我認為初學者在該領域還沒有一個學習的途徑，這是我建立這個指南的目的。在過去的幾個月裡，我試著每天花幾個小時瞭解這個領域，無論是觀看Youtube影片還是看各種資料，現在我覺得我有豐富的經驗來分享我的見解。我在本指南中收集的所有資訊適用於這個領域的初學者。該指南是按照時間順序進行，而且與我所遇到的大多數指南/學習路徑不同，它不需要理解線性代數，偏導數和其他複雜的數學概念。如果你經常在這條路上學習，我相信你可以在三個月內可以達到相當高的水平。以下是學習步驟：

學習Python並用它編寫你的演算法

我強烈建議先學習Python，因為它不僅非常容易學習，而且幾乎支援機器學習中使用的所有優秀庫。雖然R語言很有用，但我發現Python更適合初學者。除了基本程式設計外，對於機器學習，最有用的庫是Numpy，Pandas和Matplotlib。

對於那些以前從未寫過程式碼的人，我建議參加多倫多大學（現在是ML / AI最好的大學之一）提供的課程。這需要幾周的時間，但這是非常值得的。你透過本課程獲得的大部分知識可以應用於任何其他程式語言，唯一的區別是語法。該課程是免費的，可以在這裡觀看。

對於那些擁有其它語言程式設計經驗的人，只需瀏覽Python的語法。

現在，在瞭解Python的基礎知識之後，你需要了解我所說的前兩個庫（Matplotlib可以晚點）。Numpy和Pandas用於修改你使用的資料，而Matplotlib則用於透過圖表將這些資料視覺化。

Numpy：http : //cs231n.github.io/python-numpy-tutorial/

Pandas：https：//pandas.pydata.org/pandas-docs/stable/10min.html

深入瞭解機器學習的基礎知識

如果有一門通用的機器學習課程，它必須是Andrew Ng的課程。雖然對於初學者來說，這門課程可能有點難度，因為它涉及到偏導數等概念。我希望每個人都觀看這個影片並做筆記，雖然這不需要程式設計相關的教程和練習。

連結：https：//www.coursera.org/learn/machine-learning

學習各種機器學習演算法，並理解如何在真實世界的場景中實現它們

理解沒有大學數學知識的機器學習演算法是很難的，但是澳洲的一個團隊解決了這個問題。Kirill Eremenko和Hadelin de Ponteves來自SuperDataScience團隊，他們在現實生活中應用簡單演算法。他們的課程涵蓋Python和R，但你只需透過Python教程即可。另外，如果你覺得他們的速度太慢，可以1.25倍的速度看這個課程（我做到了，發現它好得多）。

他們的課程在Udemy上，它可以在這裡找到，通常約為10美元。它涵蓋了從基本回歸演算法到深度學習和卷積神經網路的一切。如果你想探索更先進的領域，他們的深度學習課程將在機器學習結束時提供，並且享受90％的折扣。然而，這第二門課程中的概念可能有點先進，缺乏適當的文件，因為它們非常新穎。另外你可以學習谷歌的免費深度學習課程或密歇根州的免費課程。

找到一個特別感興趣的領域，並深入探索

現在，你已經有廣泛的機器學習的概念，並且學到了很多技能，可以幫助你獨立完成基礎專案。我建議去Kaggle或UCI機器學習資源庫嘗試不同的演算法和最佳化效能。如果你遇到問題，可以在Stack Overflow提問，釋出之後你將在幾個小時內得到答覆！

另外，我建議你在機器學習的廣泛領域找到一個有趣的領域，並深入研究。我推薦的區域有：

計算機視覺：這可能是機器學習/人工智慧領域最熱門的領域---利用計算機使用特殊型別的神經網路來檢視和理解事物。斯坦福大學線上釋出他們的課程，線上提供講座，課程筆記和作業。不要擔心數學太複雜，因為這個過程只是為了加深你的知識。另外，你可以看看OpenCV，這是一個計算機視覺庫，可以為你做很多複雜的事情，推薦一個教程。完成這些後，請檢視Kaggle和UCI上更高階的影象資料集，甚至可以進行Kaggle比賽。

自然語言處理：瞭解計算機如何學習說話也是今天的一個突出話題。斯坦福大學提供了一個線上課程。如果你不瞭解一些數學概念，不要擔心，只要瞭解這個領域的工作原理。對於實現，你可以進行這個Udemy課程。另外，你也可以觀看一些著名的機器學習者Siraj Raval的影片（如https://www.youtube.com/watch?v=9zhrxE5PQgY）。當你已經完成了這些，可以嘗試進行簡單的專案，如建立聊天機器人，情感分析或為歌曲建立歌詞。

強化學習：該領域專注於機器學習如何以特定方式學習，其最受歡迎的應用程式是在影片遊戲領域。銀鴻的UCL是個不錯的選擇，但初學者可能會覺得有點棘手。一旦你完成了這些工作，就可以開始從網上下載基礎專案，並利用機器學習和人工智慧來修改他們的行為。一些簡單的教程可以透過Youtube搜尋找到。

資料科學：這個領域是一個萌芽的領域，有許多令人興奮的工作機會。我建議你進行SuperDataScience的付費課程或UC聖地亞哥基於Python的免費課程，此外你必須學習SQL以及Matplotlib。還有像自主學習（用於推薦系統），Adversial Networks（AI改進AI）和遺傳演算法（以與自然進化類似的方式改進問題的解決方案）等領域，在我看來，這些是大多數初學者延伸的領域。

最後

如果你想長期在這個領域工作，那麼一定要了解它是什麼。一旦你對該技術的工作有了必要的瞭解，你就應該開始做在本節列出的事情，這些事情是初學者應該做的，以加深他們對該領域的總體瞭解程度並使他們更有知識，如下：

開始閱讀研究論文：他們確實沒有聽起來那麼具有挑戰性。如果你遇到過一個你不明白的東西，那麼就把它放下。這個網站提供了大量優秀的論文。

傾聽前輩的意見：Andrew Ng，Ian Goodfellow和Yann LeCunn等人都會定期接受採訪，並給出該領域工程師關於人工智慧主題的觀點。這個Youtube頻道收集了這些演講的最佳內容。

與領域保持同步：Wired是所有對科技感興趣的人的最佳平臺之一。它每天釋出多個與AI相關的故事，可在這裡找到。另外，也可以使用TechCrunch的Facebook Messenger機器人---它通常會對AI相關的文章感興趣，並且每天都會提示你。

哲學：AI有它的支持者和反對者，但是它背後的哲學是有趣的。這一領域的書籍適合初學者，其中包括Ray Kurzweil的“如何創造心靈”和Max Tegmark的“生活3.0”（http://s3.amazonaws.com/arena-attachments/1446178/cffa5ebc74cee2b1edf58fa9a5bbcb1c.pdf?1511265314）---請嘗試閱讀這些內容。

貢獻：如果你是喜歡從別人的經驗中學習的人，請檢視人工智慧和深度學習Facebook小組。或者透過https://www.reddit.com/r/artificial/在AI上檢視Reddit的主題。

這個零基礎是什麼意思呢？是開發人員轉崗人工智慧？還是沒有程式設計基礎？各大廠招聘人工智慧相關開發崗位最低要求研究生起步。重點考核數學、演算法等專業知識。

要想學好的話最重要的兩方面要注意：

1.學好Python

2.掌握數學與統計基礎，尤其是統計

不過不是科班出身，走人工智慧方向要費勁得多，數學與統計要好，計算機相關專業的話應該也學過高數、線性代數、機率統計吧，就看學的怎麼樣了！

3.Python在資料科學領域是霸主

資料崗位發展方向，都是比較新型的職位，資料分析員、資料分析師、資料產品經理、資料總監、首席資料官等等，從資料分析員、初級資料分析師（就是表哥表姐哦）入行，逐步發展！

優就業好像是和中科院專家有一個人工智慧的合作的網課，是由中科院研究員授課的，可以瞭解一下，中科院在人工智慧研究方向還是很權威的。