［step 1： 方向］
在行動之前，先想好這幾個最基本的問題，如果自己想不全都可以去搜一下，知乎上很多大拿的回答：
－－1.為什麼要學習機器學習或者人工智能呢？
我的話，很實在地說，就是不想被淘汰呀！最開始就是這麼一個感覺。
官方一點的話，就是可以提高效率呀。
廣泛的需求我並沒有去想，只是想解決一下自己的需求。
譬如，不想做家務，就弄個機器人給我做；不想做瑣事，就弄個智能助理給我做。
所以大家在開始入洞之前，也要先想幾分鐘這個問題：
eg：是想做數據科學還是人工智能開發呢？
if Data Science：就多做 kaggle 上偏分析的項目
if AI：再想想是自然語言處理還是圖像識別呢？
我覺得 NLP 和 CV 是最基礎的技術，AI 主要還是看應用領域，現在比較火的：自動駕駛，聊天機器人，ARVR，智能家居，智能教育，等等，最基礎的就是看和理解麼，當然對於每個具體的方向，肯定是涉及到更多技術和具體的細節知識需要去學的，不過入門的話，這倆是基礎。可以選其一，有興趣也可以選倆。AI 主要還是跟實際應用場景關聯起來意義才大，醫療，生物，氣象，教育，交通目前比較火，對某個領域感興趣可以專攻更深。
－－2.機器學習，人工智能，數據科學的關係？
為了確立明確的入口，最好是知道這三者的關係，方便大家做計劃時更專注一些
大家可以去多看幾篇這樣的文章，可以很快地瞭解一下大綱。
我比較喜歡下面這個圖，因為它還列出了其他幾個大的技能。
從這個圖看，機器學習的基礎還是要看滴，雖然現在深度學習很流行，類似 Tensorflow 等平臺也可以直接把數據仍進去，調用多種模型，變換網絡的層次等參數，它就輸出結果，不過神經網絡模型是隻是機器學習的一種，不是全部。當然開始的話，完全可以跨過ML課程，去學用TF訓練一個聊天機器人，分析情緒，翻譯器等等。
－－3.多長時間後想達到什麼樣的目標？
eg：1 年後找到 ML 工作
then：簡歷上需要相關項目 or 學歷背景
對於很多已經工作的夥伴，學歷如果不容易實現的話，可做好項目這一欄。
then：在拉勾網等招聘網站上面找到感興趣的工作，去看相關工作描述，提取出需求的技能，列入學習清單，學習時間緊時可以挑相關的先重點學。
［step 2: 路線－步驟］
第一步確立方向後，假設你想做人工智能，並且是自然語言處理，以此為例：
入門路線的話，一點我只推薦一個吧，簡單不會被嚇到，也是我經驗覺得比較高效的：
－－1.語言：
推薦 python
入門書：learn python the hard way
pkg 教程網站：python scikit-learn
當然還需要 numpy，matplotlib，pandas 等常用包，scikit 是介紹算法多一些，可直接看
－－2.課程：
Coursera 上吳恩達的是我覺得比較基礎且系統的，但它用matlab，大家可以直接換成 python 去敲代碼。Udacity 上的機器學習課程是用 Python 做的。
－－3.書：
周志華的西瓜書《機器學習》
－－4.自然語言處理基礎：
課程：cs224d
如果是圖像處理，課程：cs231n
－－5.小項目：
數據科學：Kaggle 上很多好玩的比賽，開腦洞＋實戰
人工智能：建議找個感興趣的小方向，實際做出來一個，例如做一個自動會創作音樂的小程序
－－6.螺旋式升級：
我覺得最有意思的就是在第5步，這期間就會發現還有好多關聯東西需要學，所以就邊學邊戰吧
［Tips］
可以給自己定個小目標，一個月拿下一步，升一級，醬紫至多 5 個月後你就可以有自己的AI了。
上面幾步，大家完全可以根據自己的喜好，在搜索引擎提供的結果中，選擇適合自己的資源和節奏。
我覺得最有效的就是從實戰中學習，但是理論也是必不可少的。
每一步先只選一個，適合自己的資源，就開始好好學。
上面只是一小步，離精深還遠。
［關於阻礙］
大家擔心比較多的問題就是，數學不記得了還能學麼？
我覺得，暫時不要緊，可以直接看 scikit，裡面有代碼的 demo，知道套路可以用，先用上就會很有成就感。
裡面文檔不懂得，例如哪些參數什麼意思呀，怎麼調呀，也可以找搜索引擎幫助。
不過面試的話，對模型的原理，推導，細節還是要把握好的。
大家都說成長最快的方式，就是找這個領域的牛人學習。對於這種學習，如果沒辦法做到直接的，在線的，看他的書呀，聽他的課呀，都算是學習。
閱讀更多 人工智能小迷妹 的文章
