叉學科，涉及機率論、統計學、逼近論、凸分析、演算法複雜度理論等多門學科。它是人工智慧的核心，是使計算機具有智慧的根本途徑，其應用遍及人工智慧的各個領域，它主要使用歸納、綜合而不是演繹。

然後還有對機器學習的進一步探究，人工智慧深度學習，以及推薦演算法和資料探勘，分散式搜尋引擎等等。當然，學習必須配合實際專案應用的操作，否則很難適應新專案

1、學習 OpenCV

2、人工智慧：一種現代的方法

3、智慧 Web 演算法

4、語音與語言處理

5、模式識別與機器學習

6、遊戲人工智慧程式設計案例精粹

7、統計自然語言處理基礎

8、模式分類

9、模式識別中的神經網路

10、計算機視覺

11、工智慧遊戲程式設計真言

12、Python 自然語言處理

這是一個非常好的問題，也是很多對於人工智慧技術比較感興趣的人比較關心的問題，作為一名科技從業者，同時也是一名教育工作者，我來回答一下。

首先，人工智慧技術體系還是比較龐大的，而且當前人工智慧領域的研究尚處在初期，人工智慧概念本身也在不斷地發展和變化，所以當前學習人工智慧不僅需要具有較為全面的基礎知識，同時還需要有一個主攻方向。

人工智慧是一個較為典型的交叉學科領域，涉及到哲學、數學、計算機、控制學、經濟學、神經學和語言學等學科，所以人工智慧本身的知識量還是非常龐大的。基礎比較薄弱的初學者可以一邊學習人工智慧知識，一邊補學相關內容，並不是一定要從數學開始學起。實際上，長期以來，人工智慧領域的專業人才培養都是以研究生教育為主，主要原因就是人工智慧領域的學習難度比較大，而且對於學習場景的要求也比較高。

當前人工智慧領域有六個大的研究方向，涉及到計算機視覺、自然語言處理、機器學習、自動推理、知識表示和機器人學，其中計算機視覺和自然語言處理是當前的熱點領域，不少大型科技（網際網路）公司的人工智慧平臺也都是基於這兩個技術體系打造的。對於初學者來說，目前瞭解人工智慧可以從機器學習開始，一方面機器學習的知識體系相對比較全面，學習案例也比較多，另一方面機器學習也是人工智慧領域諸多研究方向的基礎。實際上，機器學習也是當前大資料分析的常見方式之一，在大資料領域也有廣泛的應用。

機器學習的步驟主要涉及到資料收集、演算法設計、演算法實現、演算法訓練、演算法驗證和演算法應用，這些步驟需要初學者掌握一定的數學知識和程式設計知識。對於初期的學習者來說，可以採用比較成熟的資料集來完成演算法的訓練和驗證，這會在一定程度上降低學習模組。在學習的初期，可以從經典的機器學習演算法入手，比如決策樹、樸素貝葉斯、k-mean等演算法，這些演算法對於初學者的數學基礎要求也並不算高，上手也比較容易。

在演算法實現方面，當前可以採用Python語言，一方面Python語言有大量的庫可以使用，另一方面Python語言本身也比較簡單。目前Python語言在大資料和人工智慧領域的應用還是比較普遍的，而且由於Python語言本身就是一門全場景程式語言，所以透過Python語言也可以方便演算法的落地應用。

在入門了機器學習之後，可以進一步學習一下人工智慧平臺，目前一部分大型科技公司已經陸續開放了自身的人工智慧平臺，基於這些人工智慧平臺也可以完成一些行業創新。在學習人工智慧平臺的過程中，需要同時學習一些行業知識，這一點在產業網際網路時代還是比較重要的。

最後，學習人工智慧知識需要一個系統的過程，而且要為自己營造一個較好的學習氛圍，尤其要重視與相關領域技術專家的交流，這對於提升自身的學習效果有非常直接的影響，對於要想進入人工智慧領域發展的初學者來說，在掌握了基本的人工智慧知識之後，可以先找一個實習崗位繼續提升一下。