人工智慧（Artificial Intelligence），英文縮寫為AI。它是研究、開發用於模擬、延伸和擴充套件人的智慧的理論、方法、技術及應用系統的一門新的技術科學。它企圖瞭解智慧的實質，並生產出一種新的能以人類智慧相似的方式做出反應的智慧機器，該領域的研究包括機器人、語言識別、影象識別、自然語言處理和專家系統等。人工智慧是對人的意識、思維的資訊過程的模擬。人工智慧不是人的智慧，但能像人那樣思考、也可能超過人的智慧。

人工智慧目前還非常初級，當前主要用於“已知環境、目標明確、行動可預測”的場景。深度學習在影象識別、語音識別、翻譯等領域，人工智慧基本具備人的識別能力，甚至超越了人類，基於這些能力應用到了很多場景，如醫療、公共安全等。但在推理、認知等方面仍十分欠缺。人工智慧不是要等到超越人的智慧才進入使用，而是隻要在某個方面比人做得好就可以進入使用。

但是人工智慧的未來，是直接決定國家競爭力的。不管是國內BAT，還是國際網際網路巨頭Google都在熱火朝天地做人工智慧產業，只是各有側重。而且人工智慧的應用非常廣泛，幾乎涉及了所有行業，包括汽車、物流、道路管理、化學研究、工廠管理、能源、醫療、電腦、房地產、零售、影片監控等方方面面都在應用人工智慧。未來的應用前景會更加廣泛。

人工智慧現在的求職狀況是競爭非常激烈。如果說7、8年前的狀況是各個專業轉CS的話，現在是全民轉AI。各個專業的，例如自動化、微電子、機械、通訊、電子資訊、材料專業，都有大量的學生在學習機器學習(尤其是深度學習)。

要想從事人工智慧的工作，個人認為最主要學習的是人工智慧的數學基礎(高等數學主要是微積分、線性代數、機率論、數理統計、最最佳化理論、資訊理論和形式邏輯，離散數學)，演算法基礎(資料結構包括各種常用資料結構，演算法設計與分析包括遞迴與分治、動態規劃等，圖論)、程式設計技能(最好有Java或c語言基礎,熟練掌握python語言)、硬體設計技能(人工智慧晶片或感測器等方向需要)等會有比較好的基礎，加入人工智慧行業後也會有比較大的發展空間。

另外我的建議是把對人工智慧和計算機科學的興趣與其他行業結合起來，不是計算機、自動化、電子資訊和數理統計相關專業，而是機械製造、金融、醫療等專業知識的人士，如果有合適的人工智慧在相關行業的應用點，既能夠有相關領域的專業知識，又能夠提供相關領域的人工智慧行業解決方案，也非常適合加入人工智慧行業，例如將人工智慧應用在機械製造與機器人、金融與風投、醫學和健康，新聞和寫作，三維動畫與電影CG等領域，對這些領域的探索可以發掘人工智慧應用和爆發的更多可能性。

劉嵩

2021.10.8

pdf版思維導圖，後臺回覆：指南

Python——書

之前跟出版社合作，書櫃裡積攢了很多Python相關的書，這裡推薦三本最有價值的吧。

《流暢的Python》，很厚，比較全面，可以作為工具書常常翻看。《 從入門到實踐（第2版）》 非常全面，對新手還算友好，裡面有很多的練習專案非常不錯。《利用Python進行資料分析·第2版》 資料分析入門必讀書，主要介紹了python 3個庫numpy（陣列），pandas（資料分析）和matplotlib（繪圖）的學習。有開源版，就不用買了，下載連結及程式碼如下：

https://github.com/iamseancheney/python_for_data_analysis_2nd_chinese_version

Python——教程

學習Python最好的入門線上教程，首推Python官方文件https://docs.python.org/zh-cn/3/tutorial/index.html

官方文件足夠詳細和系統，但是內容太龐大，學習來會有點吃力，我建議只看tutorial即可，就是上面的連結。

直接啃官方文件的教材，不如老師講給你聽來的效率高。廖雪峰的Python新手教程也是個不錯的選擇，每一節都有練習題，學習來更順暢，對新手很友好。https://www.liaoxuefeng.com/wiki/1016959663602400

機器學習最常用的庫少不了Numpy Pandas Matplotlib這些庫我覺得看官方文件就好了，不過英文不好的同學可能就不滿意了，這裡分別列一下這些庫的官方文件和我覺得很不錯的中文教程，提醒一下哈，官方文件只需要看我列出的連結即可。

Numpy官方文件：https://numpy.org/doc/stable/user/quickstart.html中文教程：https://www.numpy.org.cn/user/quickstart.htmlPandas官方文件：https://pandas.pydata.org/docs/user_guide/10min.html中文教程：https://www.pypandas.cn/docs/getting_started/10min.htmlMatplotlib官方文件：https://matplotlib.org/stable/tutorials/introductory/usage.html中文教程：https://www.matplotlib.org.cn/tutorials/

Python——影片

實話實話，我沒有完整的看過任何Python影片。歸根結底，Python入門很簡單，看影片效率太低。傳言B站的[小甲魚]零基礎入門學習Python不錯，簡單看了一眼，確實0基礎。我們用Python是用來學機器學習的，喜歡看影片學習的同學可以看看，建議只看P1-P53即可。

《零基礎入門學習Python》：https://www.bilibili.com/video/av27789609

機器學習——書

市面上凡推薦機器學習的書，都少不了李航的《統計學習方法》和周志華的《機器學習》，我當初也是看了大佬推薦，在這兩本書上耗費了極多的時間。但這兩本我覺得都很不適合入門，尤其是統計學習方法，簡直就是上等武功秘籍，太過精煉，啃起來太吃力。對比起來周老師的《機器學習》相對好點，其中有些公式推導有點跳，Datawhale 出了一本開源的《機器學習公式詳解》是個很好的補充。周世華的《機器學習》是必不可少的工具書，還是必讀的，而且要反覆閱讀，不過建議在看過影片教程之後。

https://datawhalechina.github.io/pumpkin-book

偏應用的書，只推薦一本，其他的都不要看！！！：《機器學習實戰：基於Scikit-Learn、Keras和TensorFlow（原書第2版）》，入門可以先看前 9 章。

市面上很少有書能夠把機器學習在業務層面的應用介紹清楚，比如模型解釋、模型上線，模型監控等等，沒有看到特別詳細的，有一本還算滿意，就是知名度比較低：《機器學習：軟體工程方法與實現。

《機器學習：軟體工程方法與實現》

現在無論是競賽還是工業界，boost模型都應用十分廣泛，分類、迴歸、排序，XGBoost都能搞。最後再介紹一本我認為的必讀：《深入理解XGBoost：高效機器學習演算法與進階》，作者是XGBoost開源社群貢獻者何龍。這本書以機器學習基礎知識做鋪墊，深入剖析了XGBoost的原理、分散式實現、模型最佳化、深度應用等。

機器學習——教程

教程沒有看到太好的，除了sklearn的文件，只推薦吳恩達、李宏毅、林軒田三位老師的影片課件。課件這裡不單獨列出來了，下載連結我放到思維導圖裡了。

Sklearn官方文件：https://scikit-learn.org/stable/user_guide.html中文教程：https://sklearn.apachecn.org/

機器學習——影片

與Python不同，機器學習基礎我覺得最好還是跟著影片學，因為初學機器學習演算法，涉及很多公式推導，非常難理解，跟著影片學起來會輕鬆不少。

影片首推吳恩達的公開課，這是學習機器學習基礎知識的最好的課程。英語不好的同學也不要擔心，影片是有中文字幕的。https://www.bilibili.com/video/BV164411b7dx

作為補充，時間充裕的同學可以看看臺大李宏毅的機器學習公開課，特點是中文授課，比較輕鬆愉快。

https://www.bilibili.com/video/BV1pE411g7Wi

時間更充裕的也可以看看林軒田的影片課，只看基石部分即可。https://www.bilibili.com/video/BV1Ft41197Dy

機器學習——數學基礎

系統地學習機器學習所必須的數學知識

數學基礎這一塊是個無底洞，不太建議大家耗費過多時間，用到了再補也不遲。

也不建議大家看書，基礎確實特別薄弱的同學，推薦一本：《機器學習的數學》，這本書特別全面的介紹了微積分、線性代數、機率統計、資訊理論、隨機過程、圖論等內容。再強調一遍，此書僅適於基礎特別薄弱的同學。

我感覺機器學習中用到最多的應該是線代，喜歡看影片的可以看看李宏毅的機器學習中的線性代數：https://www.bilibili.com/video/BV1G7411f7BE/

或者3blue1brown：線性代數的本質https://www.bilibili.com/video/BV1Ys411k7yQ

其他數學基礎相關的電子書，我也放到思維導圖中了。

一些經驗和建議

1、我敢肯定很多初學者都是資料收集愛好者，越攢越多反而不知道從何開始。我強烈建議把資料都扔掉，以我的這一套為準，一以貫之的學下去。

2、就像前面我提到的，很多東西先不要深究，不要在某些地方卡太久（比如數學部分，比如程式設計基礎），先學下去，學完。瞭解大的框架之後，以後用到哪裡，再回過來補也不遲。

3、機器學習的各種演算法沒必要樣樣精通，常用的比如LR、樹模型、RF、XGBoost等等掌握好就不錯了。

4、我身邊一些優秀的程式設計師、分析師、工程師都非常推崇“做中學，學中做”，無論是書本還是影片，看到一些好的方法和技巧，要立即自己實現一遍。看起來非常簡單的東西，真真動手的時候才會發現自己的不足。快速學完上述內容就儘快開始實踐吧，可以先復現天池或kaggle上優秀的notebook，然後就參與一些入門競賽。

5、如果你已有工作，最好的還是在業務中尋找機器學習應用場景，然後嘗試去開發一個適用的模型。不懂就搜尋，學習。這是我所知最好的，最有價值的學習方法。

6、輸出也是特別好的學習方式，輸出就是把新學到的知識用某種方式講給別人聽，做到讓他們也能理解、學會。我比較喜歡寫筆記（我常用的是微軟的OneNote），然後把筆記整理成文章發到部落格上。這樣不僅使對自己知識掌握程度的一種檢驗，發現薄弱點，也可以讓大家共同監督，相互學習，教學相長。

pdf版思維導圖，後臺回覆：指南

Python——書

之前跟出版社合作，書櫃裡積攢了很多Python相關的書，這裡推薦三本最有價值的吧。

《流暢的Python》，很厚，比較全面，可以作為工具書常常翻看。

學習人工智慧需要學習認知心理學、神經科學基礎、人類的記憶與學習、語言與思維、計算神經工程等相關專業知識。

學人工智慧，需要數學基礎：高等數學，線性代數，機率論數理統計和隨機過程，離散數學，數值分析。

需要演算法的積累：人工神經網路，支援向量機，遺傳演算法等等演算法;當然還有各個領域需要的演算法，比如要讓機器人自己在位置環境導航和建圖就需要研究SLAM;總之演算法很多需要時間的積累。

需要掌握至少一門程式語言：畢竟演算法的實現還是要程式設計的;如果深入到硬體的話，一些電類基礎課必不可少。

人工智慧門檻比較高，需要積累，如果你有這方面的天賦，可以去嘗試。

我覺得正確的方式是直接入手學習人工智慧目前最前沿的深度學習（deep learning）， 從神經網路開始著手，遇到什麼不懂的，多從教科書去補這一部分的知識。

學習人工智慧首先最基礎的是會python這個程式設計基礎其次你需要學習的就是數學基礎。這裡的數學基礎是和人工智慧相關的。機器學習

上面提到的這些就是AI的必備基礎，有了這些之後學習計算機視覺。

深度學習入門演算法（cnn gan rnn mlp）深度學習框架（tensorflow pytorch）opencv影象處理實戰cv重點專案

在這裡淺說了一下，算是入門框架。詳細的可以看我的兩篇人工智慧學習路線。