分享一下我以前自學的經驗。

前提條件：①一定的高等數學基礎，微分、偏微分、概率論、線性代數等。剛接觸不需要太深入，知道，熟悉一些概念即可（比如矩陣的行列式、偏微分求導）。②一定的程式設計基礎，主要是Matlab，Python，熟悉基本的語法即可。③有一定的英文聽讀能力。如果以上條件不具備，建議別入坑。

第一步：直接上Cousera搜斯坦福大學（Stanford）吳恩達的機器學習課程。如果掌握了前提知識，跟著學，學得懂。不懂的數學概念查資料。課後的練習是該課的精華，一定要自己做。如果不會科學上網，B站搜吳恩達機器學習網課版即可。

這個過程持續1個月，在這期間，可以買一本週志華老師的《機器學習》和李航老師的《統計學習方法》。前者是入門經典，後者更多從數學的角度來講機器學習，加深理解。

第二步：上完機器學習後，直接上吳恩達的深度學習大課，這麼大課又分幾門小課，涵蓋了深度學習的方方面面，比如CNN、RNN、LSTM、ResNet等。由於深度學習發展很快，一些新的演算法並沒有講到，一些演算法可能已經過時，但學習思想也是很重要的。

上完這一系列課程大概3個月，在這期間可以買一本《Deep Learning》，最好是英文原版。根據個人情況買一些其它書籍。

第三步：完成了上面兩步，基本就算入門了。接下來就是實踐+持續學習了。多去github找開源專案，B站、慕課網去找實戰專案。邊學邊做，達到一個熟練的程度。有機會，參加一下比賽，多跟大神交流。

這麼做，基本上半年，就可以入門了。

機器學習屬於人工智慧領域，人工智慧領域對數學要求還是比較高的。所以要想學習人工智慧個人建議應該做到以下幾點：

這裡的數學知識一般指的是線代，概率統計，微積分等計算機專業所開設的數學相關知識。紮實的數學知識是學習人工智慧的最基礎保障。只有會數學知識，才知道訓練模型是應該如何組合，應該選取怎樣的模型。如果沒有紮實的數學知識，也僅僅學會了課程中的案例而已，沒有什麼舉一反三的效果。

這裡的好書籍和課程不是炫技，而是將原理，過程講解的十分透徹，學會的不僅僅是案例demo，而是舉一反三，融會貫通。如果只學會了課程中的demo，這種情況是沒有明顯的提高的。也就不是好的入門資料或課程。入門是一個微妙的詞，遇見好的書籍或者課程會讓你信心倍增，反之會讓你延誤和放棄。

機器學習和程式設計分不開的，既然如此那選擇一門難度較低的程式語言是很重要的，這裡我推薦使用Python作為學習語言。Python上手簡單，邏輯明晰，很適合初學者。待到真正的產品實施，如果覺得速度比較慢可以遷移為C++語言或其他。

技術含量稍高的知識需要不斷學習，不斷積累，切不可三天打魚兩天晒網。知難而退有時候並不是明智之舉。

剛剛好今天購買了這個課程，195元

自己是零基礎，而且還38歲了

目的很簡單，就是為了學習，瞭解一下

機器學習要學的內容比較多，神經網路等

首先現在學習視訊很多，一定要看視訊，你自己看書不容易理解。其次，不要先搞什麼公式，從微積分，線代，概率開始學，你還沒看完就已經不想學。第三，機器學習是個很寬泛的內容，你還是要抓住你想學習的那一點，把那些幾個常用的模型搞清楚會用，再慢慢的深入。你不搞研究不讀博士沒必要玩什麼公式。

在開始學習ML之前，首先需要掌握一些基礎知識。

1.學習微積分

您需要的第一件事是多變數演算。

在哪裡學習： 確保做練習題。 否則，您只會隨課程一起點頭，不會學任何東西。

2.學習線性代數

注意：我聽過令人信服的論點，您可以跳過微積分和線性代數。 我認識的一些人直接進入了ML，並通過反覆試驗和直覺瞭解了他們所需的大多數知識，結果證明還可以。 您的里程會有所不同，但是無論您做什麼，都不要跳過此下一步

3.學習編碼

您需要的最後一件事是使用Python的程式設計經驗。 您可以使用其他語言進行ML，但是如今，Python已成為黃金標準。

您還應該密切注意numpy和scipy軟體包。 那些很多。

關於良好的程式設計習慣，我還有很多話要說。 一句話：通過良好的測試和錯誤處理，使程式碼清晰易懂且模組化。

專家提示：如果您正在學習從頭開始編寫程式碼，請不必記住每個命令。 只需學習如何快速線上查詢問題即可。 是的，這就是專業人士所做的。

另外：學習git的基礎知識。

如果你想知道背後的原理，建議先溫習數學知識：

1. 線性代數

2. 概率統計

3. 微積分，偏微分

4. 找一門知名的大學機器學習課程，比如斯坦福大學的

5. 深度學習

6. 神經網路（深度學習）

①機器學習的基礎是數學，入門AI必須掌握一些必要的數學基礎，但是並不是全部的數學知識都要學，只學工作上實際有用到的，比如是微積分、概率論、線性代數、凸優化等這些。

②資料分析裡需要應用到的內容也需要掌握，但不是網上所說的從0開始幫你做資料分析的那種，而是資料探勘或者說是資料科學領域相關的東西，比如要知道計算機裡面怎麼挖掘資料、相關的資料探勘工具等等

補足了以上數學和資料探勘基本知識，才可以正式進行機器學習演算法原理的學習。

③演算法方面需要掌握一些基本的框架：python、spark、mllib、scikit-learning、pytorch、TensorFlow，資料方面需要懂得HQL、numpy、pandas，如果你本身是後臺開發、app開發、資料分析、專案管理，則是一個學習演算法的一個加分項。

④最後需要對人工智慧有全域性的認知，所以菜鳥窩的機器學習vip大課會講授到演算法理論，包括機器學習、深度學習兩大模組，相關的演算法原理、推導和應用的掌握，以及最重要演算法思想。

現在網路上有挺多的學習視訊的，我自己也學習了好多，推薦給你一些資源吧，菜鳥窩的人工智慧入門視訊，你搜下菜鳥窩就有了