零基礎入門人工智慧

貫穿數學基礎、機器學習、人工神經網路、深度學習、神經網路例項、深度學習之外的人工智慧和應用場景。

結合人工智慧發展的歷史與趨勢，本書圍繞機器學習與神經網路等核心概念展開，並結合當下火熱的深度學習技術，勾勒出人工智慧發展的基本輪廓與主要路徑，包含以下七大模組：

1、數學基礎。數學基礎知識蘊含著處理智慧問題的基本思想與方法，也是理解複雜演算法的必備要素。這一模組覆蓋了人工智慧必備的數學基礎知識，包括線性代數、機率論、最最佳化方法等。

2、機器學習。機器學習的作用是從資料中習得學習演算法，進而解決實際的應用問題，是人工智慧的核心內容之一。這一模組覆蓋了機器學習中的主要方法，包括線性迴歸、決策樹、支援向量機、聚類等。

3、人工神經網路。作為機器學習的一個分支，神經網路將認知科學引入機器學習中，以模擬生物神經系統對真實世界的互動反應，並取得了良好的效果。這一模組覆蓋了神經網路中的基本概念，包括多層神經網路、前饋與反向傳播、自組織神經網路等。

4、深度學習。簡而言之，深度學習就是包含多箇中間層的神經網路，資料爆炸和計算力飆升推動了深度學習的崛起。這一模組覆蓋了深度學習的概念與實現，包括深度前饋網路、深度學習中的正則化、自編碼器等。

5、神經網路例項。在深度學習框架下，一些神經網路已經被用於各種應用場景，並取得了不俗的效果。這一模組覆蓋了幾種神經網路例項，包括深度信念網路、卷積神經網路、迴圈神經網路等。

6、深度學習之外的人工智慧。深度學習既有優點也有侷限，其他方向的人工智慧研究正是有益的補充。這一模組覆蓋了與深度學習無關的典型學習方法，包括機率圖模型、叢集智慧、遷移學習、知識圖譜等。

7、應用場景。除了代替人類執行重複性的勞動，在諸多實際問題的處理中，人工智慧也提供了有意義的嘗試。這一模組覆蓋了人工智慧技術在幾類實際任務中的應用，包括計算機視覺、語音處理、對話系統等。

以上可以看出人工智慧所涉及學科非常多，且對每個學科的要求都非常深。但既然是入門，可以從一些示例入手，產生興趣以後在透過專項學習加深理解。慢慢的也就入門了，網上有很多人工智慧的線上演示的示例，有些可以進行簡單學習就可以自己跑起來一個看起來很厲害的程式。

最起碼要會一種程式語言，才能和計算機打交道，例如java python，然後學習資料結構，演算法，神經網路等等，人工智慧對數學功底要求還是挺高的，但是會很有意思，比如做一個識別物品的人工智慧，那麼你就要知道機器是怎麼才能它的認識，跟人類大腦很類似。

零基礎也沒關係，很多培訓都是針對零基礎學員的，可以看一下中公優就業，是具有20年的老品牌上市企業，師資在國內都是一流的，提供免費食宿、就業服務、就業指導、全程面授、專案實戰等多方面服務，給予的保障也是最大的。

需要有一定的數學基礎和程式設計基礎，最好是Python/C++的基礎，市面上人工智慧的專著還挺多的，但是大部分是理論知識，缺乏實踐，技術和理論不能落地，建議可以找個靠譜的培訓班，講師最好是名企的老師，或者人工智慧領域比較有名的老師，中公教育和中科院專家推出了人工智慧相關課程，全程中科院自動化研究所的老師講課，專案多，技術落地

我是年初才開始學習人工智慧的，這塊有很多的知識需要學習，學習方式有兩種：

買2-4本關於人工智慧的書籍，以其中的一本為主線，其他的書為參考進行學習，選擇書的時候一定注意側重點，0基礎的學習一定要適合自己看懂的書，也就是看書的時候要能提高興趣；等入門後，再看有難度的書；

給大家推薦幾本書，我覺得入門看比較合適：

這種學習方式不論是網頁還是影片都是比較直觀，對問題的求解方面來說更加的精準；網頁學習適合有一定基礎的，而影片學習適合各種層面的需求者；

人工智慧是一門新的學科，它是計算機學科的延伸，所以，如果僅是入門，瞭解一些我們日常的人工智慧，比如語音識別、影象識別、導航定位等以及他們延伸出來的一些演算法。

隨著這兩年人工智慧火起來，很多人都迫不及待的想入坑人工智慧，之前也有不少同事朋友詢問過我怎麼進入這個行業，在這裡我談一下個人的拙見，如有異議，歡迎討論，如果能幫到各位，非常榮幸。掌握一些必備知識人工智慧是一個涉及多學科、多領域的的方向，數學、計算機、工程學等方面，下面分別談一下：數學知識我想在大多數學校裡，數學都是理工科學生的必修課，微積分、線性代數、機率論與數理統計，這些都比較基礎實用，我覺得這個數學基礎對入門人工智慧足夠了，人工智慧應用數學最多的也就是求導、矩陣的運算和分解、機率的統計與分析。程式設計能力工欲善其事、必先利其器，人工智慧方向程式語言使用最多的應該就是Python了，在很多學校理工科學生應該都會必修一門程式設計課，有的是C，有的是C++，就算這些都沒用過，也應該對Matlab瞭解一些，我覺得有一些程式設計基礎入門Python算是比較簡單的，網上資源很多，社群支援也很強大。機器學習我這裡所說的機器學習是廣義上的機器學習，涵蓋深度學習。無論是做傳統的機器學習迴歸和分類，還是做深度學習，無論是做計算機視覺，還是做自然語言處理，都離不開機器學習，後面我會介紹一些我認為比較好的學習資源，對於機器學習，我劃分為兩個方面：(1) 框架層面；(2) 理論層面。(1) 框架層面機器學習框架有很多比如scipy、sklearn、tensorflow、pytorch、mxnet等，我覺得對於框架，不再多，而再精，每個框架都有自身的優勢，也都有自己的缺點，可以根據自己的專案需求和自己的喜好選擇一個框架，這裡我比較推薦的是tensorflow和pytorch，tensorflow雖然繁瑣，但是強大，pytorch比較簡潔高效。(2) 理論方面理論方面主要包括傳統的機器學習和深度學習裡的一些網路框架，首先說一下傳統的機器學習，我認為這是很有必要的，從事 AI工作中免不了用到傳統的方法，比如迴歸、隨即森林、SVM等，而且傳統的機器學習理論性更強，更能讓人瞭解機器學習中的內在內容。其次說一下深度學習網路模型，以計算機視覺為例，有很多成熟高效的網路模型，很多模型前後都有關聯，需要了解不同網路模型，比如奠定基礎的Alexnet，後面經常用於預訓練的VGG，還有為深度網路提出解決方案的ResNet，還有近幾年比較高效的SSD、YOLO系列，最後還有深度學習中的一些策略，比如怎麼解決過擬合？BN是什麼？Dropout是幹什麼的？啟用函式有哪些和優缺點分別是什麼？專業知識如果要成為一個AI從業者，需要結合不同方向的專業知識，比如要從事計算機視覺，僅僅拿到網路結構就開始搭，這是很難達到理想效果的，這就需要對影象底層有一些瞭解，例如影象的畫素和通道結構，影象的邊緣和灰度特徵，影象的增廣、去噪、分割，這能夠讓在相應的方向上走的更遠，做出更好的東西，可能達到事半功倍的效果。學習資源經常會看到很多人在朋友圈轉發各種人工智慧學習資源，的確，隨著人工智慧火熱起來，現在網上有很多各種各樣的學習資源，讓人眼花繚亂，好的學習資源屈指可數，大多數不知道衝著什麼目的推出的教學資料，內容不怎麼樣，收費卻不低，很多初學者不瞭解行情而誤入歧途，不僅浪費了錢，也耽誤了不少時間、浪費了不少精力，其實網上 有很多免費又非常好的資源，如果把這些利用起來，我覺得足可以成為一個AI從業者。在這裡，我推薦一些我認為比較好的學習資源。影片資源(1) 吳恩達《機器學習》吳恩達機器學習 - 網易雲課堂study.163.com(2) 吳恩達《深度學習工程師》(3) 莫煩Python：我覺得雖然講的很淺，但是沒有語言障礙，通俗易懂。(4) 李飛飛 《斯坦福深度視覺識別課程》推薦理由：吳恩達自然不必說，人工智慧領域的大牛，無論是在學界還是在企業界都很有影響力，我覺得吳恩達的不僅有理論性，而且很實用，尤其《深度學習工程師》這門課程講了很多深度學習策略、超引數調優、結構化機器學習、卷積神經網路和序列模型，都很實用，而且吳恩達的語速相對很多人例如Hinton的授課語速要慢一些，更有助於理解，能夠跟得上節奏。而cs231n是李飛飛教授的經典計算機視覺入門課程，從傳統的影象分類到機器學習基礎知識，再到卷積神經網路涵蓋計算機視覺知識非常全面。莫煩Python有很多課程機器學習、強化學習、Python基礎、深度學習框架，很全面，中文授課，內容不深，但是有助於入門。書籍(1) 數學方面《機率論與數理統計》 盛驟《數值分析》李慶揚《線性代數》同濟大學推薦理由：這幾本書都是用於大學生教材的，所以相對嚴謹一些，而且難度適中，對於做人工智慧，我覺得這幾本數學教材涵蓋的知識差不多了。《數值分析》是我們本科數學系的教材，涵蓋很多數值計算方法，很多可能在機器學習裡用不到，但是我覺得想要做的更深，多瞭解一些數學是有價值的。(2) 機器學習方面《深度學習》Goodfellow、Bengio 《機器學習》 周志華《機器學習實戰》Peter Harrington推薦理由：《深度學習》這本書僅僅看到這幾位作者就會明白錯不了，都是大牛，介紹了不同方向的機器學習技術，而且很大一部分在介紹深度學習的策略和模型最佳化方法。《機器學習》這本書主要講的是傳統機器學習演算法，通俗易懂，沒有過多的公式推導。《機器學習實戰》這本書對每個機器演算法都從頭到尾實現了一遍，相對於前面這兩本書，這本書更偏重於實踐，結合很多例項直接程式設計，如果跟隨這本書把各個演算法實現一遍，對加深記憶有很大幫助。(3) 影象處理方面《影象工程》 章毓晉《計算機視覺特徵提取與影象處理》(第3版) Nixon&Aguado推薦理由：對於入門計算機視覺這個方向，多瞭解一些影象底層的知識肯定是百利無一害，這兩本書都是影象處理裡不錯的書籍，其中《影象工程》這本書，是合訂版，也有單獨成冊的，分上中下三冊，如果覺得這本書太厚也可以根據自己需求買其中一冊。