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。 掌握一个必备知识
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：
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。
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。
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。 (1) 框架层面 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。 (2) 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？。。。。
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。 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。
(1) 吴恩达《机器学习》 吴恩达机器学习 - 网易云课堂 study.163.com (2) 吴恩达《深度学习工程师》 深度学习工程师微专业 - 一线人工智能大师吴恩达亲研-网易云课堂 - 网易云课堂 mooc.study.163.com (3) 莫烦Python：我觉得虽然讲的很浅，但是没有语言障碍，通俗易懂 莫烦Python morvanzhou.github.io
(1) 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
(2) 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
(3) 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
(4) Python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./wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000
|
|
|
