Python人工智能学习路线(长篇干货)

李朝晖

本文篇幅较长，干货较多，面向于AI范围了解不深、有自学兴趣且有一些基础常识（高中+）的同学。

前言

谈到人工智能（AI）算法，常见不外乎有两方面信息：铺天盖地各种媒体提到的高薪就业【贩卖课程】、知乎上热门的算法岗“水深火热  灰飞烟灭”的梗【贩卖焦虑】。
其实，这两方面都是存在的，但都很单方面，这里不加赘述。客不雅观地说，数字化、智能化是人类社会成长的趋势，而当下人工智能无疑是一大热门，那是蓝海还是火海？我们回到老道理——水的深度，只有你本身去尝尝水才知道。
当你对上面情况有了初步的了解并想尝尝水，需要面对的问题是：AI入门容易吗？
答案其实是否认的，难！
AI范围需要钻研算法道理、大量复杂的公式及符号、无所适从的项目都是劝退一时热度初学者的原因。但对于一个初学者，这些原因底子上就是面对这样困难的学科却缺乏合适方式导致的。
反问一个打趣，法式员怎么会没有方式呢？随手就定义一个Python方式（funtion）。。。

def funtion():
      
    return 'haha，往下看，下面会介绍方式'
回到笔者，一名普普通通的法式员，当初也是”误打误撞“学习Python入门到机器学习、深度学习，至今有4个年头，踩了很多坑，下文说到的学习方式、具体化的学习路线也就填坑试错的经验而已。
一、学习方式是？

说到学习方式，其实我们谈到的人工智能之所以智能，核心也在于其学习方式。而人工智能学习过程有两个要素：
1、学习方针是什么？（——什么方针函数）
2、如何达到方针？（——什么算法）
可以发现这两个问题也是我们学习这门学科需要回答的，所谓的学习方式也就是明确学习方针以及如何达到的方式。人工智能范围很多思路和人类学习是很共恰的！
1.1 学习方针是什么？

我们的学习方针斗劲清楚，就是入门人工智能范围，能完成一个AI相关的任务，或者找到相关的工作。
1.2 如何达到方针？

1、入门人工智能是个宽泛的方针，因此还得 将方针拆分成阶段性方针才易于执行，可以对应到下面--学习路线及建议资源的各个节点。
2、学习人工智能这门学科，需要提醒的是这本来就是件难事，所以实在搞不懂的常识可以放在后面补下，不要奢求一步到位（当然天赋了得另说），不要想一下子成为专家，可以从：懂得调用现成的算法模块(scikit-learn、tensorflow)做项目 -进阶-》懂得算法道理进一步精用、调优算法 -进阶-》范围专家。保持学习，循序渐进才是啃硬骨头的姿势。
3、啃硬骨头过程无疑是艰难的，所以慢慢地培养兴趣和及时的成果反馈是很重要的。在这方面，边学边敲代码是必需的，结合代码实践学习效率会斗劲高，还可以及时看到学习成果，就算是啃硬骨头看到牙印越来越深，不也是成果，也斗劲不容易放弃！
二、整体的学习路线及建议资源

本学习路线的基本的框架是：
→ 首先宽泛了解范围，成立必然兴趣
→ 基础常识、东西筹备
→ 机器学习|深度学习的入门课程、册本及项目实践
→ （面试筹备）
→ 自行扩展：工作中实战学习 或  学术界特定范围钻研，经典算法道理、项目实践
2.1 了解范围及培养兴趣

我们首先要对人工智能范围有个宽泛的了解，有本身的全局性的认识，发生一些判断，才不会吠形吠声地因为“薪资高、压力大”等去做出选择或者放弃。再者你做的筹备调研越多，确认标的目的后越不容易放弃（等门槛效应）。当然，最重要还是慢慢培养兴趣，这个事情如果没有兴趣不走心，能做得很好吗？
人工智能（Artificial Intelligence，AI）之研究目的是通过探索智慧的本色，扩展人类智能——促使智能主体会听（语音识别、机器翻译等）、会看（图像识别、文字识别等）、会说（语音合成、人机对话等）、会思考（人机对弈、专家系统等）、会学习（常识暗示，机器学习等）、会步履（机器人、自动驾驶汽车等）。一个经典的AI定义是：“ 智能主体可以理解数据及从中学习，并操作常识实现特定方针和任务的能力。”
从技术层面来看（如下图），此刻所说的人工智能技术基本上就是机器学习方面的（也就是，机器学习技术是我们入门AI的核心技术）。

AI除了机器学习，其他方面的如常识库、专家系统等技术较为没落。关于人工智能的成长历程，可以看看我之前一篇文章人工智能简史。
机器学习是指非显式的计算机法式可以从数据中学习，以此提高措置任务的程度。机器学习常见的任务有分类任务（如通过逻辑回归模型判断邮件是否为垃圾邮件类）、回归预测任务（线性回归模型预测房价）等等。
深度学习是机器学习的一个子标的目的，是当下的热门，它通过搭建深层的神经网络模型以措置任务。

从应用范围上看，人工智能在众多的应用范围上面都有必然的成长，有语言识别、自然语言措置、图像识别、数据挖掘、保举系统、智能风控、机器人等方面。值得注意的的是，分歧应用范围上，从技术层面是斗劲一致，但结合到实际应用场景，所需要的业务常识、算法、工程上面的要求，分歧还是相当大的。回到应用范围的选择，可以结合技术此刻的成长情况、本身的兴趣范围再做判断。
2.2 基础常识、东西筹备

学习人工智能需要先掌握编程、数学方面的基本常识：AI算法工程师首先是一名法式员，掌握编程实现方式才不将容易论常识束之高阁。而数学是人工智能理论的奠基，是必不成少的。
2.2.1 编程语言方面

编程语言之于法式员，如宝剑之于侠士。编程语言就是法式员改变、缔造数字虚拟世界的交互东西。
先简单介绍信息技术(IT)行业的情况，IT范围广泛按本能机能可以分为前端、后端、人工智能、嵌入式开发、游戏开发、运维、测试、网络安全等方面。前端范围常用技术栈为js\css\html，后端范围常用技术栈有Java\go\C++\php\Python等。
在人工智能范围，Python使用是斗劲广泛的，当然其他的语言也是可行的，如Java、C++、R语言等。语言也就东西，选择个适合的就好。结合本身的历程及语言的特性，AI小白还是建议可以从Python学起，理由如下：
1、因为其简单的语法及灵活的使用方式，Python很适合零基础入门；
2、Python有丰硕的机器学习库，极大便利机器学习的开发；
3、Python在机器学习范围有较高的使用率，意味着社区复杂，应用范围广，市场上有较多的工作机会（具体可到招聘软件了解下）；

• 学习编程语言的两点建议：
  

1、多敲代码：只看书、视频而不敲代码是初学者的一个通病。要记住的是“纸上得来终觉浅”，法式员是一个工匠活，需要动手敲代码实践，熟能生巧。
2、 多谷歌： 互联网的信息无所不包的，学会操作互联网本身解决问题是一项基本功。不懂可以谷歌，业界一句有趣的话：法式员是面向谷歌/stackoverflow编程的。

• 建议资源：
  

以下资源只是一些个人的偏好保举，挑一两种适合本身的资源学习就可以，不用全部都学浪费精力。如果都感觉不合适，按照本身的学习方式即可。
1、【Python入门书】首推Python经典书《Python编程从入门到实践.pdf(https://github.com/aialgorithm/AiPy/》，常识点通俗易懂，而且结合了项目实践，很适合初学者。注：Python在爬虫、web开发、游戏开发等标的目的也有应用，保举本书主要学习下Python语法，而书后面的项目实战像有游戏开发\web开发，和机器学习关系不大，可以略过\自行了解下就好。
2、【Python入门教程】廖雪峰的Python在线学习教程，一个很大的特色是可以直接在线运行Python代码。
3、【Python入门视频】如果看书过于枯燥，可以结合视频学习，Python入门学习报培训班学习有点浪费，可以直接网易云课堂、Bilibili搜索相关的Python学习视频。我之前是看小甲鱼零基础入门学习Python课程，边看边敲敲代码，感觉还不错。
4、【Python机器学习库】学习完Python语法，再学习了解下Python上现成的机器学习库（模块包），了解基本功能学会调用它们（熟练掌握它们，主要还是要结合后面项目边学边实践才斗劲有效的。），一个初级的算法工程师（调包侠）基本就练成了。
重要的机器学习库有： pandas 数据分析、numpy 数值计算库、matplotlib可视化东西，保举《操作pandas数据分析》有涵盖了这几部门内容。
scikit-learn 包含机器学习建模东西及算法，可以了解下官方文档https://scikit-learn.org.cn。
用于搭建深度学习的神经网络模型的库有：keras、tensorflow、Pytorch等，此中keras更为简单易用，可以参考Keras官方文档https://keras.io/zh，以及Keras之父写的《Python深度学习》
5、【Python进阶书】《Python Cookbook》、《流畅的Python》 这两本内容难度有提升，适合Python语法的进阶。
2.2.2 数学方面

1、数学无疑是重要的，有良好的数学基础对于算法道理的理解及进阶至关重要。但这一点对于入门的初学者反而影响没那么大，对于初学者如果数学基础斗劲差，有个思路是先补点“数学的最小必要常识”：如线性代数的矩阵运算；高等数学的梯度求导；概率的条件、后验概率及贝叶斯定理等等。这样可以应付大部门算法的理解。
2、如果感觉数学有难度，数学公式、常识的理解建议不用硬啃，不懂时再反查，遇到再回来补效果会好很多。（如果你的数学没有问题，忽略这些，直接复习大学教材补下基础）

• 建议资源
  

【数学基础常识】保举黄博翻译整理的机器学习相关的数学基础常识，内容简要，还是挺不错的。
高等数学   线性代数    概率与数理统计

2.2.3 东西筹备

对于法式员，好的东西就是出产力！
1、 搜索引擎：学习开发的过程，很经常搜索问题、解决bug。搜索引擎的内容质量 首推谷歌，其次bing，再者才是百度、知乎等。谷歌如果使用不了，尝尝谷歌助手、科学翻墙、谷歌镜像网站，网上有教程自行了解。
2、翻译：AI范围最新的研究成果、论文基本都是英文的，而如果英文阅读斗劲一般，可以备个有道辞书、wps文档翻译。
3、Python编纂器（Python环境）：首推JupyterLab，JupyterLab很便利数据分析操作，可以单元格中逐步运行代码验证成果。建议直接下载安装个anaconda，里面都有。
2.3 机器学习\深度学习入门



深度学习是机器学习的子分支，整体的内容是斗劲一致的，与传统机器学习有些差异的处所（如特征生成、模型定义方面）， 因此两者可以分隔学习。都学习的话，建议可以先学机器学习再学深度学习。
机器学习\深度学习的内容可以分为两部门，一部门是算法道理的理解，如神经网络模型正向反向传布道理、SVM道理、GBDT道理等等，这部门内容的理解相对较难，学习周期较长。另一部门是算法工程实现的常识，如现实问题的理解、如何清洗数据、生成特征、选择模型及评估，具体可以看我之前的文章《一文全览机器学习建模流程（Python代码）》与《一文搞定深度学习全流程》，这部门是斗劲通用的一套操作流程，学习周期斗劲短且容易看到实际成果。
对于初学者的建议，可以“先知其然，再知其所以然”，跟着课程\书学习，大白大致的算法道理及工程上是如何做的。再用简单的算法整个流程走一遍，结合实践过程中不竭的斗劲和测验考试各种算法，更容易搞透算法道理，而且这样可以避免云里雾里地学习各种算法道理。
以下相关资源保举，同样找一两种合适的资源学习即可。

• 建议资源
  

1、【机器学习视频】《吴恩达的机器学习课程》github.com/aialgorithm/AiPy/，很经典的入门课程，附笔记解析及代码。
2、【机器学习书】《machine learning yearning_吴恩达》 是吴恩达历时两年，按照本身多年实践经验整理出来的一本机器学习、深度学习实践经验宝典。
3、【机器学习书】《统计学习方式》 李航老师经典的机器学习书，书中的算法道理讲解还是斗劲细的。链接的资源有附上书中算法的代码实现、课件及第一版的书。（此刻已经有第二版的书，可以买一本慢慢看）
4、【机器学习书】《机器学习(西瓜书)_周志华》  机器学习经典教材，难度适合进阶，里面的一些概念公式还是要有必然基础的，不太适合入门自学。（可搭配datawhale的南瓜书本理解难点公式）
5、【深度学习视频】《吴恩达的深度学习课程》github.com/aialgorithm/AiPy/应该是国内大大都人的入门课程，附笔记解析及代码。
6、【深度学习书】《深度学习(花书)》 AI大佬Ian Goodfellow的深度学习范围经典著作，常识点很系统全面，但还是需要必然基础才都雅懂，初学者可以结合视频、花书笔记辅助理解。
7、【深度学习书】《python深度学习》keras之父的经典著作，通俗易懂适合入门。
8、【深度学习书】《深度学习实战》 这本书的成果和《花书》有些相似之处，道理讲解斗劲通俗，还有详细的代码实践。不足的处所是代码是用Python2写的有些过时。
9、【深度学习书】《动手学深度学习》  李沐大佬合著的深度学习入门教程及代码实践。
10、【深度学习论文】深度学习综述 ：2015年Nature上的论文，由深度学习界的三巨头所写，读这一篇论文就可以概览深度学习了。这篇论文有同名的中文翻译。
注：要全面了解一个技术范围，找找这个范围的综述论文是一个超实用的技巧。
11、【实战项目】 保举实战下国外的Kaggle、国内天池等竞赛项目。从头至尾地参加一两个机器学习项目，并取得不错的分数，基本上就差不多了。安利个Datawhale小队整理的国表里经典竞赛的项目方案及代码实现 https://github.com/datawhalechina/competition-baseline
2.4 工作面试筹备



对于大部门入门的初学者，要真正算入门人工智能范围，找一份相关的工作是必不成少的，当你有（哪怕一点点）相关的工作经验后，这个范围工作面试就斗劲好混得开了。
很多初学者可能有个猜疑，学习到什么样程度、多久才能找到相关的工作机会呢？这个不好回答，和学习筹备的程度、市场招聘情况、运气等有关，只能说感觉学得差不多了就可以找面试机会试下水（以个人学习为例，学习了Python+吴恩达机器学习\深度学习视频+几个书本\数据竞赛项目+刷面试题，前前后后差不多用了半年。）
筹备面试找工作，首先要了解下市场情况及招聘要求，凡是无非要求有相关的论文著作、工作经历、项目经验、对算法的理解。撇开第一、二项的论文、工作经历不谈。对于初学者，面试的主要比重是项目经验及算法的理解。
项目经验就结合项目实战的做法和理解（这些最好有博客记录）。而算法道理除了平时的堆集，刷下面试题是很关键的，毕竟面试内容与实际工作内容很多时候像是“造火箭与拧螺丝的关系”。

• 保举些经典的面试题库
  

1、 基础数据布局与算法，LeetCode算法题库：https://github.com/apachecn/Interview/tree/master/docs/Algorithm；
2、Python基础算法实现： https://github.com/TheAlgorithms/Python；
3、Python面试题 https://github.com/taizilongxu/interview_python
4、Datawhale小队整理的面试宝典，内容包罗基础算法数据布局、机器学习，CV，NLP，保举，开发等。https://github.com/datawhalechina/daily-interview
5、机器学习面试题，这仓库后面就没有更新了，有些内容可能有点过时https://github.com/DarLiner/Algorithm_Interview_Notes-Chinese
6、面试技巧：保举阅读法式员面试完全指南
总结

学习到这里，可以说是踏入AI范围的门了。俗话说“师傅领进门，修行在个人”，本文仅能辅佐有兴趣的同学简单入门这个范围，而要在这范围成为专家是很困难的，是需要持久的努力堆集的。再者，IT行业技术更新迭代快，保持学习才是王道。最后，但愿这篇文章可以辅佐到大师，共同学习进步。
<hr/>码字不易，如感觉本文有辅佐，您的存眷点赞是最大的撑持！公众号阅读原文可访谒--学习资源保举--

倒霉的熊宝宝

请问可以推荐一些学习人工智能的网站吗？就是有人工智能开源项目的网站

Leslie12040702

你好，请问下《Machine LearningYearning_吴恩达》这个本书中文名称是什么呢？想购买纸质书

土豆牛腩饭

收藏的也不点赞的人
唉

utoc

欢迎阅读

liouy

太赞了，果断git clone