AI领域简介

AI，也便是人工智能，工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，打算机视觉等等，总的说来，人工智能研究的一个紧张目标是使机器能够胜任一些常日须要人类智能才能完成的繁芜事情。
但不同的时期、不同的人对这种“繁芜事情”的理解是不同的。
目前能够用来研究人工智能的紧张物质手段以及能够实现人工智能技能的机器便是打算机，人工智能的发展历史是和打算机科学与技能的发展史联系在一起的。
除了打算机科学以外, 人工智能还涉及信息论、掌握论、自动化、仿生学、生物学、生理学、数理逻辑、措辞学、医学和哲学等多门学科。

既然要学习，首先会想到的一个问题是：AI好入门吗？实在不好是很好入门的。
以机器学习为例。
在学习的过程中，你会面对大量繁芜的公式，在实际项目中会面对数据的缺少，以及艰辛的调参等等。
如果仅仅是由于以为这个方向未来会“火”的话，那么这些困难会很随意马虎让人放弃。
考虑到普通程序员的特点，而要学习如此困难的学科，是否便是没有道路的？答案是否定的。
只要制订得当的学习方法即可。

怎么学？

首先，要思考一下三个问题：我要学的是什么？我要怎么学习？我若何学习？

这三个问题实在便是：学习目标，学习操持和学习方针。
学习目标便是你要学那个方向，这个目标很好确定。

学习方针可以总结为 “兴趣为先，践学结合”。
大略的来说便是先培养兴趣，然落后修中把实践穿插进来，螺旋式提高。
这种办法学习效果好，而且不随意马虎让人放弃。
有了学习方针往后，就可以制订学习操持，也便是学习路线。
下面便是学习方案路线的先容，以机器学习为例。

首先要理解这个领域，建立起全面的视野，培养起充足的兴趣，然后开始学习机器学习的根本，这里选择一门由浅入深的课程来学习，课程最好有足够的实验能够进行实战。
打下根本后，对机器学习已经有了充足的理解，可以用机器学习来办理一个实际的问题。

无论学习什么，都须要过硬的根本知识，以及较强的编码能力，因此很能稽核和磨炼水平。
经由这个阶段往后，可以说是踏入AI领域的门了。
“师傅领进门，修行在个人”。
之后的路就要自己走了。

下面便是每个阶段的详细先容：

在学习任何一门知识之前，首先都是理解这个知识是什么？它能做什么事？它的代价在什么地方？如果不理解这些的话，那么学习本身便是一个没有方向的舟，不知道驶向何处，也极易有沉船的风险。
理解这些问题后，你才能培养出兴趣，兴趣是最好的引***，学习的动力与持久力才能让你搪塞接下来的多少个阶段。

如果你离校非常久，或者以为根本不牢，最好是先准备一下复习事情，“工欲善其事，必先利其器”。
以下的准备事情不多，但足以搪塞后面阶段的学习。

数学：复习以下基本知识；

线性代数：矩阵乘法；

概率论：条件与后验概率。
其他的一些知识可以在后面的学习的过程中按需再补；

英文：常备一个在线英文词典，例如爱词霸，能够不吃力的看一些英文的资料网页;

梯子：最好是可以随时随地的上Google，这是一个很主要的查询工具。
倒不是说百度不能查不能看，而是大多数的情形下Google搜出来的资料比百度搜的几十页的资料还管用，尤其是在查英文关键字时。
节省韶光可是很主要的学习效率提升；

机器学习的第一门课程首推Andrew Ng的机器学习。
这门课程有以下特点：难度适中，同时有足够的实战例子，非常适宜第一次学习的人。

3. 实践做项目

在学完根本课程之后，你对机器学习就有了初步理解。
现在利用它是没有问题的，你可以把机器学习算法当作黑盒子，放进去数据，就会有结果。
在实战中你更须要去关心如何获取数据，以及怎么调参等。
如果有韶光，自己动手做一个大略的实践项目是最好的。

深度学习：深度学习是目前最火热的研究方向。
有以下特点：知识更新快，较为零星，没有系统讲解的书。
因此学习的资源也相对零散，下面是一些资源先容：

UFLDL： 非常好的DL根本教程，也是Andrew Ng写的。
有很详尽的推导，有翻译，且翻译质量很高；

Deep learning (paper)：2015年Nature上的论文，由三位深度学习界的大牛所写，读完备篇论文，给人居高临下，一览众山小的觉得，强烈推举。
如果只能读一篇论文理解深度学习，我推举此篇。
这篇论文有同名的中文翻译;

Neural networks and deep learning：这本书的作者非常善于以浅近的措辞表达深刻的道理，虽然没有翻译，但是阅读并不困难；

Recurrent Neural Networks： 结合一个实际案例见告你RNN是什么，整篇教程学完往后，会让你对RNN如何产生浸染的有很清晰的认识，而这个效果，乃至是读几篇干系论文所没有的；

深度学习未必便是未来的一定主流，至少一些大牛是这么认为的。
传统的机器学习有如下特点，知识系统化，有相对经典的书。
个中统计学习(代表SVM)与集成学习(代表adaboost)是在实践中利用非常多的技能。
下面是干系资源：

机器学：如果是在以前，机器学习方面的经典教材首推PRML，但现在周老师的书出来往后，就不再是这样了。
首先推举读周老师的书。
这本书有一个特点，那便是再难的道理也能用浅近精髓精辟的措辞表达出来。
正如周老师的名言：“表示你水平的地方是把难的东西讲随意马虎了，而不是把随意马虎的东西讲难，想把一个东西讲难实在太大略“；

当知识储备较为充足时，学习可以再次转入实践阶段。
这时候的实践仍旧可以分两步走，学习经典的开源项目或者揭橥高质量的论文。
开源项目的学习该当以只管即便以优化为目的，纯挚为读代码而学习效果每每不太好。
好的开源项目都可以在Github 里搜索。
这里以深度学习为例。
深度学习的开源精良库有很多，例如torch，theano等等，这里列举个中的两个：

DeepLearnToolbox：较早的一个深度学习库，用matlab措辞撰写，较为适宜从刚学习的课程转入学习。
遗憾的是作者不再掩护它了;

tensorflow：Google的开源库，时至今日，已经有40000多个star，非常惊人，支持移动设备；

总结

首先你须要对这个领域进行充分的理解，培养兴趣。
在学习的时候，保持着循规蹈矩的方法，不要年夜进的学习过难资源;结合着学习与实践相辅的策略，不要只读只看，要实际动手才有造诣感。
学习某个资源时要有充分的目的，不是为了学开源项目而看代码，而是为了写开源项目而看；

如果一个学习资源对你太过难，并不能理解，这也不代表一定是你的问题，可能是学习资源的演讲或撰写人的问题。
能把难的问题讲大略的人才是真正有水平的人。
以是，一定要学习优质资源，而不是不分是非黑白的学习。
末了，牢记以兴趣来学习。
学习的韶光很长，过程也很困难，而只有兴趣才是让你始终如一，占领难关的最佳助力。

分享 IT 技能和行业履历，请关注-技能学派。