【先锋导读】本篇文章旨在帮助大家建立一份人工智能的学习计划以及我的一些个人建议，希望大家在数据科学之路都能有所收获！
要讨论的问题
人工智能发展迅速，高薪的诱惑，前沿的技术使得越来越多的小伙要加入到这个大家庭中来啦，那么最大的问题也就随之而来了，如何学习人工智能呢？万事开头难，如何走第一步十分关键，学习的成本现在来说还是蛮高的，我们付出了时间一定要有最大的收获才可以，下面咱们就来说说当下最合适的学习规划！
先来唠一唠大家最关注的问题：
（1）：编程语言的选择，我们的定位是能干活的工程师，吃饭的家伙还是要选顺手了。
（2）：人工智能涉及的领域这么庞大，该从哪里开始？学什么？怎么学？
（3）：有很多高大上的算法，其中难度肯定不小而且还有很多数学，这该怎么办？
（4）：理论掌握了之后如何开始实践呢？都要项目经验，我该如何通过案例学习呢？
AI时首选Python
先来说最最重要的，语言的选择肯定是Python无疑了，为什么？人生苦短。。。这句我就不说了。Python现阶段已经成为数据科学领域最核心语言，最主要原因还是因为其简单实用，学习成本不高还能快速上手，公司里你的同事和老大都用Python玩数据建模型，你难道还敢不用吗！（说白了，我一天能干完的活我要花两天吗？当然不需要的，老板是看效率的。）
入门级学员最常见的问题就是，我是个小白呀，并不是程序员，怎么办呀，这些安装配置啥的是不是我得慢慢来学呀？别把时间浪费在配置各种环境问题上，我们有大礼包（全家桶），一站式帮你解决安装问题，下一步，下一步，选路径，OK啦！推荐大家使用Anaconda去安装（直接百度它进官网安装就得了）。切记，一定用这个，因为我们后续的案例实战还要用到其中一个叫做notebook工具的！
再对没有Python语言基础的同学们多说一句，语言只是工具来帮助我们解决问题的，千万别去找一本特别厚的书来个半年学习计划，用最短的时间去学习最基础的就暂时够用啦，越高级的语法其实用到的几率越小的，先够用然后伴随着案例来学会进步更快的。
从机器学习开始
第二个问题：人工智能听着这么牛的一个词，那到底该怎么学呀？这个圈子太大了，有些同学准备去做数据挖掘，计算机视觉，自然语言处理等各大领域，那是不是要学习的内容就会差别很大呢？其实不是的，我们一切都要从基础开始，其中最核心的就是机器学习了，你要做的一切都离不开它的，所以我们的第一个目标就是搞定机器学习各大算法，掌握其中各种应用案例！
再来简单介绍一下机器学习能做什么，举一个小例子，我之前特别喜欢玩梦幻西游手游（是不是勾起了一段回忆。。。），一顿氪金，弃坑之后它们客服经理给我打电话，说迪哥能不能回来接着玩耍（充钱）呀，帮派的小伙伴都是十分想念。。。这时候我就想为什么会给我打电话呢？每天用户流失的不下上万人吧，那肯定得挑重点客户来沟通了，其后台肯定有我们的各种数据，比如游戏时长，充值金额，战斗力等，通过这些指标就可以来建立一个模型去预测哪些用户最有可能返回来接着充钱啦！
机器学习能做的远不止这些，数据处理分析，图像识别，文本挖掘，自然语言处理，语音识别这些都是以其为基础的。现在各大公司也是越来越注重数据的价值，机器学习也就必不可缺啦。
此外，同学们还会经常讨论一个问题，深度学习又是什么呢？这里我们只做简单介绍，等后续课程再来详细解读，深度学习相当于是把机器学习中神经网络算法做了进一步延伸，让神经网络更庞大，解决问题能力更强大。归根到底，深度学习是机器学习的一部分，只不过现在在计算机视觉与自然语言处理中表现的效果十分抢眼。
如何学习呢？
第三个问题:机器学习我该怎么学呀？我觉得算法与应用都是很重要的，很多人都忽略了算法的推导，这对你之后的应用肯定是不利的，因为我们要做事情不能盲目去做，需要知道为什么要这么做！这就需要去熟悉每一个算法是怎么来的，每一步的数学公式是怎样得出最终的结果，数据是怎么样一步步变成最后的决策结果的，每一步的参数又会对最终的结果产生什么样的影响。这几点都是非常重要的，所以在学习过程中我们得深入到其中每一步细节。
关于数学，大家意见可能会不一样，我觉得如果有时间，还是都学学吧，技多不压身，无论是对大家当下学习机器学习还是日后做各种实验参考文献都是有很大帮助的，可以说是收益终身的。如果同学们有时间不妨再熟悉下咱们大学的那几本书了，高数，线性，概率论。
最后一个问题：如何开始实践呢？对于刚入门的同学，建议大家按照咱们课程的顺序去学习就可以啦，这其中会由浅及深的讲解各大案例。想要找课外练习，有时间来练练手的同学们可以多参考这两大站点了。Github：这个不用我多解释了，各种开源项目。着重介绍一下kaggle，本身是一个数据科学竞赛网站，但是里面有各路大神的解决方案和项目实践，都可以当作是我们学习的参考，就像是我们上学时去看那些学习好的同学做的笔记似的，这些都可以帮助我们找到很多经典案例。
人工智能实战课程
扫码加入
联系客服
