人工智慧和機器學習可以說是最近幾年最火爆的研究領域。人工智慧和機器學習涉及許多數學學科，最主要的就是機率統計理論，矩陣理論，以及運籌學等，與程式設計師不同，人工智慧的研究更偏向理論性和不是碼程式碼，因此對程式設計能力的要求沒那麼高，建議首先從理論入手，然後嘗試利用Python和R實現一些常見的演算法，鞏固自己理論知識的同時提高coding的能力，最後便是學習一些最新的深度學習框架TensorFlow，Caffe，Theano和PyTorch等。

人工智慧是是計算機科學研究領域的一個重要分支。人工智慧是眾多學科的一個交叉學科，關於人工智慧並沒有一個統一的定義，我們可以理解為人工智慧就是利用機器來模仿和執行人類大腦的智力行為，開發一個能夠在人類現實環境下做出反應和行為、不斷學習知識、能夠從一個新生兒變得越來越聰明的系統或軟體。人工智慧包括眾多的分支領域，比如大家熟悉的機器學習、自然語言理解和模式識別等。

機器學習屬於人工智慧研究與應用的一個分支領域。機器學習的研究更加偏向理論性，其目的更偏向於是研究一種為了讓計算機不斷從資料中學習知識，而使機器學習得到的結果不斷接近目標函式的理論。

機器學習，引用卡內基梅隆大學機器學習研究領域的著名教授Tom Mitchell的經典定義：

如果一個程式在使用既有的經驗E(Experience)來執行某類任務T(Task)的過程中被認為是“具備學習能力的”，那麼它一定要展現出：利用現有的經驗E，不斷改善其完成既定任務T的效能(Performance)的特質。

作者曾經寫過系列《想要學人工智慧，你必須得先懂點統計學》，共14篇文章，詳細內容可以到作者主頁檢視，主要向大家介紹了在學習人工智慧和機器學習之前有必要掌握的一些基礎統計理論，這些統計理論將有助於後續理解相關的機器學習演算法和對資料探勘結果的解釋。

主要是機器學習過程的運算都是以矩陣的形式進行，因此需要掌握的矩陣理論的主要知識有，矩陣的基本運算，矩陣變換和線性空間以及矩陣求導等。

因為機器學習中的很多問題都是凸最佳化問題，比如支援向量機SVM，因此，需要學習一些運籌學當中最佳化問題求解的演算法，瞭解機器學習中的最佳化問題，求解凸最佳化問題的演算法以及更有深度當然就是非凸最佳化問題。

具有一定的數學基礎之後，建議先學習傳統的機器學習演算法，比如SVM，ANN，聚類，關聯規則挖掘，SOM、boosting，迴歸、決策樹，貝葉斯模型等。並嘗試在不呼叫介面的情況用Python實現相關演算法，以提高自己對演算法的理解能力和coding能力。

掌握傳統的機器學習演算法後，學習最新的深度學習演算法，比如CNN，RNN等，不斷加深自己的理解。

最新統計Python在資料科學中的應用已經超過R，並且現在許多最新的深度學習框架都提供了Python的介面，因此程式設計推薦學習Python。

不妨直接說怎麼入門深度學習。無論學習任何新的東西，不要去想我需要什麼前置知識，也不要去試圖先把前置知識補齊後再開始。無論你想學什麼，你需要做的就是馬上開始。因為只有你開始了，你才知道哪些前置知識是你真正需要的，然後一邊學一邊補你需要的。

回到正題，我的建議是如果經濟上允許，上一塊1080TI顯示卡，如果新配主機，我建議主機板選用支援雙顯示卡的。如果經濟上難以承受，那麼可以先上1050TI，至少4G視訊記憶體，否則很多模型跑不起來，因為接下來我會推薦你從影象開始。

機器配好，可以參照Nvidia的官網介紹安裝CUDA，框架選用Tensorflow或者Pytorch。Pytorch會更容易上手，但tensorflow更有助於你掌握深度學習的訓練和演算法。裝好框架，那麼你就可以開始你的深度學習之路了。

接下來你就可以開始深度學習界的hello world--mnist。這是一個手寫數字識別的專案，在tensor flow官網和GitHub上都有原始碼。當然是用python寫的，關於python，我還是那個觀點，有程式基礎的直接使用就可以，遇到問題再看python文件就可以。先執行mnist，然後試試調調一些引數。接下來你可以繼續mnist或者image net的分類任務或者其他的專案。

在開始這些實踐的同時，我並不推薦吳恩達的課程。他的課程理論和公式比較多，對初探門徑的人很容易打擊信心。斯坦福大學李菲菲的CS231n是一門偏重實踐的課程，建議先邊實踐邊學習這門課程。學完之後可以根據自己的理解情況再去學習吳恩達的，吳恩達的學完可以再去學習Bengio的。這些都必須是建立在邊實踐邊學習。課程裡的assignment可以不用做，畢竟不是學生時代了，把有限的精力放在實際需要上。

做影象的優勢和劣勢都在於你錯過了最複雜的部分，資料分析處理和建模。那麼你可以做一個金融時間序列預測的專案，股票是個不錯的選擇，我不建議期貨是因為實盤時候穩定的決策系統是非常難做的。股票風險相對較小。

記住最重要的一點是深度學習你一定可以掌握，不要中途放棄。