在我学习人工智能的过程中，主要有以下两个途径：

• 首先是B站。
• 第二是书籍。视频的讲解难免会不全面，很多时候我们需要翻阅书籍对知识进行查漏补缺、透彻理解。本文提及所有书籍在文末可免费获取电子版。

AI知识大体可以分为5个模块，接下来我会依次介绍每个模块的学习路径，最后给大家推荐几个我入门时做过的项目，帮助大家快速入门人工智能。

在AI领域，目前大部分程序员都使用Python作为第一语言。
学会上述操作后就入门了，但一定要将基础部分的内容掌握扎实。进阶操作在前期不着急学习，可以在日后使用过程中逐渐精通，比如函数式编程、多线程使用、异常处理与日志管理等等。

 书籍推荐

这里给大家推荐两本学习Python必备书籍。《Python编程》中每个知识点下都有对应示例，非常直观。入门后，《流畅的Python》可以帮你精通Python，完成从小白到大神的进阶。

原文链接：告别无用功|人工智能该如何学习

很多同学看到数学就头疼，其实模型通用的基本数学原理并不难，难的公式在之后的模型中遇见时再逐个击破即可。

切记前期不要深陷到数学知识中去深挖！！

首先大家不要惧怕数学。在遇到我们不会的数学公式时，我们要更多的思考这个公式能解决什么问题，而不是一直纠结公式的推导与计算。

比如梯度下降和反向传播的根本原理就是求导，全局最优解就是极值点，所以最优解一定在导数的某一个拐点处，类似的很多知识都是高中就学过的。

在深度学习中，线代最重要的应用就是高维数据相乘运算，可以大大提升运算速度。

• 首先要明白矩阵各维度所代表的意义
• 其次清楚矩阵的运算规则

概率论的知识在AI体系中看似不那么重要，但却无处不在。从数据预处理、建模、模型参数初始化及归一化，到最后的结果分析都与概率论息息相关。

常用指标很多是大家耳熟能详的，比如均值、方差。如果你之前没有很强的概率论功底，建议你掌握常用知识后，在实际中遇到不懂的问题时要养成查阅的习惯。这部分知识不会太难，但是对理解模型与过程十分的重要：

• 比如为什么树模型一般不需要进行数据归一化？
• 而逻辑回归、神经网络、PCA中就必须进行数据归一化？

1. 人工智能必备数学基础全套课程：此课程将高数、概率论、线代知识进行浓缩，针对人工智能领域开发的数学综合课程，都是入门必备和模型中常见的数学知识。

2. 网易可汗学院统计学公开课：统计学入门课程，涵盖统计学所有的主要知识。

这里推荐的是3本经典教材与1本我个人非常喜欢的《数学之美》。3本教材书无需多述，《数学之美》把抽象、深奥的数学方法解释得通俗易懂，非常精彩，很多模型原理都可以在其中找到你想要的回答。

原文链接：告别无用功|人工智能该如何学习

在具备一定的编程能力与数学功底后，我们就可以对实际问题进行分析与挖掘。

很多同学问算法工程师需要学爬虫吗？我的回答是：算法的重点在于建模，算法工程师掌握基本爬虫知识就好，因为单位一般都有专门的采集工程师。

但是数据分析师一定需要学。因为数据分析师需要具备自主获取数据的能力，从而进行数据分析。

不论你做数分还是算法，Numpy、Pandas和Matplotlib都是必须掌握的。但这部分内容很杂，没必要进行系统学习，就好像Excel中的函数一样。

1. 【莫烦】Numpy&Pandas ：此视频一共只有3小时，但是可以以最快的速度了解三剑客的基本使用。

2. Numpy中文官方网站

3. Pandas中文官方网站

4. Matplotlib中文官方网站

大家可以网上找一些常用方法多浏览浏览，脑子里留个印象就行，在实际使用的时候再去查具体怎么用。就算没印象，我也建议大家在实际使用时先去官网上查有没有对应的内置方法，如果没有再自己写函数实现。

后续我也会总结三剑客的高频使用方法。

原文链接：告别无用功|人工智能该如何学习

从机器学习开始就正式进入到了人工智能的领域。ML涉及的算法都是白盒算法，使用可解释的数学公式去拟合数据、学习参数然后进行预测，最后对模型进行评估。

这部分的知识需要大家从数据处理过程开始就多进行总结与反思：

• 数据清洗过程与特征工程是怎么做的？为什么会最终选用这些方法？
• 文本数据集常用的处理方法有哪些？适用的场景的是什么？

机器学习算法因为都有可解释性，所以大家需要搞懂数学原理，并知道模型之间的差异、以及适用于什么数据集。

对于回归任务与分类任务，我们也需要知道各种评估指标间的差异与使用场景。

1. 吴恩达机器学习：此教程以理论为主，对小白极为友善，就算没有基础，也能以最快的速度入门机器学习。

2. 菜菜的sklearn：此教程以实践为主，从数据处理、特征工程、到模型算法都会给予代码进行实操讲解，并将每个参数都讲的非常细致。

这里推荐两本学习ML必备书籍。周志华老师的《机器学习（西瓜书）》与李航老师的《统计学习方法》。

这两本书非常经典，讲述了机器学习核心数学理论与模型推导全过程，是夯实理论的不二选择。强烈推荐将书籍与上述推荐视频相结合进行学习。

原文链接：告别无用功|人工智能该如何学习

深度学习是黑盒算法，不具可解释性，初学者通常会觉得它比较神秘。但它的基础神经网络，可以说是由众多个逻辑回归函数组成，所以在学机器学习时一定要将逻辑回归彻彻底底学明白。

这部分给大家推荐书籍《图解深度学习》与《深度学习》。前者用图解的方式剖析了深度学习的原理，适合初学者；后者是深度学习领域奠基性的经典教程。

1. 浙大研究生课程：浙大老师上课录像，板书推导神经网络的原理，看完后你会入门深度学习，并感受到它的神奇与魅力。（P19-P24为神经网络）

1. 吴恩达深度学习：首推荐还是吴恩达老师的课程：

   • 不论往哪个方向发展，都先看神经网络部分
   • 如果你之后想学图像方向，就接着看计算机视觉部分，然后对序列模型进行了解
   • 如果准备往自然语言或推荐方向发展，则推荐先看计算机视觉部分，掌握CNN的基本常识后，再去学习序列模型全部内容

2. 白板推导系列：机器学习与深度学习数学原理板书推导，极为硬核。

在学完理论知识后，我们就可以找一些项目进行实战了。

我本人是NLP算法工程师，在此对自然语言处理方向推荐几个入门练手小项目：

1. Bert文本分类：在官网下载源码后进行Debug，不仅可以锻炼调试阅读代码的能力，而且可以掌握Bert的细节。
   

2. 实体识别：此项目使用了多种不同的模型（HMM、CRF、Bi-LSTM、Bi-LSTM+CRF）来解决中文命名实体识别问题。

3. 对话机器人：此项目为医疗对话问答机器人，主要基于知识图谱实现。

在对NLP进行初步了解后，大家可以根据自身情况在Github上多找一些感兴趣的相关项目进行研究，不仅仅要知道代码实现细节，更要思考它能实际解决的业务问题

 😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈
大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈
光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈
观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

文章知识点与官方知识档案匹配，可进一步学习相关知识