用户7440821997705
人工智能虽然经过了60多年的发展，期间也有众多著名科学家的参与，但是目前人工智能领域的发展依然处在初级阶段，整个人工智能领域还有大量的课题需要攻关，所以目前人工智能领域更关注中高端人才。
要想系统的学习人工智能一方面需要具备扎实的基础知识，另一方面还需要通过具体的岗位实践（课题研发）来完成，因为目前人工智能领域的很多方向还依然有待完善，所以对于初学者来说选择一个方向并完成入门学习是比较现实的选择。
人工智能的入门学习需要具备以下知识结构：
第一：编程语言。编程语言是学习人工智能的基础内容之一，掌握了编程语言才能完成一系列具体的实验。推荐学习Python语言，一方面原因是Python语言简单易学，实验环境也易于搭建，另一方面原因是Python语言有丰富的库支持。目前Python语言在人工智能领域有广泛的应用，包括机器学习、自然语言处理和计算机视觉等方向。
第二：算法设计基础。目前人工智能的研究内容集中在六个大的方向上，分别是自然语言处理、知识表示、自动推理、机器学习、计算机视觉和机器人学，这些内容都有一个重要的基础就是算法设计，可以说算法设计是研究人工智能的关键所在。学习算法设计可以从基础算法开始，包括递归、概率分析和随机算法、堆排序、快速排序、线性时间排序、二叉树搜索、图算法等内容。
第三：人工智能基础。人工智能基础内容的学习是打开人工智能大门的钥匙，人工智能基础内容包括人工智能发展史、智能体、问题求解、推理与规划、不确定知识与推理、机器学习、感知与行动等几个大的组成部分。
在完成以上内容的学习之后，最好能参加一个人工智能的项目组（课题组），在具体的实践中完成进一步的学习过程。
随着大数据的发展，人工智能也进入了一个全新的发展时代，对于基础薄弱的初学者来说，通过大数据进入人工智能领域也是一个不错的选择。
美食多巴哥
学好人工智能离不开三部曲。培养信心和热情，打牢专业基础，建立人工智能思维
第一部曲，培养信心和热情
信心是学习基础，热情是成功之道。人工智能的内容很庞大，知识很多，要学好人工之类必须要有信心和热情，这种信心和热情不是短期的暂时的，而是长期坚持坚定不移的。遇到困难，也不会放弃的。那么如何才能够做到呢？
- 首先是从认识了解开始。
我们要了解人工智能大致的渊源和发展。我们可以从一般性的科普文章来了解，把大致的内容弄清楚，另外我们也可以从一些案例，典型人物的角度来了解，特别是从一些成功人士的介绍，人物传记当中了解人工智能的一些基本情况。我们也可以从一些成功的企业身上学习人工智能。
这样学习，不断有利于我们去增强对人工智能这个专业的了解，而且对它的现状和未来发展趋势，前景都增加了解。这样能增强我们的信心，增加我们对人工智能的热爱。
- 其次，概览式了解专业知识结构
培养信心和热爱这个基础工作还有一些非常好的办法，那就是对人工智能的整个专业结构和体系要先了解。
就像我们了解一个建筑房屋，我们先要看到它的建筑图，它的蓝图。看到了这个建筑图蓝图概览图，我们就能够了解这个建筑的大致方位和结构。
我们这里有一种叫做动物园式的了解方法，就是当你去过动物园的时候，动物园里有很多动物，有很多游乐设施，有很多好看的场景。那么我们首先从哪里开始看呢？这么多好看的东西，没有参观路线图不行啦。
所以我们就必须登高望远，先找一处地方能够对动物园的整体风貌，整体地貌，整个设施一览无遗，这样我们的心里才有数噢。原来动物园有这么多好玩的东西啊。只有心中有数以后我们才能够把信心建立的更可靠更牢固，把热情建立的更充分。
所以对初学者来说，这个动物园概览式的方法是非常好的。
下面我们就用这个动物园概览式方法，帮大家建立起对人工智能的信心和热情。前面说过，人工智能是一个庞大的知识体系，而且现在还在以很快的速度增加专业门类和知识。通过这种概览方式，可以将它分出三个大类。
- 基础专业知识。这些基础专业知识实际上应用比较少，但它是基础，对人工智能专业起到潜移默化的作用。那么这种基础有哪些呢？它包括数学，医学，工程学。也包括包括社会学的一些专业，像社会心理学，认知科学，经济学等。
- 核心知识部分，也叫做人工智能的工程学部分。这部分内容是经常用到的，也是学习的重点和难点，包括大数据，云计算，人工智能算法，算力，算料等。还有神经网络，深度学习，网络配置，数据库等。还有机器视角技术，自然语言处理，语音识别，智能机器人等等，以及未来不断增加发展的知识技术。这些都是属于它的核心应用部分，是重点要学好的，也是有难度的知识。
- 运用场景中使用的一些专业知识。因为人工智能是要具体运用到某些部门，某些场景当中去，比如说农业部门，工业部门，服务业。在这三大产业里面还有很多具体细分的产业，像金融业，互联网，高科技领域。这些都是大量经常用到人工智能的。
那么我们必须对这些应用场景的专业方向，专业知识要有所了解。这就涉及到经济学，涉及到金融学，涉及到企业管理，涉及到工业制造，涉及到农业知识技术等等。
这些我们都要学习了解。特别是对于人工智能职业的中后期，我们作为项目主管，或者发展做产品经理，都得必须有这种专业知识背景。
所以，我们通过这种动物园概览式的方法，对人工智能专业有了一个初步的了解，知道这里面有很多很好的专业知识需要学习，信心和热情就建立起来了。
上面说到的这些都是在培养热情，树立信心阶段要了解到的内容。只有做到了第一部曲，我们的专业热情和专业信念才能牢固地建立起来，而不是心血来潮式。
第二部曲，打牢专业基础
- 一个好的学习计划十分重要。打好基础就得要多读书，要有自己细致的长期的学习计划。学习的方式可以采取自学，也可以采取跟班培训，拓展学习等等。两种方式单独都可以，这两种方式掺杂结合起来也可以的，但是共同的都是要有一个长期的学习计划。
- 制定好学习计划后，要选准学习路径，先易后难，由浅入深，建议先从数学学起。数学知识很丰富。但我们只需要学习人工智能涉及到的知识，主要包括微积分，线性代数，统计概率，信息论，集合论和图论博弈论等。
- 数学对人工智能和计算机都很重要。学习同时也可以结合脑科学和认知科学一起学。
- 这些都是最核心的基础，学好了，基本人工智能就没有多大问题了。
- 在此基础上就可以进一步学习计算机技术和人工智能专业。
这里特别强调，打牢专业基础，重点是打牢数学基础。
第三部曲，建立智能思维
我们学习人工智能不是仅仅为了学习知识点，学习它的一些具体的技术，更重要的是要学习和建立人工智能的思维模式。
学好了人工智能的思维模式，对于我们的工作和以后的学习都有非常大的好处，至少可以让我们避免沉入到纯粹的技术思维当中去。
那么人工智能的思维包括哪些呢？
- 首先，要有数学思维。
数学是所有认识物质世界活动的科学，甚至是宇宙最基础的思维表达模式。它的思维模式具有这样几个特点，一个就是精确性，强调所有的思维必须建立在量化和精确性的基础上，建立在量化论证和推理的基础上，这是它的一个特点。另外强调系统性，全面性，逻辑性，开放性。数学思维是人工智能思维的基础。
- 其次，要有产业的思维。
我们做人工智能必须要落地，具体到产业当中去，那么我们就必须要有产业的思维。现在产业的门类越来越多，越来越新，每个产业都不一样。这种产业思维就是要熟悉产业门类，特点，市场，产品，技术结构，发展方向等。核心就是产业分析，市场调查，根据具体的产业来决定人工智能的技术方案。真正树立人工智能根植于产业，来源于产业，又要高于产业，指导产业，甚至颠覆产业，创造产业的观念思维。
产业思维的主要特点就是强调了落地应用与实际的结合，也就是人工智能的市场检验，实践检验的观念。
- 再次，要有综合思维。
人工智能是至今为止综合性最强的学科专业。它的思维模式也特别强调综合思维。既要综合运用各种科技文化知识，又要综合运用各个专门技术产品，凡属于有用的知识，有用的技术，有用的模式，有用的产品，都可以为人工智能所用。
- 最后，要有创新思维。
人工智能是创新的结果。人工智能目前面临的很多瓶颈问题，如人工智能算法模型单一，实用性不强，急需突破目前的神经网络设计原理的局限性，在学习算法，意识算法，思维算法等方面创新，推出更好的核心技术，才能推动人工智能迈向新的阶段。
总结
人工智能入门要有正确的指导。师傅引进门，修行在个人。
建立信念意志，保持热情激情是学习人工智能的条件。
刻苦攻克难关，打牢专业基础，是学习人工智能的关键。
建立思维模式，形成科学研究习惯，是人工智能学习的根本。
科技思想库
在你开始从事人工智能之前，你需要先了解人类的智能。
我曾经问过别人、也被别人问过关于学习人工智能（AI）最好的方式是什么？我应该去阅读什么书？我应该去看什么视频？后面我将讲到这些，但是，考虑到人工智能涉及很多领域，我把这个问题分开来讲可能更好理解。
学习人工智能很重要的一点是区别开研究方面和应用方面。Google 的 Cassie Kozyrkov 在近日于伦敦举行的 O'Reilly 人工智能会议的一个演讲中 描述了这个区别，并且这是一个很好的演讲。
人工智能研究在本质上是学术性的，在你能够获得人工智能的某些细节之前，需要大量的跨各类学科的数学知识。这部分的人工智能关注于算法和驱动人工智能发展的工具。比如，什么样的神经网络结构能够改善视觉识别的结果？我们如何使无监督学习成为更有用的方法？我们能否找到一个更好的方法，去理解深度学习流水线是如何得出答案的？
另一方面，人工智能应用更多是关于使用现有工具去获取有用的结果。开源在这里发挥了一个重要的作用，那就是免费提供了易于使用的、各种语言的软件。公有云提供商也致力于提供大量的机器学习、模型、以及数据集，这使得人工智能的入门比其它的要简单的多。
在这个问题上我想补充一点，那就是人工智能的从业者不应该将他们的工具视为神秘地输出答案的黑匣子。至少，他们应该去了解不同技术、模型、和数据采集方法的限制和潜在偏差。只是不需要去深入研究他们工具链中每个部分的理论基础。
虽然在日常工作中人工智能可能并不那么重要，但理解人工智能的大量的背景知识还是很有用的。人工智能已经超越了神经网络上深度学习的狭窄范围，目前神经网络上的强化学习和监督学习已经取得重要成就。例如，人工智能经常被视为是增强（而不是替代）人类判断和决策的一种方法。但是在机器和人类之间交换信息还有其自身的缺陷。
有了这些背景知识，下面是的一些研究领域和资源，你可能发现会很有用。
研究人工智能
在很多方面，用于人工智能研究的一个资源清单，可以反映出本科（甚至是研究生）的计算机科学项目都是专注于人工智能。最主要的区别是，你起草的教学大纲比起传统的大纲更关注于跨学科。
你的计算机科学和数学背景知识决定了你的起点。
如果你的计算机科学和数据背景知识很差或已经荒芜了，但你还希望能够深入了解人工智能的基本原理，那么从一些数学课程开始将会让你受益。MOOC 上像非盈利的 edX 平台和 Coursera 上都有许多可供你选择的课程（这两个平台都对认证收费，但 edX 上所有的课程，对旁听者是全免费的）。
典型的基础课程包括：
MIT 的微积分课程，从微分开始学习
线性代数 （德克萨斯大学）
概率与统计，比如 MIT 的 概率 —— 不确定性与数据科学
从一个研究的角度去深入人工智能，你可能需要深入所有的这些数据领域，甚至更多。但是上面的内容应该让您在深入研究机器学习和AI之前大致了解可能是最重要的研究分支。
除了 MOOC 之外，像 MIT OpenCourseWare 这样的资源也提供了大量的数学和计算机科学课程的大纲和各种支持材料。
有了这些基础，你就可以学习更专业的人工智能课程了。吴恩达从他在斯坦福大学时教的 “AI MOOC” 就是整个在线课程领域中最早流行起来的课程之一。今天，他的 神经网络和深度学习 也是 Coursera 深度学习专业的一部分。在 edX 上也有相关的一些项目，比如，哥伦比亚大学提供的一个 人工智能 MicroMasters。
除了课程之外，也可以在网上找到各种范例和其它学习材料。这些包括：
神经网络和深度学习
MIT 出版的 Ian Goodfellow、Yoshua Bengio、Aaron Courville 的《深度学习》
应用人工智能
人工智能应用更关注于使用可用的工具，而不是去构建新工具。对一些底层的数学，尤其是统计学的了解仍然是非常有用的 —— 甚至可以说是必需的 —— 但对这些知识的了解程度不像研究人工智能的要求那么高。
在这里编程是核心技能。虽然可以使用不同的编程语言去做，但是一些库和工具集 —— 比如 Python 的 PyTorch，依赖于 Python，所以这是一个应该掌握的好技能。尤其是，如果你有某种程度上的编程背景，MIT 的 计算机科学入门和使用 Python 编程，它是基于 MIT 的 6.001 在校课程，是一个非常好的启蒙课程。如果你编程零基础，来自密歇根大学的 Charles Severance 的 人人学编程（Python 使用入门） 是个很好的开端，它不会像 MIT 的课程那样，把你一下子扔进代码的汪洋大海。
R 编程语言 也是一个应该增加到你的技能库中的很有用的技能。虽然它在机器学习（ML）中使用的很少，但它在其它数据科学任务中很常见，并且经常与人工智能/机器学习和数据科学的应用实践结合在一起。例如，与组织和清理数据相关的许多任务同样适用于您最终使用的任何分析技术。像哈佛的
黑哥聊趣闻
这两年人工智能发展很快，从之前的谷歌AlphaGo机器人战胜世界围棋冠军，到百度无人车，京东和亚马逊的无人仓库分拨中心，还有很多人工智能的相关应用，可见人工智能的前景一片大好，于是就有很多人想要去进行人工智能学习。人工智能学习路线推荐给你：
阶段一是Python语言（用时5周，包括基础语法、面向对象、高级课程、经典课程）；阶段二是Linux初级（用时1周，包括Linux系统基本指令、常用服务安装）；阶段三是Web开发之Diango（5周+2周前端+3周diango）；阶段四是Web开发之Flask（用时2周）；
阶段五是Web框架之Tornado（用时1周）；阶段六是docker容器及服务发现（用时2周）；阶段七是爬虫（用时2周）；阶段八是数据挖掘和人工智能（用时3周）。
在这里，小编还想给大家推荐一本人工智能学习必备书籍：《人工智能基础教程(第2版)》系统地阐述了人工智能的基本原理、实现技术及其应用，全面地反映了国内外人工智能研究领域的最新进展和发展方向。
《人工智能基础教程(第2版)》共18章，分为4个部分，第1部分是搜索与问题求解，系统地叙述了人工智能中各种搜索方法求解的原理和方法；
第2部分为知识与推理，讨论各种知识表示和处理技术、各种典型的推理技术，还包括非经典逻辑推理技术和非协调逻辑推理技术；
第3部分为学习与发现，讨论传统的机器学习算法、神经网络学习算法、数据挖掘和知识发现技术；
第4部分为领域应用，这些内容能够使读者对人工智能的基本概念和人工智能系统的构造方法有一个比较清楚的认识，对人工智能研究领域里的最新成果有所了解。
《人工智能基础教程(第2版)》强调先进性、实用性和可读性，可作为计算机、信息处理、自动化和电信等it相关专业的高年级本科生和研究生学习人工智能的教材，也可供从事计算机科学研究、开发和应用的教学和科研人员参考
荣耀科技先行者
首先要掌握基础编程语言，以下任选其一要熟练掌握：
Python：被认为是所有AI开发语言列表中的第一位。Python相对简单易学，可以很容易地学习。此外python有很多AI相关的库，便于在机器学习等方面快速上手。
C++：已经非常成熟了，而且是最快的计算机语言，如果你的项目开发时间有限，那么C++是很好的选择，它提供更快的执行时间和更快的响应时间，老司机优势显现无疑，游戏开发大部分都是用C++语言。
C ++适用于机器学习和神经网络。
Java：也是计算机语言的老司机之一，虽然褒贬不一，但是在各种项目的开发中，Java都是常用语言之一，它不仅适用于NLP（自然语言处理）和搜索算法，还适用于神经网络。
Lisp:相当古老的语言，差不多是在人工智能火起来之后才又回到众人眼中。有人认为Lisp是最好的人工智能编程语言，因为它为开发人员提供了自由。在人工智能中使用Lisp，因其灵活性可以快速进行原型设计和实验，当然这也反过来促进Lisp在AI开发中的发展，例如，Lisp有一个独特的宏系统，有助于开发和实现不同级别的智能。
但同时也因为它的古老，掌握的人不是大多数。
其次要找好方向：
计算机视觉CV、自然语言处理NLP、机器学习ML这三个方向是最火的，但其中也涉及了很多更深的知识，比如神经网络、深度学习、强化学习等。
所以要有一定的数学基础：微积分、概论、线性代数；
其次是算法与模型，这也是重中之重，算法模型学不好以后会很痛苦，甚至有些方面完全不能理解。
对自学没有信心的话可以参加社会上的培训课程，从零开始到高级课程全都有，找感兴趣的，然后就是坚持下去。但总体来说市场上的课程还是有些乱，要边学便自己梳理知识体系。
此外，还要深入了解一些框架：
谷歌的Tensorflow:
TensorFlow是一个开源软件库，可以描述一幅数据计算的数据流图（data flow graph）,用于各种感知和语言理解任务的机器学习。当前被50个团队用于研究和生产许多Google商业产品，如语音识别、Gmail、Google 相册和搜索。
Facebook 的 PyTorch：
与TensorFlow抗衡的学习框架，由 Facebook 的团队开发，并于 2017 年在 GitHub 上开源。
TensorFlow 和PyTorch的关键差异是它们执行代码的方式。这两个框架都基于基础数据类型张量（tensor）而工作。TensorFlow更像是一种语言，而PyTorch与Python结合的更紧密。
TensorFlow 是一种非常强大和成熟的深度学习库，具有很强的可视化功能和多个用于高级模型开发的选项。它有面向生产部署的选项，并且支持移动平台。另一方面，PyTorch 框架还很年轻，拥有更强的社区动员，而且它对 Python 友好。
所以如果你想更快速地开发和构建 AI 相关产品，TensorFlow 是很好的选择。建议研究型开发者使用 PyTorch，因为它支持快速和动态的训练。
两者还有很多差异，各有优缺点，可以在实践中慢慢摸索。
以上内容都完全懂了，就算入门了。
大王小王聊什么
1.掌握高等数学，线性代数，概率论与数理统计相关知识。
2.掌握一门编程语言，建议c++或者Python。
3.掌握一项深度学习开源工具，Tensorflow或者caffe，其他的也可以，比如pytorch，keras等。
4.学习斯坦福大学的cs229或者cs231课程，andraw ng教授的深度学习系列课程。
5.掌握常见的深度学习算法，CNN或者RNN。
6.跟着github项目学，阅读源码，自己动手实现。
