最簡單的就是參加職業培訓和看書。把大學學的線性代數，微積分，機率論和數理統計複習一下，看本python程式設計書籍，選擇tensorflow或caffe作為自己的主要深度學習框架，在上面程式設計實踐。當然，還要選擇一個主攻方向，比如計算機視覺，語音識別這些。這些搞懂了差不多入門了，後面可以根據主攻方向或者專案方向，看各大會議的論文，瞭解行業的現狀，有能力可以複線論文的演算法，並改進。當然，經典的書籍建議讀一讀，提高自己，比如深度學習，還有一些開原始碼

假設你是零基礎，如果有基礎的，可以略過自己已經掌握的部分技術。

1、務實基礎，學習高數和Python程式語言。

因為人工智慧裡面會設計很多資料、演算法的問題，而這些演算法又是數學推匯出來，所以你要理解演算法，就需要先學習一部分高數知識。

先將高等數學基礎知識學透，從基礎的資料分析、線性代數及矩陣等等入門，只有基礎有了，才會層層積累，不能沒有邏輯性的看一塊學一塊。

再就是學習python程式語言，Python具有豐富和強大的庫，作為人工智慧學習的基礎程式語言是非常適合的。

2、階段晉升，開始學習機器學習演算法+實踐演練。

掌握以上基礎以後，就要開始學習完機器學習的演算法，並透過案例實踐來加深理解和掌握。還有很多機器學習的小案例等著你來挑戰，前面掌握的好，後面當然輕鬆很多，步入深度學習

3、不斷挑戰，接觸深度學習。

深度學習需要機器大量的經過標註的資料來訓練模型，所以你的掌握一些資料探勘和資料分析的技能，然後你再用來訓練模式。在這裡你可能會有疑問，據說深度學習，好像有很多神經網路，看著好複雜，編輯這些神經網路那不是太難了，你大可放心，谷歌、亞馬遜、微軟等大公司已經把這些神經網路模型封裝在他們各自的框架裡面了，你只需要呼叫就可以了。

4、不斷實戰，曾倩自己的實力經驗。

實戰是檢驗真理的唯一標準。當你掌握了基本的技術理論，就要開始多實踐，不斷驗證自己的理論，更新自己的技術。如果有條件的話，可以從一個專案的前期資料探勘，到中間模型訓練，並做出一個有意思的原型，能把一整套的流程跑通，那麼恭喜你，你已經具備一名人工智慧初級工程師的水準了。