基礎是至關重要的，打算入門人工智慧的程式設計首先需要懂得JAVA，.net c+ c#等語言的基礎知識。像js這些也得有深入瞭解。有了這些基礎的。前期可以試著學習寫軟體，寫一些應用軟體，整合各種演算法去研究。到了一定的時候可以嘗試著寫演算法。程式設計是一條苦逼而漫長的路，希望我們的回答能幫到一些人。也預祝欲走向程式猿道路的小夥伴們在以後的程式設計之路上少遇到bug，少加班，多留些時間去找物件。程式狗本就很煎熬，再加上單身狗就更單調了。祝小夥伴們成功！

個人認為任何希望學程式設計的人都應該從純C開始學習，它是最接近硬體的語言，也是讓你瞭解到一切程式在計算機中如何執行的最佳語言。但是如果你覺得C太難，並且重點不在程式設計上，那麼你可以直接從python開始。python的優勢在於它有無數的輪子。你在用python的時候，任何你想寫點程式碼實現點功能的時候，打消這個念頭，去找找有沒有輪子。所以python只需要瞭解基本的語言特性和語法就可以開幹了。裝上tensor flow，然後就可以開始你的機器學習之路了。

機器學習界的hello world叫mnist, 這是一個識別手寫數字的專案。在tensor flow的官網上有完整的程式碼和解釋。

接下來，可以試試跑跑不同的模型，不同的啟用函式和迴歸演算法。

瞭解一遍之後，可以開始你自己的專案，使用image net做物體分類是個不錯的選擇，同時我也建議做股票預測，激動人心而且不像物體識別在一開始就能獲得較高的準確率。

模型搭好，訓練程式碼寫好之後，恭喜你成為了一名調參工程師。如果你想透過窮舉調參，那你可能要調一輩子，除非你先花個幾百萬搭建你的機器學習叢集。目前我試下來效率最高的調參方法是random search。在調參的過程中需要不斷去學習斯坦福的機器學習課程，因為即便是random search你也需要知道你設定的範圍。並且你得知道收斂不一致的原因等等。一個優秀的（GAO XIN DE）調參工程師需要深厚的深度學習知識背景。

接下來，你可以開始自己構建混合模型了。可能會有意想不到的收穫。

你這個問題比較寬泛，針對人工智慧技術如果要學習，一定要有一個系統的瞭解方式。對於任何學習都是一樣的。根據我個人的一些學習辦法（備註：此處是自己總結，沒有百度可查）。

1、對於已經進入社會並且工作的人。

首先合理的時間規劃非常關鍵，人生每一步都有很多事情需要做，那時候學習已經不是衡量一個人能力的主要標準。

怎麼去學一個我們完全陌生的領域？關鍵詞學習——框架圈定——收集資料——認識圈內朋友——實踐操作。

首先：關鍵詞學習。對於人類知識，沒有任何一種知識是完全脫離現有知識基礎進行學習的。因此，對任何新的東西你都可以有信心能學好。

一、關鍵詞梳理：

人工智慧，我們從工作的實操類能看到，當下談的最火的人工智慧，落到實處（社會生產工作中能夠使用的技術）的是神經元學習網路，大資料分析，影象識別，語音識別等。這些都是當下已經能夠進入門內的一些技術。透過這些技術作為一個門外漢，才能瞭解人工智慧技術。

透過以上的關鍵詞，我們能夠總結出一下幾個關鍵詞：演算法，程式設計，Python。

二、框架圈定

在總結出關鍵詞後，要自己進行框架圈定。最好遵循由容易到困難。例如：我們透過對演算法，程式設計，Python這三個詞的資料收集，我們會發現，python這個程式語言，被提及很多次，有很多人針對這python這個語言給出評價還有給出python對於人工智慧的實現方式。

歸結到實際中：透過自己的調查能夠看到身邊程式設計的朋友：java，.php，.net，C，C++等是很多人的關鍵點。透過這部分人瞭解Python的工作環境。

三、收集資料

四、認識圈內朋友

這點很關鍵，認識圈內的朋友。透過朋友瞭解行業內的實際操作方式。透過圈內朋友主要的好處在於可以解決你的困惑。像拜一位師傅一樣。

五、實際操作

實操是最重要的。怎麼實際操作？當然是幹活！

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。

目前人工智慧核心是神經網路，因此重點不是程式語言學習。建議買本python機器學習的書，先透過demo學習實驗建立基本概念和演算法驗證環境。然後重點應轉向目標問題域的背景知識學習，重點關注其它研究人員對相似問題的文獻，瞭解所用模型和關鍵引數，有條件的可嘗試重現實驗來加深理解。然後初步開始創造性工作。

這個問題就像我沒錢怎麼買法拉利呢？只能說你想多了。

沒學過程式設計就去學，先下幾年苦功夫之後再來談這些高大上的概念。上來就人工智慧，好高騖遠。

所為人工智慧 機械 程式 仿生 其中程式是一個板塊分支 機械 電子 又是一個分支 放生 又是一個分支 整體 機械電子程式仿生 當然這或許很複雜或許很簡單 或許 不需要很多 人工智慧概念是啥？很多人可能都停留在 那個語音聊天上（說不好聽的話一個有程式開發經驗的人寫這個聊天軟體很簡單） 但是真正的人工智慧 是定位為 只是人創作的像人一樣有那樣的智慧才能稱為人工智慧。不然所有的現有智慧只能是偽智慧。個人觀點

這個問題好深奧哦，就像不會游泳就想當海軍，不會切墩就想幹廚子，不會說學逗唱就想說相聲，尤其是一門範圍廣博的新興科技，老老實實地從程式語言開始學習，下苦功夫，方可有一點點的建樹。而且這門科技剛剛開始，人類忙乎幾百年的各門類技術好像都是為人工智慧而生的，這個領域學無止境，只要學習力足夠，終生不會失業了。

個人對人工智慧也挺感興趣，目前也已經正在學習相關的知識。因為基本沒有關於計算機技術相關的知識。目前學習的課程有：計算機基礎，計算機作業系統，計算機組成原理，資料結構，C語言。至於人工智慧技術，還是打算把這些基礎課學完再考慮。

人工智慧技術什麼時候和程式設計技術以及程式語言劃上等號了？人工智慧更多的是解決問題的方式和思維方法，是科學和社會學發展到一定程度融合出的結果，更是人類對自身和某些領域深入探查到一定深度和廣度後才觸碰到的一些入口。程式設計其實是最後對這些前人智慧和成果的使用，如果真想了解人工智慧技術，反而不能從程式語言入手，而是人工智慧發展史以及相關的知識庫入手，單學程式語言是沒辦法入人工智慧的門口的，功夫在門外。技術的門檻之所以高，很多時候是程式設計技術本身，而是所涉及的相關領域技術人員能不能深入把握，程式語言的語法解決不了社會問題，只是在某一個點解決實現的問題。技術這一行是最體現集體智慧的行當，無數人的智慧讓這個領域呈現出今天的輝煌和魅力，向前人致敬，向人類智慧致敬！