這是一個非常好的問題，作為一名IT從業者，我來回答一下。

首先，雖然人工智慧的技術門檻相對比較高，但是隨著當前人工智慧平臺的推出，人工智慧相關的學習資料也在逐漸增多，而且學習人工智慧技術的切入點也在增加，對於具備一定程式設計基礎的初學者來說，自學人工智慧併入門是完全可能的。

從當前人工智慧技術的體系結構來看，如果想系統學習人工智慧技術，可以先從機器學習開始入手，機器學習也被稱為是開啟人工智慧技術大門的鑰匙。機器學習的入門並不複雜，只需要具備一定的數學（線性代數、機率論）基礎和程式設計基礎就可以開始學習機器學習了，在學習機器學習知識的過程中，還可以逐漸提升對於資料、演算法、算力這三大概念的認知。

學習人工智慧一定要注意三件事，首先是要有一個明確的學習規劃，其次是要有實踐場景，最後要有交流環境，這三件事對於能否在人工智慧領域走得更遠是非常重要的。學習規劃要結合自己的就業規劃，如果想在人工智慧領域實現就業，那麼一定要按照當前的崗位需求來制定學習計劃。

當前人工智慧領域的崗位可以簡單劃分為兩大類，一類是人工智慧平臺研發，這一類崗位對於從業者的要求是比較高的，如果要從事這一類崗位，可以考慮讀一下人工智慧方向的研究生，這需要一個長時間的積累。另一類是基於已有的人工智慧平臺來完成行業智慧化應用開發，這一類開發任務的門檻相對比較低，本科生就可以勝任，而且未來在工業網際網路時代，這一類開發人才的需求潛力還比較大。

當然可以呀，有了python 基礎，可以直接用scikit learn 上的例子 和 keras 上的例子，體驗一下 各種機器學習演算法，這些庫 提供了 手寫字型 識別 以及 植物分類 的 訓練 資料集，用例子程式，可以直接看到 各種 機器學習演算法的效果，獲得人工智慧應用的直接體驗。有了直接體會，再熟悉各種機器學習演算法的細節和理論，比先學理論，再應用 容易激發興趣。

以上這兩個 機器學習庫，對各種機器學習演算法 實現了 豐富的介面，可調節引數 非常多，可以透過這些 可調節 引數，比如 更換 神經 網路的 loss 函式，啟用函式，更換 knn 最近鄰居演算法的 距離 衡量函式，來進一步 熟悉 每種 演算法的 具體 細節，以及每種演算法 背後的 思想 以及理論。

透過程式瞭解了 機器學習演算法以後，可以透過 各種 網上教材，或 影片公開課，以及 百科等，系統地 學習 各種機器學習 演算法。各個頂級大學，比如 mit ,普林斯頓大學，斯坦福大學，都有機器學習演算法 方面的 影片公開課，對於 機器學習 演算法 的 各個名次術語，網上的 百科 也有 比較詳細的 解釋。

再下一步，選擇自己 特別感興趣的 ai 應用領域，比如 自然語言處理，計算機視覺，計算機下棋，可以直接應用和改進 這些演算法 觀察效果了。

現在，網上 對各個 知識領域 都提供了豐富的資源，十分有利於自學。