如何優雅的入門人工智能？

      這兩年，人工智能已經火到了全民皆知的地步。隨着阿爾法狗聲名鵲起以後，無人駕駛、人臉識別、郵箱分類、圖片美化、聲紋識別等人工智能的產物都進入了你們的視線。你們都對人工智能的前景很看好。其中不乏一些想入門人工智能的學生和IT類職員。

      本文並非給你們上人生課，用機器學習的語言來講，我這篇文章不是分類文，而是迴歸文。也就是說，具體要不要入門人工智能，你們要本身想好了，若是已經堅決了信念，從此要在人工智能的路上走下去的話，恭喜你，你至少已經成功了四分之一。我結合着本身在人工智能領域的經驗，給你們分享下該如何入門人工智能，但願可以幫助處於迷茫中的人羣。

人工智能只是一個大領域，他擁有兩個小領域，一個是機器學習，另外一個是深度學習。那麼同窗們是否是一入門，就要抉擇是選擇深度學習仍是機器學習呢？ 一入門就選的話，估計同窗們會很痛苦，還好，這個時候並不須要選擇，由於深度學習是機器學習的子類，換句話說就是，想要學習深度學習，機器學習的部分知識你也是要掌握的。那麼擺在你們面前的就只剩下一條路了，先學習機器學習！

      我不會像不少文章那樣列舉幾十個連接堆在那，毫無先後關係，內容多的讓人崩潰。我結合着本身學習的心路歷程，推薦幾個經典的東西，讓你們優雅的入門。

• 數學基礎部分

學習機器學習，要有一些數學基礎，好在要求的數學基礎都是高中及大學的層次，相信你們都學過。即便忘了，再去尋找之前的記憶也相對容易一些。我列舉下必備的知識。

1.線性代數（矩陣、特徵值、特徵向量、秩）

2.微積分（極限、導數、拉格朗日中值、泰勒級數展開）

3.統計學 (相關性分析、指望、方差、分佈、指標)

注:不少文章都說凸優化的知識，其實凸優化多數都是用在研究領域，對於剛入門做用不大，暫時不建議你們看。

書籍方面：去翻下大學相關課程教材便可。不建議從頭開始學，很耗時，去翻翻上面說的幾部份內容就能夠。若是以爲不夠能夠再去看看吳軍的《數學之美》和李航的《統計學習方法》。這兩本書仍是比較經典的。

視頻方面：我錄製了一門數學基礎入門的課，感興趣的話，能夠看下。

>>>>>>機器學習數學基礎<<<<<<

• Python語言基礎

如今機器學習中，Python語言用的居多。若是你是程序員出身，已經有過Python,C++,Java語言的話，這一步就很簡單了。若是你如今還不懂編程語言，也不要緊，Python是一門很簡單的語言。Python語言其實也有難點，但好在機器學習裏面用不上，是否是有難以掩飾的激動【劫後餘生臉】.相信你們通過1周時間基本就能夠應用了。我給同窗們列舉下該學習哪部分。

基礎部分：推薦給你們一個網上的教程，若是這個連接失效了，也能夠本身在搜索引擎上搜《Python3教程》關鍵字(這裏推薦你們學習Python3，若是已經有了Python2的基礎，也能夠忽略) https://m.runoob.com/python3/。

模塊部分：Numpy、Pandas、Matplotlib。這幾個是須要你們掌握的。你們本身在搜索引擎上搜。若是我之後發現好的這方面的文章，再推薦給你們。

視頻方面：我也錄製了一門Python基礎入門的課，就是針對這三個模塊進行的講解。感興趣的話，能夠看下。

>>>>>>人工智能Python基礎<<<<<<

其餘的呢，能夠看下scikit-learn這個模塊。他是機器學習的一個Python庫。有不少機器學習方面的模型，用scikit-learn能夠很快的實現。你們也能夠在瞭解機器學習以後，再學習也能夠。

• 機器學習基礎

這一部份內容仍是不少的，講的都是一些經典的入門算法，你們要好好的感覺下這些算法的精髓。

• 線性迴歸、梯度降低、邏輯迴歸

• 決策樹和隨機森林（ID三、C4.五、CART、GBDT、RandomForest）

• SVM (軟間隔、損失函數、核函數、SMO算法、libSVM)

• 聚類(K-Means、聚譜類SC)

• EM算法(最大似然估計、Jensen不等式、混合高斯分佈、主題模型pLSA)

• 主題模型LDA

• 隱馬爾可夫模型

書籍方面:Andrew Ng — Machine Learning Coursera from Stanford

視頻方面：我也錄製了一門機器學習基礎入門的課。

>>>>>>從零開始機器學習<<<<<<

有了上面的基礎，選擇一門由淺入深的課程來學習。基礎打下後，對機器學習已經有了充足的瞭解，能夠用機器學習來解決一個實際的問題。解決實際問題的時候，可能涉及到上面基礎部分的延伸，相信有了上面的基礎部分，再繼續學習起來就容易不少。經過實戰經驗積累之後，能夠考慮繼續進行學習。這時候有兩個選擇，深度學習或者繼續機器學習。深度學習是目前最火熱的機器學習方向，這裏推薦你們選擇TensorFlow框架。它是谷歌公司的開源框架，雖說並非最先的，可是不管它背後的技術沉澱，仍是它的更新速度都是好的。也在開源的衆多深度學習的框架中遙遙領先。深度學習其中一些方法已經跟傳統的機器學習不太同樣，所以能夠單獨學習。除了深度學習之外，機器學習還包括統計學習，集成學習等實用方法。若是條件足夠，能夠同時學習二者，一些規律對二者是共通的。學習完後，你已經具有了較強的知識儲備，能夠進入較難的實戰。這時候有兩個選擇，工業界的能夠選擇看開源項目，以改代碼爲目的來讀代碼；學術界的能夠看特定領域的論文，爲解決問題而想發論文。不管哪者，都須要知識過硬，以及較強的編碼能力，所以很能考察和鍛鍊水平。通過這個階段之後，能夠說是踏入AI領域的門了。

入門以後也算是值得高興了，可是你離精通其實還有很遠的一段路要走，想要在這個行業長久地活下去，內功的修煉要比外功重要得多，否則會活得很累，也很難得到一個優秀的晉升空間。入門以後，趕快找一家公司去工做。在工做中會把你學習的知識融會貫通。並且剛步入公司，也會有一些大拿級別的人帶你。這樣的話，對你從此的發展都有很大的幫助。

另外列舉一些面試中常常考的知識點。

線性迴歸數學推導

可用性評估：獲取難度、覆蓋率、準確率

特徵清洗：清洗異常樣本 

採樣：數據不均衡、樣本權重

單個特徵：無量綱化(標準化、歸一化)、二值化、離散化、缺失值（均值）、啞編碼（一個定性特徵擴展爲N個定量特徵）

數據變換：log、指數、Box-Cox 降維：主成分分析PCA、線性判別分析LDA、SVD分解

特徵選擇：Filter（相關係數、卡方檢驗）、Wrapper（AUC、設計評價函數A*、Embedded（L1-Lasso、L2-Ridge、決策樹、DL）

點擊博客裏個人主頁，有更多幫助你們入門的課程！