很多同學問我，AI方向的知識多而雜，哪些該重點學習？學習路徑又是怎么樣的呢？

今天，我將自己的學習路徑及我所參考的資料全部免費分享出來，希望能夠幫助到大家。

AI知識大綱

AI知識大體可以分為5個模塊，接下來我會依次介紹每個模塊的學習路徑，最后給大家推薦幾個實戰(zhàn)項目，幫助大家快速入門人工智能。

一、Python編程基礎(chǔ)

在AI領(lǐng)域，目前大部分程序員都使用Python作為第一語言。

學會上述操作后就入門了，但一定要將基礎(chǔ)部分的內(nèi)容掌握扎實。進階操作在前期不著急學習，可以在日后使用過程中逐漸精通，比如函數(shù)式編程、多線程使用、異常處理與日志管理等等。

書籍推薦

這里給大家推薦兩本學習Python必備書籍。《Python編程》中每個知識點下都有對應示例，非常直觀。入門后，《流暢的Python》可以幫你精通Python，完成從小白到大神的進階。

二、數(shù)學基礎(chǔ)

很多同學看到數(shù)學就頭疼，其實模型通用的基本數(shù)學原理并不難，難的公式在之后的模型中遇見時再逐個擊破即可。

切記前期不要深陷到數(shù)學知識中去深挖！！

高數(shù)

比如梯度下降和反向傳播的根本原理就是求導，全局最優(yōu)解就是極值點，所以最優(yōu)解一定在導數(shù)的某一個拐點處，類似的很多知識都是高中就學過的。

線代

首先要明白矩陣各維度所代表的意義

其次清楚矩陣的運算規(guī)則

概率論

概率論的知識在AI體系中看似不那么重要，但卻無處不在。從數(shù)據(jù)預處理、建模、模型參數(shù)初始化及歸一化，到最后的結(jié)果分析都與概率論息息相關(guān)。

書籍推薦

這里推薦的是3本經(jīng)典教材與1本我個人非常喜歡的《數(shù)學之美》。3本教材書無需多述，《數(shù)學之美》把抽象、深奧的數(shù)學方法解釋得通俗易懂，非常精彩，很多模型原理都可以在其中找到你想要的回答。

三、數(shù)據(jù)分析

在具備一定的編程能力與數(shù)學功底后，我們就可以對實際問題進行分析與挖掘。

爬蟲

很多同學問算法工程師需要學爬蟲嗎？我的回答是：算法的重點在于建模，算法工程師掌握基本爬蟲知識就好，因為單位一般都有專門的采集工程師。

必備三劍客

不論你做數(shù)分還是算法，Numpy、Pandas和Matplotlib都是必須掌握的。但這部分內(nèi)容很雜，沒必要進行系統(tǒng)學習，就好像Excel中的函數(shù)一樣。

四、機器學習

從機器學習開始就正式進入到了人工智能的領(lǐng)域。ML涉及的算法都是白盒算法，使用可解釋的數(shù)學公式去擬合數(shù)據(jù)、學習參數(shù)然后進行預測，最后對模型進行評估。

機器學習算法因為都有可解釋性，所以大家需要搞懂數(shù)學原理，并知道模型之間的差異、以及適用于什么數(shù)據(jù)集。

對于回歸任務(wù)與分類任務(wù)，我們也需要知道各種評估指標間的差異與使用場景。

書籍推薦

這里推薦兩本學習ML必備書籍。周志華老師的《機器學習（西瓜書）》與李航老師的《統(tǒng)計學習方法》。

這兩本書非常經(jīng)典，講述了機器學習核心數(shù)學理論與模型推導全過程，是夯實理論的不二選擇。強烈推薦將書籍與上述推薦視頻相結(jié)合進行學習。

五、深度學習

深度學習是黑盒算法，不具可解釋性，初學者通常會覺得它比較神秘。但它的基礎(chǔ)神經(jīng)網(wǎng)絡(luò)，可以說是由眾多個邏輯回歸函數(shù)組成，所以在學機器學習時一定要將邏輯回歸徹徹底底學明白。

未完待續(xù)

上述提到的重點內(nèi)容日后會繼續(xù)和大家分享，文字難以表達的也會以視頻的方式和大家見面。

資料領(lǐng)?。?/p>

1. 一鍵三連+關(guān)注

2. 后臺主動留下自己的足跡：“書籍”（重點）