唐宇迪-人工智能学习路线（上篇）

唐宇迪：51CTO微职位讲师，计算机博士，人工智能专家

内容梗概：介绍人工智能学习步骤和知识框架。人工智能的学习能够拆分为7步，此为1-3步：上篇。

第1步：必备基础技能

要学人工智能（数据科学）这行仍是须要一些基本功的，最基础也是最核心的就是Python和数学了！这两兄弟入门起来并不难，先掌握基础的边用边学也是能够的！

1）必备Python基础

若是对Python不熟悉的同窗们，建议先看一下个人Python入门视频课程，能够快速入门！免费学习连接：https://edu.51cto.com/course/8399.html

• 为何是Python？
  最直接的解释就是你们都用它！之前是面向对象编程，后来你们更喜欢面向复制粘贴编程，如今懒到面向github编程，确实如此，该偷懒就得偷懒，Python就是这个做用！后续全部的实战内容都是基于Python，因此没得选啦！

• 须要安装什么？
  Anaconda就够了！Anaconda就够了！Anaconda就够了！好了，说了三遍了，具体解释你们参考上面传送门课程就好

• 用什么编程工具开始？
  虽然你们都有趁手的兵器，可是我给你们准备的绝大多数课件都是基于jupyter notebook的，因此这个确定是必备的！

2）必备Python工具包

• 什么是工具包？
  工具包就是人家把功能都写好了，我们直接调用就完事啦！数据处理，分析，建模等都有对应的工具包。对于学习来讲并不用把这些工具包背下来，先熟悉起来，后续确定仍是要现用现查的。

• 哪些工具包是初学者必备的呢？

工具包名称	功能概述
Numpy	矩阵计算必备！它是后续一切计算的核心，数据科学领域核心工具包
Pandas	数据处理必备！读数据，处理数据，分析数据，非他不可!
Matplotlib	可视化必备！功能十分强大，没有画不出来的图，分析展现就靠它了！
Seaborn	更简单的可视化神器！一行代码给你搞定一个可视化展现结果

3）必备数学基础

• 数学重要吗？非学不可吗？
  数学有多重要同窗们确定都十分清楚，尤为是在人工智能（数据科学）领域，不懂数学想必步履维艰，不少同窗都问过我一个问题，工做中真能用上这么多数学吗？

我跟你们来解释一下，人工智能这行发展至关迅速，在实际工做中确定要边干边学，学什么呢？想必就是当下的一些优秀论文了，若是连基本的数学公式都看不懂，那就不用再去谈什么高端技术了。作这行的同窗们确定都会有这样一个想法，所谓的人工智能就是对数据作各类各样的数学计算罢了！

• 如何学数学？要定一个长期计划吗？
  对于数学我以为并不须要从头开始花大量时间一步一个脚印去学习，举一个例子，我和我身边的同事，朋友都是干这行蛮久的了，数学不知道撸了多少遍了，考研时候也曾刷题无数，但也会遇到这样的问题，不少知识点若是一段时间没看很快仍是会忘记。

我最常作的一件事就是用到什么查什么，查找的过程其实也是学习进步过程。建议你们能够快速过一遍经常使用的知识点（高数，线性，几率论中的基础），这个过程当中千万别去看各类解题过程，也不用管具体求解的方法，说白了就是只要理解一个公式是作什么的，有什么用就足够了，相似教材中的习题，练习册上的求解这些通通不须要，之后也根本不会用笔去算这些麻烦事，把这个时间省下来去学习算法更划得来！

下面是课程中所设计的知识点，也是必备基础

知识点	内容	做用
高等数学	高等数学基础，微积分，泰勒公式与拉格朗日	机器学习公式推导必备
线性代数	线性代数基础，特征值与矩阵分解	算法求解必备
几率论	几率论基础，随机变量与几率估计，经常使用分布	机器学习常常提这些词
统计分析	回归分析，假设检验，相关分析，方差分析	数据分析必备

---

第2步：机器学习

人工智能领域最核心的就是机器学习了，不管你们后续想从事哪一个方向，确定都是先从机器学习开始！主要就两件事，第一就是掌握经典算法原理，第二就是熟练应用Python工具包进行建模实战！

1）机器学习算法

• 算法要学什么？
  理解机器学习算法是如何对数据进行操做从而完成建模求解过程，说白了就是熟悉下数学在算法中是如何应用的。重在理解便可！不要对一个问题钻的没完没了，这样太浪费时间了，没准后续学习过程当中一会儿就迎刃而解了。

我以为对算法的学习确定不止一遍，尤为是准备面试就业的同窗们，二刷，三刷都是很正常的现象（曾经有同窗跟我说面试前一共刷了6遍课程）

• 有了深度学习还须要机器学习吗？
  深度学习能够说是机器学习算法的一种，并非有了神经网络其余经典算法就不须要了，须要根据不一样的任务和数据来选择最合适的算法，学习路经确定是先从机器学习开始，其实掌握了这些经典算法以后再看神经网络真的很简单！

下面是课程中会讲解的算法，也是你们必须掌握的！这里没有列出全部机器学习算法，由于有不少如今已经不实用了。

知识点	内容	概述
分类算法	逻辑回归，决策树，支持向量机，集成算法，贝叶斯算法	准备面试的同窗们必须掌握
回归算法	线性回归，决策树，集成算法	有些算法既能作分类也能作回归
聚类算法	k-means，dbscan等	无监督是实在没标签的时候才考虑的
降维算法	主成分分析，线性判别分析等	重在理解降维的思想
进阶算法	GBDT提高算法，lightgbm，，EM算法，隐马尔科夫模型	进阶算法有时间精力的同窗们能够挑战

2）机器学习算法实验分析

经过对比实验分析经典算法建模方法及其参数对结果的影响，经过实验与可视化展现理解算法中的参数与应用实例。

案例名称	内容概述
线性回归实验分析	掌握一元与多元线性回归，非线性回归方法，正则化惩罚的做用
模型评估方法	经常使用分类与回归算法评估方法对比，数据集切分实例
逻辑回归实验分析	经典分类模型构造方法，决策树边界绘制方法
聚类算法实验分析	无监督建模实例，聚类算法评估方法，无监督的做用与应用实例
决策树实验分析	树模型可视化实例与构造方法，树模型的分类与回归应用
集成算法实验分析	集成方法应用实例与效果分析，常见集成策略对比
支持向量机实验分析	SVM涉及参数与建模对比实验
关联规则实战分析	关联规则必备知识点与建模分析实例

3）机器学习算法代码复现

为了更好理解算法的机制从零开始复现经典算法，坚持不掉包原则，一步步完成算法所需全部模块。

• 为何要本身复现代码？有何价值呢？
  主要目的是更好的掌握算法的工做原理，重在练习！有时间的同窗们能够本身复现一遍，时间紧的同窗就没必要亲力亲为了。

案例名称	内容概述
线性回归代码实现	分模块构建算法经常使用函数
逻辑回归代码实现	实例解读逻辑回归实现方法
Kmeans代码实现	很是简单易懂的无监督算法
决策树代码实现	树模型其实就是递归实现
神经网络代码实现	代码量略大，建议debug模式学习
贝叶斯代码实现	贝叶斯在文本任务中仍是比较好解释
关联规则代码实现	经常使用的数据分析算法
打造音乐推荐系统	从零开始构造推荐系统模型

4）机器学习经典案例实战

• 实战须要掌握哪些技能？
  在实战中可能把数学知识点都弱化了，由于更多时候咱们都是使用现成的工具包来完成任务（调包侠）。这里须要你们掌握的节能功能比较多，首先就是熟练使用这些经常使用工具包了，数据预处理，特征工程，调参，验证这些都是很是核心的步骤。

归纳来讲就是要完成不一样的任务所需流程和套路都是相似的，可是使用的方法和算法却可能不一样，这就须要你们不断积累来丰富实战经验了。给同窗们提供的这些案例你们均可以看成是本身的实战模板！

• 这些案例能让我收获什么？
  最重要的就是学会针对不一样数据（数值，文本，图像）如何进行预处理与分析，熟练应用工具包中各大核心函数进行调参与预处理，针对不一样任务提出多种解决方案并进行实验分析。总结起来就是多作实验，多动手，代码写的多了天然就熟练了！

案例名称	内容概述
K近邻算法实战	机器学习入门案例，掌握工具包应用于建模方法
交易数据异常检测	十分重要，数据处理和建模策略的详细分析对比
集成算法建模实战	集成不用我多说了，必备核心策略
基于随机森林的气温预测	随机森林是机器学习中最经常使用的算法，详细分析对比
新闻分类实战	文本数据分析处理，基于贝叶斯算法展开建模实战
聚类实践分析	无监督应用实例
时间序列分析	时间序列数据制做方法，基于序列数据进行建模
用户流失预警	我常常说梦幻西游的用户流失，这个只是个DEMO
使用lightgbm进行饭店流量预测	又是一个大杀器，比xgboost还虎
人口普查数据集项目实战-收入预测	核心模板，数据分析，可视化啥的该有的都有
贝叶斯优化实战	难度较大，贝叶斯优化工具包使用实例
文本特征方法对比	文本数据经常使用特征提取方法对比
制做本身经常使用工具包	本身作个包玩玩

5）机器学习实战集锦

这里还给你们准备了丰富的实战项目，很是适合你们来练手！

案例名称	内容概述
Python实战关联规则	用工具包来作关联规则实在过轻松了
爱彼迎数据集分析与建模	房价数据集分析与建模实例
基于类似度的酒店推荐系统	来构建一个推荐系统完成酒店推荐
商品销售额回归分析	销售额预测，很常规的任务，常规套路搞定
绝地求生数据集探索分析与建模	绝地求生数据集，来看看你究竟被什么人干掉了
模型解释方法实战	建模后如何来解释模型呢，这几个工具包帮你搞定
天然语言处理必备工具包实战	NLP经常使用工具包解读，实例演示
银行客户还款可能性预测	银行客户数据来预测还款的可能性
图像特征聚类分析实践	图像数据如何进行聚类呢？
人口普查数据集项目实战-收入预测	核心模板，数据分析，可视化啥的该有的都有

---

第3步：数据分析与挖掘

数据分析这个词你们每天都在听，要干什么呢？无非就是从数据中获取有价值的信息，这其中方法与套路仍是很是多的。 这个方向不须要什么理论积累，直接上数据，干就得了！案例的积累就是学习过程！

1）数据挖掘实战

• 数据挖掘是什么？和机器学习有什么区别？
  简单来讲数据挖掘就是对海量数据应用机器学习算法来获得想要的结果。在数据挖掘中重点并非机器学习算法的选择，而是怎么样对数据进行处理才能获得更好的预测结果，在这里特征工程与预处理将成为核心解决方案。

案例名称	内容概述
泰坦尼克号获救预测	经典的kaggle竞赛案例，入门数据挖掘的第一个实战项目
数据特征构建	特征工程是数据挖掘的核心，基于sklearn讲解多种特征构建方法
用户画像实战	用户画像想必你们都听过了，如何应用数据来完成画像呢？
集成策略实例	数据挖掘中选择一般都选择集成策略来更好的提高效果
Xgboost实战	集成中的典型表明，竞赛的大杀器
京东购买意向预测	经典预测问题，基于用户历史行为数据完成预测任务
kaggle数据科学调查	可视化展现kaggle竞赛中参赛人员状况
房价预测	数据挖掘入门级别案例，快速掌握常规套路
电力敏感用户分析	竞赛实例，主要讲解特征工程的做用
fbprophet时间序列预测	时间序列预测很是实用的算法，用起来很是简单

2）数据挖掘竞赛优胜解决方案

• 我又不参加竞赛，为何要看人家的解决方案呢？
  给你们选择了天池，kaggle，融机等大型竞赛案例，而且提供的代码和方案均为竞赛时优胜者的解决思路。就比如要学下棋就得跟下的最好的玩本身才会提高，案例中均会讲解优胜者的思路和总体解决方案并提供代码实现。很是有助于你们提高！

案例名称	内容概述
快手短视频用户活跃度分析	基于用户的行为数据来预测接下来的活跃程度
工业化工生产预测	对化工数据进行分析，建模预测生产效率
智慧城市-道路通行时间预测	很接地气的竞赛，基于道路数据预测通行时间
特征工程建模可解释工具包	数据挖掘中很难的一点就是进行特征解释，这些工具包很是实用
医学糖尿病数据命名实体识别	命名实体识别算法讲解与应用实例分析
贷款平台风控模型-特征工程	用图模型来构建特征工程，这套思路应用很广
新闻关键词抽取模型	关键词抽取能够说是NLP必备技能了
机器学习项目实战模板	模板来了，之后有任务能够套用了，方法都差很少
电力敏感用户分析	竞赛实例，主要讲解特征工程的做用

3）数据分析实战

• 数据分析的重点又是什么呢？
  数据挖掘主要是建模来进行预测，数据分析则重在可视化展现，分析其中各项指标对结果的影响等。给你们选择了一些经典分析案例，不少均可以直接看成模板来使用

案例名称	内容概述
散点图绘制技巧	都说了可视化是重点，画图确定必须的了
纽约出租车运行状况分析建模	用了好多工具包，能够熟悉下对地理数据如何进行分析与展现
基于统计分析的电影推荐任务	统计分析经常使用方法，还能作推荐
数据分析与机器学习模板	这个模板真的很是全面了，分析，展现，建模，评估，简直一套龙了
数据降维	几种经常使用的降维算法对比分析与展现
商品可视化展现与文本处理	文本数据预处理与可视化展现
多变量分析	多变量分析也是数据分析中常见的方法
商品订单数据集分析	订单数据集分析
KIVA贷款数据分析	贷款数据集分析

点击图片查看唐宇迪讲师亲自授课的微职位