如何优雅的入门人工智能？

      这两年，人工智能已经火到了全民皆知的地步。随着阿尔法狗声名鹊起以后，无人驾驶、人脸识别、邮箱分类、图片美化、声纹识别等人工智能的产物都进入了你们的视线。你们都对人工智能的前景很看好。其中不乏一些想入门人工智能的学生和IT类职员。

      本文并非给你们上人生课，用机器学习的语言来讲，我这篇文章不是分类文，而是回归文。也就是说，具体要不要入门人工智能，你们要本身想好了，若是已经坚决了信念，从此要在人工智能的路上走下去的话，恭喜你，你至少已经成功了四分之一。我结合着本身在人工智能领域的经验，给你们分享下该如何入门人工智能，但愿可以帮助处于迷茫中的人群。

人工智能只是一个大领域，他拥有两个小领域，一个是机器学习，另外一个是深度学习。那么同窗们是否是一入门，就要抉择是选择深度学习仍是机器学习呢？ 一入门就选的话，估计同窗们会很痛苦，还好，这个时候并不须要选择，由于深度学习是机器学习的子类，换句话说就是，想要学习深度学习，机器学习的部分知识你也是要掌握的。那么摆在你们面前的就只剩下一条路了，先学习机器学习！

      我不会像不少文章那样列举几十个连接堆在那，毫无先后关系，内容多的让人崩溃。我结合着本身学习的心路历程，推荐几个经典的东西，让你们优雅的入门。

• 数学基础部分

学习机器学习，要有一些数学基础，好在要求的数学基础都是高中及大学的层次，相信你们都学过。即便忘了，再去寻找之前的记忆也相对容易一些。我列举下必备的知识。

1.线性代数（矩阵、特征值、特征向量、秩）

2.微积分（极限、导数、拉格朗日中值、泰勒级数展开）

3.统计学 (相关性分析、指望、方差、分布、指标)

注:不少文章都说凸优化的知识，其实凸优化多数都是用在研究领域，对于刚入门做用不大，暂时不建议你们看。

书籍方面：去翻下大学相关课程教材便可。不建议从头开始学，很耗时，去翻翻上面说的几部份内容就能够。若是以为不够能够再去看看吴军的《数学之美》和李航的《统计学习方法》。这两本书仍是比较经典的。

视频方面：我录制了一门数学基础入门的课，感兴趣的话，能够看下。

>>>>>>机器学习数学基础<<<<<<

• Python语言基础

如今机器学习中，Python语言用的居多。若是你是程序员出身，已经有过Python,C++,Java语言的话，这一步就很简单了。若是你如今还不懂编程语言，也不要紧，Python是一门很简单的语言。Python语言其实也有难点，但好在机器学习里面用不上，是否是有难以掩饰的激动【劫后余生脸】.相信你们通过1周时间基本就能够应用了。我给同窗们列举下该学习哪部分。

基础部分：推荐给你们一个网上的教程，若是这个连接失效了，也能够本身在搜索引擎上搜《Python3教程》关键字(这里推荐你们学习Python3，若是已经有了Python2的基础，也能够忽略) https://m.runoob.com/python3/。

模块部分：Numpy、Pandas、Matplotlib。这几个是须要你们掌握的。你们本身在搜索引擎上搜。若是我之后发现好的这方面的文章，再推荐给你们。

视频方面：我也录制了一门Python基础入门的课，就是针对这三个模块进行的讲解。感兴趣的话，能够看下。

>>>>>>人工智能Python基础<<<<<<

其余的呢，能够看下scikit-learn这个模块。他是机器学习的一个Python库。有不少机器学习方面的模型，用scikit-learn能够很快的实现。你们也能够在了解机器学习以后，再学习也能够。

• 机器学习基础

这一部份内容仍是不少的，讲的都是一些经典的入门算法，你们要好好的感觉下这些算法的精髓。

• 线性回归、梯度降低、逻辑回归

• 决策树和随机森林（ID三、C4.五、CART、GBDT、RandomForest）

• SVM (软间隔、损失函数、核函数、SMO算法、libSVM)

• 聚类(K-Means、聚谱类SC)

• EM算法(最大似然估计、Jensen不等式、混合高斯分布、主题模型pLSA)

• 主题模型LDA

• 隐马尔可夫模型

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

视频方面：我也录制了一门机器学习基础入门的课。

>>>>>>从零开始机器学习<<<<<<

有了上面的基础，选择一门由浅入深的课程来学习。基础打下后，对机器学习已经有了充足的了解，能够用机器学习来解决一个实际的问题。解决实际问题的时候，可能涉及到上面基础部分的延伸，相信有了上面的基础部分，再继续学习起来就容易不少。经过实战经验积累之后，能够考虑继续进行学习。这时候有两个选择，深度学习或者继续机器学习。深度学习是目前最火热的机器学习方向，这里推荐你们选择TensorFlow框架。它是谷歌公司的开源框架，虽说并非最先的，可是不管它背后的技术沉淀，仍是它的更新速度都是好的。也在开源的众多深度学习的框架中遥遥领先。深度学习其中一些方法已经跟传统的机器学习不太同样，所以能够单独学习。除了深度学习之外，机器学习还包括统计学习，集成学习等实用方法。若是条件足够，能够同时学习二者，一些规律对二者是共通的。学习完后，你已经具有了较强的知识储备，能够进入较难的实战。这时候有两个选择，工业界的能够选择看开源项目，以改代码为目的来读代码；学术界的能够看特定领域的论文，为解决问题而想发论文。不管哪者，都须要知识过硬，以及较强的编码能力，所以很能考察和锻炼水平。通过这个阶段之后，能够说是踏入AI领域的门了。

入门以后也算是值得高兴了，可是你离精通其实还有很远的一段路要走，想要在这个行业长久地活下去，内功的修炼要比外功重要得多，否则会活得很累，也很难得到一个优秀的晋升空间。入门以后，赶快找一家公司去工做。在工做中会把你学习的知识融会贯通。并且刚步入公司，也会有一些大拿级别的人带你。这样的话，对你从此的发展都有很大的帮助。

另外列举一些面试中常常考的知识点。

线性回归数学推导

可用性评估：获取难度、覆盖率、准确率

特征清洗：清洗异常样本 

采样：数据不均衡、样本权重

单个特征：无量纲化(标准化、归一化)、二值化、离散化、缺失值（均值）、哑编码（一个定性特征扩展为N个定量特征）

数据变换：log、指数、Box-Cox 降维：主成分分析PCA、线性判别分析LDA、SVD分解

特征选择：Filter（相关系数、卡方检验）、Wrapper（AUC、设计评价函数A*、Embedded（L1-Lasso、L2-Ridge、决策树、DL）

点击博客里个人主页，有更多帮助你们入门的课程！