学习路径

1 环境配置
2 python基础
3 数据分析（配合实践）
4 机器学习基础（配合实践）
5 深度学习基础
6深度学习竞赛实战
7论文阅读
8 如果你坚持进行到了第8步，你已经对人工智能有一个详尽的解了，后续的具体学习方向你自己会做出正确选择

1环境配置

对于一个新手小白，环境配置是一个很大的问题，pychram，anaconda，各种库的安装都是一大问题，我提供三种解决方案

1自己动手配置（不推荐）

缺点：对零基础不友好，踩坑无数，耗费时间，建议后续学习一段时间有一定了解后再尝试
具体结合自身实际做出选择

2淘宝远程配置（推荐）

淘宝找下python远程环境配置，配置本地环境全套预计50元左右
需要安装（pycharm与anaconda即可）
你需要做的，就是它们给你配置环境的时候学习他们怎么配置的环境

重点：
我并不推荐新手用户本地安装GPU版本的torch（学习深度学习会用得到的库），该原则适用于大多数电脑显存在16G以下的用户，也就是3080的显卡，原因下一条给出

3使用免费的在线环境（非常推荐）

请添加图片描述
点击New Notebook就可以在线编程了
kaggle是一个深度学习竞赛平台，上面经常发布一些有难度的比赛，并且提供了非常好的开源环境（学习资料多）与计算资源（配置好的在线环境）。
下图为kaggle提供的免费使用的显卡类型：
在这里插入图片描述
P100为16G显存，足够大家使用，且kaggle环境都已经配置完成，就无需在自己电脑上配置环境了
kaggle网站

2 python基础

你需要学习并且掌握

变量和数据类型：掌握基本的数据类型，如字符串、整数、浮点数、布尔值等，以及如何声明和操作变量。
列表、元组和字典：学习如何使用这些数据结构来组织和处理数据。
流程控制语句：学习 if、for 和 while 等流程控制语句，以及如何使用它们来控制程序的流程。
函数和模块：了解如何定义和调用函数，以及如何使用模块来组织代码和重复使用代码。
文件操作：学习如何读取和写入文件，以及如何处理文件中的数据。
面向对象（OOP）

python基础网上到处都是资料，学习起来也容易，可以去哔哩哔哩找个免费的课程看下（基本顺着看，看完面向对象部分就可以了）

完成这一部分后，你可以看懂python的基本语法结构，为后续学习打下基础

python基础资料推荐

零基础学python视频课程（bilibili）
python菜鸟教程

3 数据分析

你需要掌握

numpy（一个科学计算的库）
pandas（数据处理的库）
matplotlib（可视化的库，了解即可）
配合简单的项目熟悉数据分析即可
推荐datawhale的数据分析项目，项目已经在阿里云天池开源
此处推荐开源的天池开源的一个项目
动手学数据分析

4 机器学习基础

数学基础

线性代数：矩阵、向量、线性变换、行列式、特征值、特征向量等
微积分：导数、极限、微分、积分等
概率论与统计学：概率分布、条件概率、期望、方差、假设检验、最大似然估计等

算法基础

入门学习过程中，一个总体的把握是最重要的，不必细扣每一个算法的数学推导
你需要学习以下算法（掌握其中三个算法，了解其他算法的作用与基本原理即可的）

线性回归算法 Linear Regression
支持向量机算法 (Support Vector Machine,SVM)
最近邻居/k-近邻算法 (K-Nearest Neighbors,KNN)
逻辑回归算法 Logistic Regression
决策树算法 Decision Tree
k-平均算法 K-Means
随机森林算法 Random Forest
朴素贝叶斯算法 Naive Bayes
降维算法 Dimensional Reduction
机器学习库sklearn官网
sklearn

5 深度学习基础

请添加图片描述
主要学习内容包括：

基础部分

深度学习工程基础与环境搭建
深度学习数据结构基础（张量，矩阵）
认识pytorch框架结构
神经元，层与层之间的连接
激活函数，输出函数
神经网络的一般训练流程
目标函数，损失函数，评估函数
反向传播
梯度消失与梯度爆炸
Dropout与Batch-Normalization
数据格式控制Dataset与封装函数Dataloader

进阶部分

卷积神经网络
感受野、参数量、转置卷积与反卷积
池化操作
经典的特征提取网络（LeNet5、AlexNet、VGG、ResNet网络）
词向量：Word2Vec、GloVe、FastText
循环神经网络：LSTM、GRU 等
注意力机制：Self-Attention、Transformer 等

方向分流

目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD 等
图像分割：FCN、U-Net、SegNet、Mask R-CNN 等

6 深度学习竞赛实战

我还是推荐kaggle竞赛平台
请添加图片描述
Code区的高赞代码都是比较优秀的学习资料，如果想进一步提升自己的竞赛成绩，需要结合discussion中的上分trick并且进行尝试
更重要的是，去复盘kaggle已经结束的比赛，仔细阅读冠军的开源的思路与方案，复盘他的上分思路与过程，吸收思想

7论文阅读

阅读经典论文与最新的论文，吸收论文中的基本原理与创新点
在此我推荐计算机视觉与自然语言处理各十篇文章

计算机视觉

AlexNet: ImageNet Classification with Deep Convolutional Neural Networks
VGG: Very Deep Convolutional Networks for Large-Scale Image Recognition
ResNet: Deep Residual Learning for Image Recognition
Inception: Going Deeper with Convolutions
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
Mask R-CNN
YOLO: You Only Look Once: Unified, Real-Time Object Detection
DenseNet: Densely Connected Convolutional Networks
EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks
GAN: Generative Adversarial Networks

自然语言处理

Word2Vec: Efficient Estimation of Word Representations in Vector Space
Sequence to Sequence Learning with Neural Networks
LSTM: Long Short-Term Memory
Attention is All You Need
BERT: Pre-training of Deep Bidirectional T ransformers for Language Understanding
Transformer-XL: Attentive Language Models Beyond a Fixed-Length Context
GPT: Improving Language Understanding by Generative Pre-Training
ALBERT: A Lite BERT for Self-Supervised Learning of Language Representations
XLNet: Generalized Autoregressive Pretraining for Language Understanding
T5: Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer