作為一名IT從業者，同時也是一名教育工作者，我來回答一下這個問題。

隨著人工智慧平臺的陸續開放，當今社會已經進入到了智慧化時代，未來大量的智慧體將陸續走進生產環境和生活環境，所以除了專業技術人員之外，普通人掌握一定的人工智慧知識是有必要的。

從當前人工智慧技術的應用情況來看，基於人工智慧平臺進行各種應用開發會帶來大量的創新，而且這種開發本身也並不複雜，技術門檻也相對比較低。對於初學者來說，要想自學人工智慧程式設計，可以按照以下幾個步驟來學習：

第一：學習程式語言。人工智慧開發需要具有紮實的程式設計基礎，目前Python語言在人工智慧開發領域有比較廣泛的應用，而且Python語言簡單易學，完全可以透過自學來掌握。在學習完Python的基本語法之後，可以繼續學習一下機器學習知識，而且在學習機器學習的過程中，也會進一步鞏固Python開發知識。

第二：學習人工智慧平臺。初學者藉助於人工智慧平臺來進行智慧化應用開發是比較現實的選擇，而且在產業網際網路時代，大量的行業智慧化應用都會基於人工智慧平臺來完成。目前人工智慧平臺往往都是基於計算機視覺和自然語言處理打造的，相關技術也形成了大量的落地應用案例，所以學習起來也會比較順利。

第三：實踐。智慧化開發的實踐過程通常需要在實習崗位上來完成，一方面智慧化開發通常需要一定的場景支撐（資料中心等），另一方面智慧化開發涉及到的環節也比較多。目前大型科技公司的實習崗位還是比較多的，透過這些實習崗位的鍛鍊能夠全面提升自身的開發能力。

先學計算機

然後學計算機程式語言

然後再學資料庫和大資料

現在就可以編輯一個APP

然後需要學雲計算和儲存

可以編輯資料呼叫優先觸發架構，資訊搜尋引擎和類比資訊篩選演算法，建立自主學習架構。

GitHub上，有個新發布的深度學習教程，叫PracticalAI，今天剛剛被PyTorch官方推薦，已經收穫2600多標星。

專案基於PyTorch，是從萌新到老司機的一條進階之路。這條路上每走一步，都有演算法示例可以直接執行。

新手可以從基礎的基礎開始學起，不止線性規劃和隨機森林，連筆記本怎麼用，NumPy等重要的Python庫怎麼用，都有手把手教程。

到中後期，可以學著搭高階的RNN，厲害的GAN，這裡還有許多實際應用示例可以跑。畢竟，這是一個注重實踐的專案。

這裡的演算法示例，可以用Google Colab來跑，免費借用雲端TPU/GPU，只要有個Chrome就夠了。沒梯子的話，就用Jupyter Notebook來跑咯。

內容友好，持續更新

PracticalAI裡面的內容，分為四個部分，並將持續更新：

基礎 (Basics)，深度學習入門 (Deep Learning) ，深度學習高階 (Advanced) ，以及具體應用 (Topics) 。注：此處非直譯。

· 基礎部分，除了有Python指南、筆記本用法，以及Numpy、Pandas這些庫的用法，還有線性規劃、邏輯規劃、隨機森林、k-means聚類這些機器學習的基本技術。

有了這些，可以走進深度學習的世界了。

· 深度學習入門，包括了PyTorch指南、多層感知器 (MLP) 、資料與模型、面向物件的機器學習、卷積神經網路 (CNN) 、嵌入，以及遞迴神經網路 (RNN) 。

· 深度學習高階，會涉及更高階的RNN、自編碼器、生成對抗網路 (GAN) ，以及空間變換網路 (Spatial Transformer Networks) 等等。

· 最後是應用。計算機視覺是個重要的方向。除此之外，還會涉及時間序列分析 (Time Series Analysis) ，商品推薦系統，預訓練語言模型，多工學習，強化學習等等示例可以執行。也可以修改示例，寫出自己的應用。

細心的小夥伴大概發現了，表格裡的有些話題還沒有加連結 (如上圖) 。專案作者表示，這些部分很快就會更新了。

食用說明，無微不至

專案作者用了三點來描述這個專案：

一是，可以用PyTorch來實現基礎的機器學習演算法，以及神經網路。二是，可以用Google Colab直接在網頁上執行一切，無需任何設定 (也可以用Jupyter跑) 。三是，可以學做面向物件的機器學習，與實際應用聯絡緊密，不止是入門教程而已。

那麼如何上手？筆記本跑起來啊：

(步驟幾乎是針對Colab寫的。Jupyter使用者可忽略。)

第一步，專案裡進到notebooks目錄。第二步，用Google Colab去跑這些筆記本，也可以直接在本地跑。第三步，點選一個筆記本，把URL裡的這一段：https://github.com/替換成這一段：https://colab.research.google.com/github/或者用Open In Colab這個Chrome擴充套件來一鍵解決。第四步，登入谷歌賬號。第五步，點選工具欄裡的COPY TO DRIVE按鈕，就可以在新標籤頁裡開啟筆記本了。第六步，給這個新筆記本重新命名，把名稱裡的Copy of去掉就行。第七步，執行程式碼，修改程式碼，放飛自我。所有改動都會自動儲存到Google Drive。

開始學吧，不然等到內容更新了，要學的就更多了。

專案傳送門：https://github.com/GokuMohandas/practicalAI/

— 完 —

首先，程式設計這個問題問的領域比較大，為什麼說大？學軟體開發，要麼前端，要麼後端，也是程式設計，大資料，也是程式設計，人工智慧一樣也是程式設計……

所以，沒有明確一個具體的方向。

程式設計世界，有一門古老的語言叫做C語言，它是C++和JAVA的祖先，一切語言的基礎都來自它，所以，你不妨與它先認識。

但是，現在因為人工智慧的火起來的python語言，就有很多人學習它，也有很多人說它語法簡單，易學易上手，這個說法沒錯。也有人說它是新手學習最好的語言。確實，沒有嚴謹的語法，可以說是“為所欲為”。JAVA寫100行程式碼，它可能只需要寫20行。

只不過，我還是說說我想說的主角吧！它是C語言，為什麼是它的，因為你只有學會它，再學C++和JAVA就容易得多，可以說很快帶你成為一名程式設計師。當然，不是絕對的。

而學習python也並非不可，只是它不同與C/C++和JAVA。學會以後，再回頭看C，感覺不是一個世界的。

現在大學都是以C語言為專業基礎語言，你不妨可以先從它下手。

希望這份答案能對你有幫助。

第一先學習python， 瞭解python的一般語法， 跟著影片學習下pytorch

第二大量閱讀，透過百度關鍵字搜尋人工智慧相關概念，瞭解人工智慧的基本概念

第三找準一個方向，深入瞭解，大量閱讀部落格

第四開始使用pytorch做一些小實驗

第五透過找準的方向，去人工智慧競賽頁面開始寫一些演算法

第六加入一些人工智慧的群，和大家多交流

人工智慧雖然經過了60多年的發展，期間也有眾多著名科學家的參與，但是目前人工智慧領域的發展依然處在初級階段，整個人工智慧領域還有大量的課題需要攻關，所以目前人工智慧領域更關注中高階人才。要想系統的學習人工智慧一方面需要具備紮實的基礎知識，另一方面還需要透過具體的崗位實踐（課題研發）來完成，因為目前人工智慧領域的很多方向還依然有待完善，所以對於初學者來說選擇一個方向並完成入門學習是比較現實的選擇。人工智慧的入門學習需要具備以下知識結構：

第一：程式語言。程式語言是學習人工智慧的基礎內容之一，掌握了程式語言才能完成一系列具體的實驗。推薦學習Python語言，一方面原因是Python語言簡單易學，實驗環境也易於搭建，另一方面原因是Python語言有豐富的庫支援。目前Python語言在人工智慧領域有廣泛的應用，包括機器學習、自然語言處理和計算機視覺等方向。

第二：演算法設計基礎。目前人工智慧的研究內容集中在六個大的方向上，分別是自然語言處理、知識表示、自動推理、機器學習、計算機視覺和機器人學，這些內容都有一個重要的基礎就是演算法設計，可以說演算法設計是研究人工智慧的關鍵所在。學習演算法設計可以從基礎演算法開始，包括遞迴、機率分析和隨機演算法、堆排序、快速排序、線性時間排序、二叉樹搜尋、圖演算法等內容。

第三：人工智慧基礎。人工智慧基礎內容的學習是開啟人工智慧大門的鑰匙，人工智慧基礎內容包括人工智慧發展史、智慧體、問題求解、推理與規劃、不確定知識與推理、機器學習、感知與行動等幾個大的組成部分。

在完成以上內容的學習之後，最好能參加一個人工智慧的專案組（課題組），在具體的實踐中完成進一步的學習過程。隨著大資料的發展，人工智慧也進入了一個全新的發展時代，對於基礎薄弱的初學者來說，透過大資料進入人工智慧領域也是一個不錯的選擇。

作為從事人工智慧教育多年、非常熟悉人工智慧培訓的高校教師，我很喜歡這個問題，有強烈的傾訴慾望。

學習路徑

自學人工智慧可行。（1）用一個月學習python基礎語法，熟悉即可；（2）找學習幾個機器學習演算法：迴歸、分類各學習兩個；（3）學習神經網路、卷積神經網路、迴圈神經網路；（4）做一個至少有200行程式碼的專案；（5）包裝後出去找工作。

是否需要自學人工智慧，需要學習前考慮清楚這幾個維度：第一，個人學歷基礎；第二，學習目的；第三，個人的學習毅力；第四學習方法。這些都是關係到能否學習好人工智慧的重要因素，在開始之前必須要理清，否則白費時間。建議畫一個思維導圖，將上述幾個因素一條條的延伸整理。磨刀不誤砍柴工！

1、學歷低，自學人工智慧對就業幫助很小

人工智慧是一個高科技行業，雖然對員工的需求量非常大，但是對員工的要求對方 也很高，尤其是學歷層面。在我調研的所有人工智慧和大資料相關的公司中沒有看到一家公司招聘初中畢業生、高中畢業生。他們的開發人員多為985、211或者稍微差一點普通二本的優秀學生。這個現狀不是就業歧視，而是人工智慧領域的難度和發展速度決定的。沒有高學歷背書，企業怎麼能感受到你的真正實力？如何判斷你的發展潛力？到底有沒有能力跟上快速發展的人工智慧行業？學歷不夠，人工智慧高高的招聘門檻就把你擋在外邊，自學人工智慧還有什麼意義？

2、明確的學習目的能讓付出收益最大化。

自學人工智慧一定要明確學習的目的究竟是什麼。如果說你正在讀大三大四是高年級理工科學生，那麼我強烈建議自學人工智慧，這對將來就業有所幫助。一定要結合自己的專業學習，單純學習人工智慧開發，面對人工智慧專業學生，自學的這點知識完全不夠看，沒有任何競爭優勢。其次如果你正處於讀研的階段，為了發表論文也建議多人工智慧，用人工智慧的方法解決本專業問題的文章很好發。如果說學習人工智慧僅僅是為了就業，那麼一定要參考第一條，你是否有很好的起點。不過在就業這個層面還有另外一條路，一定的人工智慧基礎後，去申請人工智慧公司的市場銷售或者產品經理。當然這兩個職位還需要有其他的知識輔助。

3、詳細的學習計劃可以提升學習毅力。

這一塊沒有什麼好說的，晚上千條路，白天賣豆腐。讓自己有毅力的做一件事情非常困難，詳細的學習計劃可以幫助你。這方面的媒體文章非常多，我不耽誤大家時間，略過。

4、專案為把手的學習事半功倍。

如果你沒有任何人工智慧基礎，我建議還是按照上面給學習路徑老老實實一步一個腳印的的學習Python、部分機器學習演算法和簡單神經網路。當你有了一定的人工智慧基礎後，那麼下面的方法請你參考。根據學習路徑，下面要將要學習深度學習，包括了卷積神經網路和迴圈神經網路，兩個最基礎的內容。無論是為了就業還是科研，我都建議從專案開始。在拿到專案之後，用思維導圖將該專案所涉及到的關鍵知識點都列出來。標記自己不熟悉的知識點，逐步解決每一個知識難點和盲點，逐步完成整個專案開發。專案帶動學習、框架梳理知識是最快的學習方式。

是否要自學一定要心中有數。

自己學習人工智慧是一個艱苦的過程，需要耗費大量時間和精力，當然也付出了大量的潛在機會成本，開始要慎重，過程要堅持，結果要斟酌。

人工智慧還是需要一定的數學基礎和程式設計基礎的，但現在有很多教程了， 給你推薦一個

https://github.com/apachecn/hands-on-ml-zh/tree/master/docs

教材， 這個我從頭到尾都看過，有問題可以交流。

如果想學人工智慧但又不知道該從何學起，未來職業發展規劃，可以參考線上IT學習網站百戰程式設計師的影片，人工智慧預科階段完全免費，介紹人工智慧的應用，人工智慧的工作流程、基本概念，人工智慧的任務和本質，KNN最近鄰演算法。快速理解人工智慧能做什麼，要做什麼，並掌握KNN演算法以及演算法的程式碼實現。