人工智能入门指导

“

随着这两年人工智能火起来，很多人都迫不及待的想入坑人工智能，之前也有不少同事朋友询问过我怎么进入这个行业，在这里我谈一下个人的拙见，如有异议，欢迎讨论，如果能帮到各位，非常荣幸。

后期会继续分享计算机视觉、强化学习、优化算法以及编程和工具使用等方面的内容，感兴趣的可以关注一下，欢迎私信沟通交流。

”

1

选定一个方向

我个人不太喜欢使用"人工智能"这个词，因为觉得太宽泛了，每当有朋友问我怎么进入人工智能这个领域，我都会先问一个问题："你想从事哪个方向?"人工智能有太多方向，计算机视觉、自然语言处理、搜索推荐、机器学习、强化学习，机器学习又可以细分很多，分类、回归、深度学习、元学习、增量学习....所以我认为要想从事人工智能，首先应该明确自己从事哪个方向，这样才会有目标。

2

掌握一个必备知识

“

我个人是做计算机视觉的，所以，接下来我就以计算机视觉为例讲述。

”

人工智能是一个涉及多学科、多领域的的方向，数学、计算机、工程学等方面，一下分别谈一下：

数学知识

我想在大多数学校里，数学都是理工科学生的必修课，微积分、线性代数、概率论与数理统计，这些都比较基础实用，我觉得这个数学基础对入门人工智能足够了，人工智能应用数学最多的也就是求导、矩阵的运算和分解、概率的统计与分析。

编程能力

工欲善其事、必先利其器，人工智能方向编程语言使用最多的应该就是Python了，在很多学校理工科学生应该都会必修一门编程课，有的是C，有的是C++，就算这些都没用过，也应该对Matlab了解一些，我觉得有一些编程基础入门Python算是比较简单的，网上资源很多，社区支持也很强大。

机器学习

我这里所说的机器学习是广义上的机器学习，涵盖深度学习。无论是做传统的机器学习回归和分类，还是做深度学习，无论是做计算机视觉，还是做自然语言处理，都离不开机器学习，后面我会介绍一些我认为比较好的学习资源，对于机器学习，我划分为两个方面：(1) 框架层面；(2) 理论层面。

01框架方面

机器学习框架有很多比如scipy、sklearn、tensorflow、pytorch、mxnet等，我觉得对于框架，不再多，而再精，每个框架都有自身的优势，也都有自己的缺点，可以根据自己的项目需求和自己的喜好选择一个框架，这里我比较推荐的是tensorflow和pytorch，tensorflow虽然繁琐，但是强大，pytorch比较简洁高效。

02理论方面

理论方面主要包括传统的机器学习和深度学习里的一些网络框架，首先说一下传统的机器学习，我认为这是很有必要的，从事 AI工作中免不了用到传统的方法，比如回归、随即森林、SVM等，而且传统的机器学习理论性更强，更能让人了解机器学习中的内在内容。其次说一下深度学习网络模型，以计算机视觉为例，有很多成熟高效的网络模型，很多模型前后都有关联，需要了解不同网络模型，比如奠定基础的Alexnet，后面经常用于预训练的VGG，还有为深度网络提出解决方案的ResNet，还有近几年比较高效的SSD、YOLO系列，最后还有深度学习中的一些策略，比如怎么解决过拟合？BN是什么？Dropout是干什么的？激活函数有哪些和优缺点分别是什么？

专业知识

如果要成为一个AI从业者，需要结合不同方向的专业知识，比如要从事计算机视觉，仅仅拿到网络结构就开始搭，这是很难达到理想效果的，这就需要对图像底层有一些了解，例如图像的像素和通道结构，图像的边缘和灰度特征，图像的增广、去噪、分割，这能够让在相应的方向上走的更远，做出更好的东西，可能达到事半功倍的效果。

3

学习资源

“

经常会看到很多人在朋友圈转发各种人工智能学习资源，的确，随着人工智能火热起来，现在网上有很多各种各样的学习资源，让人眼花缭乱，好的学习资源屈指可数，大多数不知道冲着什么目的推出的教学资料，内容不怎么样，收费却不低，很多初学者不了解行情而误入歧途，不仅浪费了钱，也耽误了不少时间、浪费了不少精力，其实网上 有很多免费又非常好的资源，如果把这些利用起来，我觉得足可以成为一个AI从业者。在这里，我推荐一些我认为比较好的学习资源。

”

视频资源

01吴恩达《机器学习》

https://study.163.com/course/courseMain.htm?courseId=1004570029&_trace_c_p_k2_=6f3c5551927248fc87191831f0dd6deb

02吴恩达《深度学习工程师》

https://mooc.study.163.com/smartSpec/detail/1001319001.htm

03莫烦Python

https://morvanzhou.github.io/

推荐理由

吴恩达自然不必说，人工智能领域的大牛，无论是在学界还是在企业界都很有影响力，我觉得吴恩达的不仅有理论性，而且很实用，尤其《深度学习工程师》这门课程讲了很多深度学习策略、超参数调优、结构化机器学习、卷积神经网络和序列模型，都很实用，而且吴恩达的语速相对很多人例如Hinton、李飞飞团队的授课语速要慢一些，更有助于理解，能够跟得上节奏。

莫烦Python有很多课程机器学习、强化学习、Python基础、深度学习框架，很全面，中文授课，内容不深，但是有助于入门。

书籍

01数学方面

《概率论与数理统计》 盛骤

《数值分析》李庆扬

《线性代数》同济大学

推荐理由

这几本书都是用于大学生教材的，所以相对严谨一些，而且难度适中，对于做人工智能，我觉得这几本数学教材涵盖的知识差不多了。《数值分析》是我们本科数学系的教材，涵盖很多数值计算方法，很多可能在机器学习里用不到，但是我觉得想要做的更深，多了解一些数学是有价值的。

02机器学习方面

《深度学习》Goodfellow、Bengio

《机器学习》 周志华

《机器学习实战》Peter Harrington

推荐理由

《深度学习》这本书仅仅看到这几位作者就会明白错不了，都是大牛，介绍了不同方向的机器学习技术，而且很大一部分在介绍深度学习的策略和模型优化方法。《机器学习》这本书主要讲的是传统机器学习算法，通俗易懂，没有过多的公式推导。《机器学习实战》这本书对每个机器算法都从头到尾实现了一遍，相对于前面这两本书，这本书更偏重于实践，结合很多实例直接编程，如果跟随这本书把各个算法实现一遍，对加深记忆有很大帮助。

03图像处理方面

《图像工程》 章毓晋

《计算机视觉特征提取与图像处理》(第3版) Nixon&Aguado

推荐理由

对于入门计算机视觉这个方向，多了解一些图像底层的知识肯定是百利无一害，这两本书都是图像处理里不错的书籍，其中《图像工程》这本书，是合订版，也有单独成册的，分上中下三册，如果觉得这本书太厚也可以根据自己需求买其中一册。

04Python学习方面

《Python Cookbook》（第3版）大卫·比斯利，布莱恩·K.琼斯

Python菜鸟教程

http://www.runoob.com/python/python-tutorial.html

廖雪峰Python

https://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000

推荐理由

理论与实践相结合，讲解穿插着代码，容易理解和上手，而且网站教程较为简洁，节省时间。

“

以上是我的个人对入门人工智能的一些看法，也许不太全面，欢迎指正和讨论，希望对大家有所帮助，如果喜欢可以关注一下，后续会分享计算机视觉、强化学习、深度学习、优化算法等方面的知识，也会分享一些编程、实用工具等方面的内容。

”