人工智慧要分為ai基礎技術、ai應用、ait（機訓師）三大部分，要學習需要先明確自己想學習哪部分，自己適合哪部分。

您的問題不夠嚴謹，學好一門專業或者技術，離不開主管和客觀兩個條件。1.主管從態度上是積極向上；知識上有一定的基礎換言之就是學起來相對輕鬆簡單；有既定方向知道自己的發展走勢和專業願景。2.客觀上來說要有完備的學習條件。

舉例目前國內的學校，《2017年中國高效AITOP60排行榜》上，清華大學和北京大學在人工智慧的研究方面走在各高校前列，且清華大學計算機系智慧技術與系統國家重點實驗室也是國內在人工智慧人才培養和科學研究的重鎮。此外，浙江大學、上海交通大學、南京大學、復旦大學、哈爾濱工業大學、中科大也進入了中國人工智慧專業實力前十強中。這些院校是否能夠進入？也就具備了學習的客觀條件和基礎。主客觀都滿足，肯定能夠學好。

另外人工智慧是個大的方向，你要看準其中的某些專業和學科。很多專科學校也開設了工業機器人專業，主要專業是以機電技術為基礎的，比如：鑲入式硬體，鑲入式軟體，電器工程應用與前面的資料分析總監和運營經理相差很大了，關鍵取決於你目前的狀態和期望值。

說來慚愧，到目前為止，所謂的人工智慧都屬於弱人工智慧，是基於統計規律的推理。因此學好人工智慧第一要學好編碼語言，第二要學好數學。但如果學習的目的僅僅是開發AI應用，那麼第二個條件優先順序條件可以放低些，因為你會發現有大量免費的數學庫、模型庫可以使用，還有一堆的教程可以參考，有這些工具的幫助，你可以迅速聚焦到實際應用問題的解決中。在除錯和最佳化的過程中，反過來理解演算法、模型、原理，學習會非常快！

另外要注意的是思維模式的轉變，很多人學AI，總試圖用嚴格的推理去理解AI的每一步驟，這是不對的，會讓你越學越迷茫，因為AI不是這個100%思維，是統計思維。打個比方說，我們用迴歸方法去做預測，迴歸擬合曆史資料只要90%+以上準確就OK了，根本不會考慮為什麼10%沒有擬合上，模型的最佳化永遠在逼近真相，99.9999%之類的準確率就是這麼來的，不要鑽牛角尖。如果用到深度學習模型，那就更加不具備解釋性了，模型自動就把特徵提取了，SGD其實也是少數服從多數地指了一個方向。再比如boosting方法、adboost方法，由弱組成強，是不是很有哲學道理。很多類似的思維，可以慢慢體會，都有思想的光芒、智慧的光芒！

人工智慧是個大課題，不能一概而論！學習更需要循序漸進，跑一兩個模型就號稱掌握了人工智慧！人工智慧要走的路還很漫長！