最起碼你的認知能力高，如果能學最好，關鍵不是因為錢，而是你感興趣的，感興趣的學習和你為了錢而學是不一樣的。

說到人工智慧 可以分為研究型與應用型，先說一下應用型吧，這種主要的目的是將人工智慧用於實際應用不涉及到研發，所以只要有一定的數學基礎，當然不知道蒙特卡羅等演算法也可以，但必須程式設計技術過關，C++,以及Python是必須要熟練掌握的，至少應該用過caffe並且應用實際專案，做應用面嚮物件語言必須會用一種推薦java或C#,兩種都會更好，畢竟都是一個爺爺的孫子，這兩種語言語法幾乎一樣，影象處理應該瞭解一些基礎演算法如高斯模糊，照片基本操作等，就這樣，研究型就不同了你需要具有紮實的數學基礎，要說這方面最適合的專業一定是數學與應用數學專業沒有之一，計算機科學等專業都不如這個專業相信我，對於這種matlab一定是要熟練掌握的，這也是最基礎的，其次就是好好學這個專業的所有基礎課程以及與計算機相關的課程，畢竟這個專業一般分為金融與計算機兩個方向，然後就是建議一定要上研究生，這個專業的研究生建議轉計算機然後出來基本就可以做這方面研究工作，或這個專業的學生具有大量的專案經驗，才適合研發型工作，就這樣。

人工智慧涉及到的學科涉及到數學和計算機科學。所以，學好人工智慧首先需要具備一些相關的基礎知識。

數學方面，主要包括一些機率統計知識，線性代數矩陣的運算，簡單的微積分運算。這些知識複習一下大學的高等數學就足夠了。

計算機方面，需要掌握一門程式語言，在人工智慧領域，Python是比較易於掌握和應用的程式語言，很多人工智慧演算法框架也都基於Python開發。Python的學習除了基本的語言外，還需要進一步熟悉Numpy、Pandas等數學和分析庫的使用，這些在後面的演算法實現中都必不可少。

有了以上的基礎，那麼就要開始瞭解一些人工智慧演算法的基本原理，常見的演算法分類包括貝葉斯、決策樹、線性分類器、支援向量機(SVM)、主成份分析（PCA）、深度學習和神經網路等。需要對各類演算法的原理、使用方法、優缺點有一定了解。相關知識可以透過網際網路上的影片公開課學習，並且很多資源都是免費的。

對各類人工智慧演算法有了理論學習後，就需要透過實踐來掌握這些演算法的具體應用和相關工具的使用。常見的人工智慧框架有SciPy，TensorFlow， Keras, PyTorch等。建議可以先從SciPy和Keras入手，透過對一些典型問題的解決來熟悉這些工具的使用，並初步掌握人工智慧演算法模型的構建方法。

完成這些任務之後，你就算是踏入人工智慧的大門了。當然這只是萬里長征第一步，想要把你的所學的知識運用到實際工作中，還有更多細節需要學習和掌握，例如：資料的收集、清理、分析；模型的構建、訓練，引數的調整和最佳化，效能的最佳化，與應用端的結合，演算法的實現和部署等等。這些都可能更需要在實際工作中完成。

選定一個方向

我個人不太喜歡使用"人工智慧"這個詞，因為覺得太寬泛了，每當有朋友問我怎麼進入人工智慧這個領域，我都會先問一個問題："你想從事哪個方向?"人工智慧有太多方向，計算機視覺、自然語言處理、搜尋推薦、機器學習、強化學習，機器學習又可以細分很多，分類、迴歸、深度學習、元學習、增量學習。。。。所以我認為要想從事人工智慧，首先應該明確自己從事哪個方向，這樣才會有目標。

我個人是做計算機視覺的，所以，接下來我就以計算機視覺為例講述。

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，一下分別談一下：

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。

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。

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？。。。。

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。

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。

(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》

深度學習工程師微專業 - 一線人工智慧大師吳恩達親研-網易雲課堂 - 網易雲課堂

mooc.study.163.com

(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

莫煩Python

morvanzhou.github.io

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、李飛飛團隊的授課語速要慢一些，更有助於理解，能夠跟得上節奏。

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。

(4) Python方面

《Python Cookbook》（第3版）大衛·比斯利，布萊恩·K.瓊斯

Python菜鳥教程

http://www.runoob.com/python/python-tutorial.html

廖雪峰Python

https://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000

推薦理由：理論與實踐相結合，講解穿插著程式碼，容易理解和上手，而且網站教程較為簡潔，節省時間。

不少專業的人士都指出了學習的知識體系，要學數學，機率統計，Python、TensorFlow，資料清洗、分析等，但看了這些你還是沒法學好人工智慧。

其實要學習或進入一個領域，不管是人工智慧，還是VR、無人駕駛，都要有個基本套路：

首先學好人工智慧，你的目標是什麼？

2. 如果你是學生，想做相關的研究，那麼推薦你學習andrew ng的machine learning課程，然後再細啃一遍《人工智慧——一種現代的方法》，書的作者Stuart Russell博士和Peter Norvig博士是這個領域的頂級專家，後者還是Google主管研究研究的Director，再根據你感興趣的細分方向，例如影象方面，就要學習計算機影象處理，語音處理相關，就要學習自然語言處理。

3. 如果你是工程師，向儘快應用相應的演算法到你實際的工程中去，例如推薦系統。最直接的方式，直接切入正題，透過問題去找相應的解決方案，通常你不是第一個遇到類似問題的人，用搜索引擎可以找到相應的技術文章，這些文章會給你介紹大概的基本框架，再根據這些框架和自己已有的特長去，判斷該選擇怎樣的解決方案，例如github上一些比較不錯的基於python 的推薦系統repositories。剩下的就是在工程中解決問題了，因為多少都會涉及一些程式設計，所以透過實踐應用去了解人工智慧這種新方法，才能有所心得。

下手後你有了感性認識和手感，你就可以判斷要不要深入進去了，如果想了解深入什麼樣的演算法解決問題更有效，是否還有更好的方案，這個時候請重複學生學習的過程，學習一下基本原理，推薦臺灣李宏毅老師在B站的課程，講的比較生動有趣。

https://www.bilibili.com/video/av10590361

《機器學習實踐——基於米拍APP的100000張照片訓練的圖片評價系統》https://www.toutiao.com/i6640807665163305485/

那得看你這個“學好”是到什麼程度。

正常流程，基本都是這幾塊內容。

必備的基本知識，首先是，線性代數，機率論與數理統計，這都是前修課程，你得有個概念。

其次，你得會一門開發語言，java，scala，python。不區分，但是大多機器學習包python支援度會好。

然後，你要對資料有概念，學習特徵工程處理，如何將特徵標準化，歸一化。

最後，你就要學習各種演算法，分類器。邏輯迴歸、svm、決策樹、神經網路等。

再高階就是更深層的深度學習類別。

但是，這都不是重點，現在的演算法包，不管是sklearn，mllib還是其它的，很多演算法都是封裝好的，只需要完成特徵工程和相關的引數配置就行。剩下的，就是你驗證模型準確性了。方法多種多樣。

總之，如果你這個學好，是能寫一兩個分類器，如果有前修的知識，幾個月就搞定了。但是如果要精通。這個領域的，還沒有誰能真正說自己精通所有。畢竟，在人工智慧領域，你從書上能得到的東西，都是已經很落後了。