人工智能的学习路线

以下是人工智能的学习路线。

1、学习并掌握一些数学知识

高等数学是基础中的基础，一切理工科都需要这个打底，数据进行挖掘、人工智能、模式可以识别此类跟数据打交道的又尤其对于需要通过多元微积分运算能力基础。

线性代数很重要，一般来说线性模型是你最先要考虑的模型，加上很可能要处理多维数据。你需要用线性代数来简洁清晰的描述问题，为分析求解奠定基础。

概率论，数理统计，随机过程是必不可少的，相关的数据的问题，不确定性几乎是不可避免的。引入随机变量的逻辑，理论，方法，模式非常丰富的。很多国家机器进行学习的算法研究都是需要建立在现代概率论和统计学的基础上的，比如贝叶斯分类器、高斯隐马尔可夫链。

再就是优化理论和算法，除非你的问题是，有现成的寻根线性方程公式，否则你将不得不面对各种各样的问题，但没有解决方案似乎得到解决，优化将是你的GPS指导你

有以上分析这些知识打底，就可以开拔了，针对问题具体实际应用再补充相关的知识与理论。比如说一些我觉得有帮助的是数值方法计算、图论、拓扑。更理论学习一点的还有实/复分析、测度论，偏工程类一点的还有一个信号信息处理、数据产业结构。

2、掌握机器学习理论和算法

 

如果有时间可以为自己可以建立提供一个国家机器进行学习的知识图谱，并争取掌握每一个经典的学习相关理论和算法。我简单地总结如下：

1）回归算法：普通回归算法包括最小二乘法（OrdinaryLeast广场），逻辑回归（logistic回归），逐步回归（逐步回归），多元自适应回归样条（MultivariateAdaptive回归样条）和局部平滑散射估计（局部估计散点图平滑）;

2） 基于一个实例的算法：常见的算法主要包括 k-Nearest Neighbor（KNN）, 学习进行矢量数据量化（Learning Vector Quantization， LVQ），以及社会自组织特征映射网络算法（Self-Organizing Map ， SOM）。

3）基于正则化方法：通用算法包括：岭回归，最小绝对收缩和选择算子（LASSO），以及弹性网络（弹性净）;

4） 决策树进行学习：常见的算法主要包括：分类及回归树（ClassificationAnd Regression Tree， CART）， ID3 （Iterative Dichotomiser 3）， C4.5， Chi-squared Automatic Interaction Detection（CHAID）, Decision Stump, 随机分为森林（Random Forest）。 多元智能自适应教育回归得到样条（MARS）以及发展梯度推进机（Gradient Boosting Machine， GBM）

3、掌握一种编程工具，比如Python

一方面，它是Python脚本语言很简单，拿一个记事本就可以写，拿控制台就能完成运行;此外，Python是非常有效的，比Java，R，高MATLAB更有效率。虽然MATLAB包也多，但效率是最低的四个里面。

4、了解这个行业发展最新信息动态和研究工作成果，比如各大牛的经典论文、博客、读书学习笔记、微博微信等媒体资讯。

5，买了GPU，找一个开源框架，自己多动手训练深层神经网络。多动手写代码，做一些人工智能相关的项目。

以上是人工智能学习的路程，人工智能是一门技术科学，不单单是技术，凌驾于技术之上是一门科学。

 

更多产品了解

欢迎扫码加入云巴巴企业数字化交流服务群

产品交流、问题咨询、专业测评

都在这里！