-
1 # Q科技
-
2 # 石家莊新華電腦
從零開始學習AI技術，可以找個培訓學校來學習，ai專業是可以ps是差不多的技術。在培訓學校裡面老師會從基礎開始教你，不但可以讓你學會ai技術，ps和其他技術也都是可以學會的。
-
3 # 創玖數碼
一、機器學習
有關機器學習領域的最佳介紹，請觀看Coursera的Andrew Ng機器學習課程。 它解釋了基本概念，並讓你很好地理解最重要的演算法。
有關ML演算法的簡要概述，檢視這個TutsPlus課程“Machine Learning Distilled”。
“Programming Collective Intelligence”這本書是一個很好的資源，可以學習ML 演算法在Python中的實際實現。 它需要你透過許多實踐專案，涵蓋所有必要的基礎。
這些不錯的資源你可能也感興趣:
Perer Norvig 的Udacity Course on ML（ML Udacity 課程）
Tom Mitchell 在卡梅隆大學教授的 Another course on ML（另一門ML課程）
YouTube上的機器學習教程 mathematicalmonk
二、深度學習
關於深度學習的最佳介紹，我遇到最好的是 Deep Learning With Python。它不會深入到困難的數學，也沒有一個超長列表的先決條件，而是描述了一個簡單的方法開始DL，解釋如何快速開始構建並學習實踐上的一切。它解釋了最先進的工具（Keras，TensorFlow），並帶你通過幾個實際專案，解釋如何在所有最好的DL應用程式中實現最先進的結果。
在Google上也有一個great introductory DL course，還有Sephen Welch的great explanation of neural networks。
之後，為了更深入地瞭解，這裡還有一些有趣的資源：
Geoffrey Hinton 的coursera 課程“Neural Networks for Machine Learning”。這門課程會帶你瞭解 ANN 的經典問題——MNIST 字元識別的過程，並將深入解釋一切。
MIT Deep Learning（深度學習）一書。
UFLDL tutorial by Stanford （斯坦福的 UFLDL 教程）
deeplearning.net教程
Michael Nielsen 的 Neural Networks and Deep Learning（神經網路和深度學習）一書
Simon O. Haykin 的Neural Networks and Learning Machines （神經網路和機器學習）一書
三、人工智慧
“Artificial Intelligence: A Modern Approach (AIMA)” （人工智慧：現代方法） 是關於“守舊派” AI最好的一本書籍。這本書總體概述了人工智慧領域，並解釋了你需要了解的所有基本概念。
來自加州大學伯克利分校的 Artificial Intelligence course（人工智慧課程）是一系列優秀的影片講座，透過一種非常有趣的實踐專案（訓練AI玩Pacman遊戲 ）來解釋基本知識。我推薦在影片的同時可以一起閱讀AIMA，因為它是基於這本書，並從不同的角度解釋了很多類似的概念，使他們更容易理解。它的講解相對較深，對初學者來說是非常不錯的資源。
大腦如何工作
如果你對人工智慧感興趣，你可能很想知道人的大腦是怎麼工作的，下面的幾本書會透過直觀有趣的方式來解釋最好的現代理論。
Jeff Hawkins 的 On Intelligence（有聲讀物）
Gödel, Escher, Bach
我建議透過這兩本書入門，它們能很好地向你解釋大腦工作的一般理論。
其他資源：
Ray Kurzweil的 How to Create a Mind （如何建立一個頭腦Ray Kurzweil） (有聲讀物).
Principles of Neural Science （神經科學原理）是我能找到的最好的書，深入NS。 它談論的是核心科學，神經解剖等。 非常有趣，但也很長 – 我還在讀它。
四、數學
以下是你開始學習AI需要了解的非常基本的數學概念：
微積分學
Khan Academy Calculus videos（可汗學院微積分影片）
MIT lectures on Multivariable Calculus（MIT關於多變數微積分的講座）
線性代數
Khan Academy Linear Algebra videos（可汗學院線性代數影片）
MIT linear algebra videos by Gilbert Strang（Gilbert Strang的MIT線性代數影片）
Coding the Matrix （編碼矩陣） – 布朗大學執行緒代數CS課程
機率和統計
可汗學院 Probability（機率）與 Statistics（統計）影片
edx probability course （edx機率課程）
五、計算機科學
要掌握AI，你要熟悉計算機科學和程式設計。
如果你剛剛開始我建議閱讀 Dive Into Python 3 （深入Python 3）這本書，你在Python程式設計中所需要的大部分知識都會提到。
要更深入地瞭解計算機程式設計的本質 – 看這個經典的 MIT course （MIT課程）。這是一門關於lisp和計算機科學的基礎的課程，基於 CS -結構和計算機程式的解釋中最有影響力的書之一。
六、其他資源
Metacademy – 是你知識的“包管理器”。 你可以使用這個偉大的工具來了解你需要學習不同的ML主題的所有先決條件。
kaggle – 機器學習平臺
-
4 # 曲翎風
此文是想要進入人工智慧這個領域、但不知道從哪裡開始的初學者最佳的學習資源列表。機器學習
有關機器學習領域的最佳介紹，請觀看 Coursera 的 Andrew Ng 機器學習課程。 它解釋了基本概念，並讓你很好地理解最重要的演算法。
有關ML演算法的簡要概述，檢視這個 TutsPlus 課程“Machine Learning Distilled”。
“Programming Collective Intelligence”這本書是一個很好的資源，可以學習 ML 演算法在 Python 中的實際實現。 它需要你透過許多實踐專案，涵蓋所有必要的基礎。
這些不錯的資源你可能也感興趣:
Perer Norvig 的 Udacity Course on ML（ML Udacity 課程）
Tom Mitchell 在卡梅隆大學教授的 Another course on ML（另一門ML課程）
YouTube上 的機器學習教程 mathematicalmonk
深度學習關於深度學習的最佳介紹，我遇到最好的是 Deep Learning With Python。它不會深入到困難的數學，也沒有一個超長列表的先決條件，而是描述了一個簡單的方法開始DL，解釋如何快速開始構建並學習實踐上的一切。它解釋了最先進的工具（Keras，TensorFlow），並帶你通過幾個實際專案，解釋如何在所有最好的DL應用程式中實現最先進的結果。
在Google上也有一個great introductory DL course，還有Sephen Welch的great explanation of neural networks。
之後，為了更深入地瞭解，這裡還有一些有趣的資源：
Geoffrey Hinton 的coursera 課程“Neural Networks for Machine Learning”。這門課程會帶你瞭解 ANN 的經典問題——MNIST 字元識別的過程，並將深入解釋一切。
MIT Deep Learning（深度學習）一書。
UFLDL tutorial by Stanford （斯坦福的 UFLDL 教程）
deeplearning.net教程
Michael Nielsen 的 Neural Networks and Deep Learning（神經網路和深度學習）一書
Simon O. Haykin 的Neural Networks and Learning Machines （神經網路和機器學習）一書
人工智慧“Artificial Intelligence: A Modern Approach (AIMA)” （人工智慧：現代方法） 是關於“守舊派” AI最好的一本書籍。這本書總體概述了人工智慧領域，並解釋了你需要了解的所有基本概念。
來自加州大學伯克利分校的 Artificial Intelligence course（人工智慧課程）是一系列優秀的影片講座，透過一種非常有趣的實踐專案（訓練AI玩Pacman遊戲 ）來解釋基本知識。我推薦在影片的同時可以一起閱讀AIMA，因為它是基於這本書，並從不同的角度解釋了很多類似的概念，使他們更容易理解。它的講解相對較深，對初學者來說是非常不錯的資源。
大腦如何工作
如果你對人工智慧感興趣，你可能很想知道人的大腦是怎麼工作的，下面的幾本書會透過直觀有趣的方式來解釋最好的現代理論。
Jeff Hawkins 的 On Intelligence（有聲讀物）
Gödel, Escher, Bach
我建議透過這兩本書入門，它們能很好地向你解釋大腦工作的一般理論。
其他資源：
Ray Kurzweil的 How to Create a Mind （如何建立一個頭腦Ray Kurzweil） (有聲讀物)。
Principles of Neural Science （神經科學原理）是我能找到的最好的書，深入NS。 它談論的是核心科學，神經解剖等。 非常有趣，但也很長 – 我還在讀它。數學以下是你開始學習AI需要了解的非常基本的數學概念：
微積分學
Khan Academy Calculus videos（可汗學院微積分影片）
MIT lectures on Multivariable Calculus（MIT關於多變數微積分的講座）
線性代數
Khan Academy Linear Algebra videos（可汗學院線性代數影片）
MIT linear algebra videos by Gilbert Strang（Gilbert Strang的MIT線性代數影片）
Coding the Matrix （編碼矩陣） – 布朗大學執行緒代數CS課程
機率和統計
可汗學院 Probability（機率）與 Statistics（統計）影片
edx probability course （edx機率課程）
計算機科學要掌握AI，你要熟悉計算機科學和程式設計。
如果你剛剛開始，我建議閱讀 Dive Into Python 3 （深入Python 3）這本書，你在Python程式設計中所需要的大部分知識都會提到。
要更深入地瞭解計算機程式設計的本質 – 看這個經典的 MIT course （MIT課程）。這是一門關於lisp和計算機科學的基礎的課程，基於 CS -結構和計算機程式的解釋中最有影響力的書之一。
其他資源Metacademy – 是你知識的“包管理器”。 你可以使用這個偉大的工具來了解你需要學習不同的ML主題的所有先決條件。
kaggle – 機器學習平臺
回覆列表
首先我並不推薦一開始就學習吳恩達的課程，吳恩達在coursera上最新的課程偏重於概念普及，而斯坦福吳恩達講的CS229又偏重公式推導。事實上如果有程式設計基礎，建議直接選擇一個框架，建議tensor flow，你可以使用tensor flow裡的keras 介面，結合斯坦福的CS231n, 來先做一個機器學習的Hello World--mnist。tensor flow上有101。
而後，當你真正試圖去寫一個自己的深度學習程式時，你會需要一些前置知識，Bengio參與編寫的深度學習這本書目錄會給你一個系統性的全域性性的視角，讓你開始系統的學習人工智慧和補充必需的前置知識。
最後，在系統學習的過程中，開始自己的專案，始終學習必要的知識，而不是大而全。