零基础如何入门人工智能？

本人女生一枚
对科技类算是挺感兴趣，想尝试往这方面学习，就业
但是零基础，目前从事行政类工作
网上了解到学习人工智能需要庞大的基础
零基础女生如何入门人工智能，从哪里下手？学习时间大概要多久
有没有什么学习培训的机构或者学校？途径？

作为一个理工科早期毕业生，出于近乎本能的敏感，格外关注全网热议的ChatGPT。
本来国内就业环境就不好，各行各业内卷越来越严重，加上人工智能的异军突起，各行各业势必将迎来科技进步跨时代的巨大冲击，在此情形 下，有些人必将失业，被人工智能代替。
逼着我们不得不捡起来大学学过的知识，继续学习，才能在未来拥有立足之地。


什么是通用人工智能（AGI）?



通用人工智能（AGI）是人工智能的一种理论形式，可以像人类一样学习和推理，有可能解决复杂的问题并独立做出决策。
然而，那些致力于AGI开发的人旨在复制人类的认知能力，包括感知、理解、推理、学习、规划、决策、创造等多个方面，跨越广泛的领域。

目前，人工智能的研究已经涉及到计算机科学、数学、物理学、心理学、哲学等多个领域，旨在模拟和实现人类的智能行为和思维过程。人工智能被广泛应用于图像识别、语音识别、自然语言处理、智能推荐、自动驾驶、智能制造、医疗保健等众多领域，对社会、经济、科技的发展产生了深远影响。

像我这样有一些计算机基础的人，也想学些一些这方面的知识， 不求以后真的转行从事这方面的工作，可以解决一些生活中的小问题，也是可以的。


如何入门人工智能？



第一步，务实基础，学习高数和Python编程语言



人工智能是计算机和数学的交叉学科，会涉及到很多数据、算法问题，而这些都是数学推导出来的，所以要理解算法，就需要先学习一部分高数知识。
先将高等数学基础知识学透，从基础的微积分、线性代数、概率论和凸优化等入门，只有基础有了，才能层层积累。

计算机基础的部分，一般学习人工智能至少要掌握一门语言，最好是python，学习难度相对来说更容易，通用程度比较高，所以学习性价比非常高。


第二步，掌握机器学习和深度学习算法



一切的技术的出现都是为了解决现实问题，简单问题需要简单分析，一般会用数据分析，通过数据对比发现问题出现的原因。

机器学习有很多种方法，比如决策树、神经网络、支持向量机等，不同算法解决不同的问题，而深度学习算法是机器学习中的一个分支方法。

深度学习算法对数据量要求比传统机器学习算法更多，深度学习算法可以直接通过cnn实现自动特征提取，泛化性更强，深度学习对语言、文本、图像均有很强的表现。





第三步就是实践和实操了。


在学习人工智能的过程中，需要不断的通过实践项目，来加深对人工智能算法的理解和应用，也可以巩固学到的知识。
可以尝试参加开源项目或者自主开发一个相对简单、完整的人工智能应用项目，比如简单地语音识别、图像识别、自然语言处理等，通过这些获取实践经验。


第四步，参加在线课程和培训班



基础知识扎实有过 丰富变成经验的朋友，完全可以通过自学掌握AGI的基础，另外可以通过报名一些在线教育平台，人工智能培训班学习更深入的知识。
像我这样基础不是特别牢固，编程经验不足的小白来说，还是放弃自学吧，如果真的想学，一定要找个靠谱的正规渠道，从零开始，循序渐进的学习。



正好，「知乎知学堂」联合「AGI课堂」推出的【程序员的AI大模型进阶之旅】免费公开课，一共2天的课程，特邀圈内技术大佬孙志刚，一个月时间独立开发的大模型评测软件ChatALL.ai，成为 GitHub 全球热榜第一，是有实战和影响力的开发者，另一位是崔超，三星综合技术研究院最年轻的算法工程师，在CV方向曾设计出世界排名第一的算法，可以及时的帮我们全面解读前沿技术，提升认知和明确方向，成为AI技术革新下更大的收益者！


比如，这次课程的一些课题：
● 这次AI技术，和以往的技术变革有何根本不同？
● 如何利用LangChain让你的LLM更强大?
● 如何让自己成为变化的受益者？
● 未来的哪些程序员收入会提高
● 借助大模型技术提高收入的可行性

尤其针对目前内卷严重的程序员从业者，还有在校大学生有这方面职业规划的，都可以先听课，能更清晰的了解自身的不足和未来努力的方向。

这个课程是免费的，直接点击上方的公开课链接免费报名，不需要花钱就可以直接学习，还可以获得AI大模型资料包，可以直接上手实践和操作。
当然对于行业小白来说，也可以获得无需翻墙的好用的AI工具名称和网址，可以直接体验使用，大大增加自己的工作效率。


最后想说



我大学毕业就没有考虑从事程序员这个职业，一方面思维方式偏文科更感性，理科方面深入学习融进去太难，就是那种说起来能理解，但是缺乏深入研究的能力。另一方面是因为我更喜欢和人打交道而不是机器。

传统行业，需要经验、需要资历，可以吃老本，经过几年的积累和沉淀，无论是人脉还是经验都能帮助自己越来越好。
计算机从业就不是这样了，需要不断的学习，更新知识储备。这个领域技术更新速度太快了，现成的模型、框架、代码越来越多，红利越来越少，正如逆水行舟，你不卷别人，就会被别人卷。
我一个大学同学，大学毕业两年找程序员相关工作一直不怎么顺利，然后又专门找了一个培训机构学习深造，后来直接去北京一个公司成功入职。
说起来到现在都已经有10多年了，偶尔联系说起他的状态，每天除了工作和生活，就是不断的学习。
特地问了他关于大模型技术相关，他们实际工作中已经开始使用各类大模型辅助程序开发，越来越多的程序项目不再需要精细化的分工合作，借助AI大模型，一个人前段后端UI包揽，大大提升工作效率。
这个行业一方面比的就是速度，比别人更快的学习和掌握，竞争也能领先一步！

随着这两年人工智能火起来，很多人都迫不及待的想入坑人工智能，之前也有不少同事朋友询问过我怎么进入这个行业，在这里我谈一下个人的拙见，如有异议，欢迎讨论，如果能帮到各位，非常荣幸。
<hr/>掌握一些必备知识

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，下面分别谈一下：

• 数学知识
  

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。

• 编程能力
  

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。

• 机器学习
  

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。

了解机器学习框架详细内容，请查看我的另一篇文章【干货！机器学习平台优质学习资源推荐】。

干货！机器学习平台优质学习资源推荐(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？

• 专业知识
  

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。

<hr/>
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。

• 视频资源
  

(1) 吴恩达《机器学习》
吴恩达机器学习 - 网易云课堂(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(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
https://morvanzhou.github.io/(4) 李飞飞 《斯坦福深度视觉识别课程》
失效课程 - 网易云课堂

推荐理由：吴恩达自然不必说，人工智能领域的大牛，无论是在学界还是在企业界都很有影响力，我觉得吴恩达的不仅有理论性，而且很实用，尤其《深度学习工程师》这门课程讲了很多深度学习策略、超参数调优、结构化机器学习、卷积神经网络和序列模型，都很实用，而且吴恩达的语速相对很多人例如Hinton的授课语速要慢一些，更有助于理解，能够跟得上节奏。而cs231n是李飞飞教授的经典计算机视觉入门课程，从传统的图像分类到机器学习基础知识，再到卷积神经网络涵盖计算机视觉知识非常全面。莫烦Python有很多课程机器学习、强化学习、Python基础、深度学习框架，很全面，中文授课，内容不深，但是有助于入门。

• 书籍
  

(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

推荐理由：这几本书都是用于大学生教材的，所以相对严谨一些，而且难度适中，对于做人工智能，我觉得这几本数学教材涵盖的知识差不多了。《数值分析》是我们本科数学系的教材，涵盖很多数值计算方法，很多可能在机器学习里用不到，但是我觉得想要做的更深，多了解一些数学是有价值的。

(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

推荐理由：《深度学习》这本书仅仅看到这几位作者就会明白错不了，都是大牛，介绍了不同方向的机器学习技术，而且很大一部分在介绍深度学习的策略和模型优化方法。《机器学习》这本书主要讲的是传统机器学习算法，通俗易懂，没有过多的公式推导。《机器学习实战》这本书对每个机器算法都从头到尾实现了一遍，相对于前面这两本书，这本书更偏重于实践，结合很多实例直接编程，如果跟随这本书把各个算法实现一遍，对加深记忆有很大帮助。

(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

推荐理由：对于入门计算机视觉这个方向，多了解一些图像底层的知识肯定是百利无一害，这两本书都是图像处理里不错的书籍，其中《图像工程》这本书，是合订版，也有单独成册的，分上中下三册，如果觉得这本书太厚也可以根据自己需求买其中一册。

备注：机器学习还有一些其他比较优秀的书籍，我把机器学习&深度学习中比较知名的8本书籍总结了一下，并把书籍电子版和源码进行共享，需要的可以看我的另一篇文章[Jackpop：值得收藏！机器学习“8大名著”中英文电子书+源码]：
https://zhuanlan.zhihu.com/p/56116605
<hr/>开源项目

课程学习了、书也看了，接下来该做一些什么？我认为应该进行一下实战，检验一下自己的理解深度、加深印象，同时锻炼一下自己的动手能力。
在这里，我推荐几个github上热门的学习项目，这几个项目利用主流的机器学习平台实现常用机器学习、深度学习算法和模型，内容涵盖tensorflow、pytorch、mxnet，感兴趣的可以看我的另一篇文章[Jackpop：干货！机器学习平台优质学习资源推荐：
干货！机器学习平台优质学习资源推荐<hr/>推荐阅读

你们是喜欢用网易云还是酷狗？
Zlibrary被封了，到底该去哪下载电子书啊？
hello，大家好，我是Jackpop，重点大学本科毕业后保送到哈工大计算数学专业读研，有多年国内头部互联网、IT公司工作经验，先后从事过计算机视觉、推荐系统、后端、数据等相关工作。如果同学们在升学考研、职业规划、高考志愿、简历优化、技术学习等方面有困惑，欢迎大家前来咨询！

长文干货预警！呕心沥血之作！墙裂建议收藏！！顺便点赞评论夸夸老学姐呜呜呜~
【正文已完结】
首先在回答怎样自学人工智能之前，我们必须明确一点 —— 能不能自学搞懂人工智能?
如果你自己心里认为搞懂人工智能就是天方夜谭，那学姐还是劝退的，因为怀着这种态度那么哪怕遇到了一个小困难，你都会想“果然是很难啊，我完全不可能搞懂的！”然后自然而然选择放弃，那样半途而废的话，还不如现在就不要开始！




大概在我本科大二的时候（非计算机专业!），同寝室已经有大佬开始学习人工智能，当时我在想，我这种菜鸡怎么可能学会，现在那位大佬已经在某度做研发了，现在想想那个时候没有开始真是遗憾！！（时光一去永~不~回~）
一个人要是真的想做成一件事，没什么是做不到的！
我在学习这些知识的时候也遇到了很多前辈助我一臂之力，前天刷到这个问题，就决定把迄今为止积累的一些学习经验分享给大家！如果你对’能不能自学搞懂人工智能? ’的答案也和我一样是“完全可以！”那就继续看下去叭！
当你想办成一件事的时候，全世界都会帮你！
学姐的AI交流群有什么问题有什么资料都会在群里分享！有事来咨询~

https://xg.zhihu.com/plugin/255185503dc270628f84030d4ae0ecc1?BIZ=ECOMMERCE
（可能一次说不完，有遗漏或者有新的发现会在这里和大家分享，本帖持续更新，直到学姐黔驴技穷！ ）

          ———————————————废话与干货的手动分割线——————————————




人工智能自学教程导览
01\基础知识篇（要想学的好，地基先打牢！）
↓
02\AI基础篇（新的领域，从头来过！）
↓
03\AI进阶篇（投入运用，顺利出师！）
【思维导图】（自学也不是闭门造车，不是走歪门邪道，学姐的导图和讲解都是线下最“正统”学习心法衍生来的~不用担心“走火入魔”）



入门AI思维导图

01.基础知识篇【基础知识已有的同学可以直接跳转到第二部分~】
人工智能是计算机与数学交叉学科，对于其中数学的部分，已经在其他回答中讲到过。
人工智能需要哪些高级的数学知识？所以现在主要讲一下计算机基础的部分，一般学习人工智能至少要掌握一门语言，可以不是python，但最好是python，没有拉踩的意思，但python性价比真滴高呀！学习难度上要比C容易太多，通用程度也比另外几门语言高，综合起来就成了很多人的选择~
那么如果你是什么语言都没有学过（或者学过一点但自我感觉和没学过差不多）的小白，不妨从python入手，开启计算机之路。
这里推荐的小小白入门级课程是北理工网络空间安全学院副院长嵩天教授讲的Python语言程序设计，是慕课上的国家精品课！
链接指路↓
Python语言程序设计_北京理工大学_中国大学MOOC(慕课)这个课程开班十几期了，可以选择在本次开班跟着一起学，或者直接去看往届开班的回放~

计算机是运算工具，更是创新平台，高效有趣地利用计算机需要更简洁实用的编程语言。Python简洁却强大、简单却专业，它是当今世界最受欢迎的编程语言，学好它终身受用。请跟随我们，学习并掌握Python语言，一起动起来，站在风口、享受创新！—— 课程团队

不得不吹一波嵩教授yyds,讲课认真、耐心、有趣！
怎么会学不会？！



（讲课内容图示，来源：慕课）

教材的话推一波Head First系列里的
《由浅入深学习python》


这系列的书就不用我吹了，大家比我会夸↓
程序员必备的书籍有哪些？CodeAllen：Python推荐书籍从入门到进阶（珍藏版）《Head First》一直饱受赞誉，虽然其中最出名的当属深入浅出的统计学，但是其他的也都很不错，作为小白入门款，它轻松易懂而且对逻辑思维的建构也有很大帮助。
嘻嘻嘻嘻还推荐各位小伙伴进入学姐的AI交流群哦，点击下方直通车，里面有超多人工智能干货，每天花几分钟看一看，知识总有一天会进脑的！

https://xg.zhihu.com/plugin/255185503dc270628f84030d4ae0ecc1?BIZ=ECOMMERCE
02、AI基础
（1）神经网络基础
人工智能入门：从零开始学习神经网络大家可以先看看这个，比较生动有趣，可读性高，看完可以对AI有个大概的了解。
书籍的话有机会大家一定要读一下《python神经网络编程》，一定受益匪浅~


话不多说看豆瓣评论


郭志敏：神经网络入门的第一本书，你应该选择它别问我怎么学会神经网络的，去看书！！
（2）框架
先来通俗解释框架：你可以理解为你选择了一系列的砖来盖房子，这一些列的砖有不同的形状，你可以从中选择来import调它来搭建你的代码。
框架有很多种，Caffe、tensorflow，pytorch,CNTK等等，学姐主要学习的就是基于torch用python重写了一些部分创造的“Pytorch”相比于其他框架，它抽象层面的内容偏少，初学者也比较容易能理解，并且实操起来更加节约时间~
学姐也写过一些文章，欢迎来读！
鱼子酱：PyTorch 1.9发布同时更新pytorch库来看惊喜！鱼子酱：PyTorch 环境配置 Ⅱ | PyCharm 2021 安装与激活（当然，其他框架也有它的好处，也都可以考虑，只是学姐个人熟悉pytorch一些~莫得拉踩！）
chenyuntc/pytorch-book(学习视频在此，点不开多点几次，没有找到汉化版，请诸君努力食用！)
书籍的话，入门推一波这本，稍微简单一点，里面结合着神经网络知识讲了很多，对于初学者很友好~


最近看见pytorch官方也出了一本，学姐看了一下，感觉不错，但对于初学者可能难一些，这边也给大家指路一下~
零基础如何入门人工智能？03、AI进阶
终于等到你~还好你没放弃~
恭喜恭喜，你已经走向了第三步，有了这一步才能创造出那些“高级人工智能”
人工智能能否替代人类？：人工智能中深度学期其实和机器学习并不是并列关系，准确的来说。深度学习只是机器学习里的一个小板块，而深度学习里面还有其他部分，时下最火热的就是CV（计算机视觉）以及NLP（自然语言处理）。而他们各自又有其他的分支负责不同的需求。
呜呜呜，今天码不下去了，太累了，改日再来更！
欢迎点赞关注收藏催更！！
有什么想问的问题也欢迎私信我！！



<hr/>更新啦!(7.9)
来了来了，来更新了！！！感谢小伙伴们的支持和认可！
今天我们来学习——机器学习!
来听一个名字——吴恩达，在投入这个行业后，就会不断听到这个名字，机器学习至少在教学领域绝对是数一数二的大牛，（虽然也不少人吐槽他讲得，但不得不说，现在最主流的人工智能入门学习基本都是在学他的课，作为斯坦福大学的计算机系副教授，能听到他的课，个人觉得大部分人能听到他的课还是挺荣幸的hhhh）
好，课程链接在此，请诸君自行注册学习。
Machine Learning by Stanford University | Coursera
真正的从头到尾把课学完，那恭喜！机器学习是真的入门啦！


书籍是这本——《机器学习》人称西瓜书。
很多对人工智能感兴趣的人应该都对这本书有所耳闻，不过自学的时候还是建议结合讲解视频来看，因为自学想读懂真的有一定难度！！！
（相信我，天才只是少部分，大部分人不加视频辅助来自学就是在浪费时间，不是说一定看不懂，只是实在没必要这么刁难自己，有这时间去看看讲解视频不香吗）

转自周志华老师微博
某推荐的读法: 没基础的读者从头囫囵读，建议最好不超过两月，读不懂的跳过去。给读者搭建不偏学派的整体框架，建骨骼，是本书第一层用处。然后建议找别的材料读，长肉，这样的读物常见。再回来读本书，或许会发觉好多东西原来那么简单，这是提筋节，本书的第二层用处。再去别处学，全面积累，到一定时候回来或许能有点豁然贯通感，通经络，是第三层用处。写的时候就是冲着这去的，希望出一本有助不同层次读者的耐读之书。有读者体会了，作者就算没白下功夫。

全书共16 章，大致分为3 个部分：第1 部分（第1～3 章）介绍机器学习的基础知识；第2 部分（第4～10 章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；第3 部分（第11～16 章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等.前3章之外的后续各章均相对独立, 读者可根据自己的兴趣和时间情况选择使用. 根据课时情况, 一个学期的本科生课程可考虑讲授前9章或前10章; 研究生课程则不妨使用全书.

前两天回答了另一个问题，推机器学习一些好的的新书，虽然学姐当初学的时候不是用的这些书，但是也都会去看，只有不断地获取知识才不会被淘汰嘛，尤其是人工智能还是个正在被不断开发的新领域，所以我把这个答案中的部分也搬运过来，大家可以参考着看一看，学一学~

这本南瓜书今年新出版的，我没有一页一页去学哈，但是翻了翻觉得和西瓜书还蛮搭的，要是我学人工智能的时候有这样一本书，我一定入了hhhh，现在推荐给大家也不晚！新书质量好、口碑好的话，用它学习真的不是什么坏事！



周志华老师的《机器学习》（俗称“西瓜书”）是机器学习领域的经典入门教材之一。本书（俗称“南瓜书”）基于Datawhale 成员自学“西瓜书”时记下的笔记编著而成，旨在对“西瓜书”中重难点公式加以解析，以及对部分公式补充具体的推导细节。

全书共16章，与“西瓜书”章节、公式对应，每个公式的推导和解析都以本科数学基础的视角进行讲解，希望能够帮助读者达到“理工科数学基础扎实点的大二下学期学生”水平。每章都附有相关阅读材料，以便有兴趣的读者进一步钻研探索。
【吃瓜教程】《机器学习公式详解》（南瓜书）与西瓜书公式推导直播合集_哔哩哔哩_bilibiliB站真的，学习神器YYDS！




机器学习领域著名学者周志华教授领衔的南京大学LAMDA团队四位教授合著系统梳理机器学习理论中的七大重要概念或理论工具，并给出若干分析实例机器学习理论内容浩瀚广博，旨在为机器学习理论研究的读者提供入门导引。
本书旨在为有志于机器学习理论学习和研究的读者提供一个入门导引。在预备知识之后，全书各章分别聚焦于：可学性、（假设空间）复杂度、泛化界、稳定性、一致性、收敛率、遗憾界。 除介绍基本概念外，还给出若干分析实例，如显示如何将不同理论工具应用于支持向量机这种常见机器学习技术。
这本也蛮不错的，学有余力的同学可以看一看，要是没有余力就先学上面推荐的哈!

我我我又来更新啦（不出意外的话是大框架的最后一次更新，以后可能有新的好书好教程会在这个帖子分享~
<hr/>插句题外话：很多人说自学是学不会的，我想自学也分很多种，我分享出来的那么多书，那么多教程，真的去一点一点琢磨透了，可能要花好几年，是科班生可能都没有的知识积累，基础打扎实后，再去报一些课，积累一下项目实战经验，参加几场比赛，真正的付出过，努力过，和二十几天速成调包侠不一样。学了多少就是多少，别人抢不走，也骗不了自己。
<hr/>话不多说，开始整活儿
【深度学习】
深度学习和机器学习的关系已经提到过了，可以粗略了解一下机器学习就直接学深度学习的，也没有太大影响。当然很多人调侃机器学习整不下来项目了，所以学术圈起个深度学习的名字好申请资金发论文哈哈哈，其实个人感觉这就是一个量变产生质变的道理，而且说实话这几年公知的人工智能基本都跑不了深度学习的领域，比如用美图秀秀一键美颜、刷脸支付、语音转文字、有声小说等等，拿着人工智能工程师的身份去求职，深度学习最好还是要深入掌握滴。



封面好不好看啊，嘿嘿 这本书又名花书，美丽外表，深邃灵魂，但是并不是刁钻的难懂。
《深度学习》由全球知名的三位专家Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰写，是深度学习领域奠基性的经典教材。全书的内容包括3个部分：第1部分介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识；第2部分系统深入地讲解现今已成熟的深度学习方法和技术；第3部分讨论某些具有前瞻性的方向和想法，它们被公认为是深度学习未来的研究重点。
《深度学习》适合各类读者阅读，包括相关专业的大学生或研究生，以及不具有机器学习或统计背景、但是想要快速补充深度学习知识，以便在实际产品或平台中应用的软件工程师。
但一般大家看的时候是结合着视频一起看的，看书之前先看一遍梳理大纲的视频↓了解一下大概会学什么知识。
【课程电子书课件见置顶评论】《深度学习》花书啃书指导！大佬级up主：同济子豪兄出任导师哦~【完结】_哔哩哔哩_bilibili之后去钻研一下这本书，自己仔细思考里面的理论，跑一跑提到的代码
最近看到的另一位UP主也在讲深度学习
跟李沐学AI的个人空间_哔哩哔哩_Bilibili鉴定完毕，是个大佬，而且从头讲起，由浅入深，循序渐进，自己结合下边这本书看他的视频，感悟颇多！



本书旨在向读者交付有关深度学习的交互式学习体验。书中不仅阐述深度学习的算法原理，还演示它们的实现和运行。与传统图书不同，本书的每一节都是一个可以下载并运行的 Jupyter记事本，它将文字、公式、图像、代码和运行结果结合在了一起。此外，读者还可以访问并参与书中内容的讨论。
全书的内容分为3个部分：第一部分介绍深度学习的背景，提供预备知识，并包括深度学习最基础的概念和技术；第二部分描述深度学习计算的重要组成部分，还解释近年来令深度学习在多个领域大获成功的卷积神经网络和循环神经网络；第三部分评价优化算法，检验影响深度学习计算性能的重要因素，并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。
本书同时覆盖深度学习的方法和实践，主要面向在校大学生、技术人员和研究人员。阅读本书需要读者了解基本的Python编程或附录中描述的线性代数、微分和概率基础。
这两本是我个人比较喜欢的
已经学到了这个阶段，自己要做的是多读书，多看论文，人工智能是很前沿的东西，每年都会有新的技术涌现，这个时候如果不会就是掉队。
论文的意义就是——快，可能书出来的时候理论已经老了，但论文就要及时很多，推荐几篇论文，在下边，大家也可以找自己喜欢的论文然后去scihub下载♥

本书由Keras之父、现任Google人工智能研究员的弗朗索瓦•肖莱（François Chollet）执笔，详尽介绍了用Python和Keras进行深度学习的探索实践，涉及计算机视觉、自然语言处理、生成式模型等应用。书中包含30多个代码示例，步骤讲解详细透彻。由于本书立足于人工智能的可达性和大众化，读者无须具备机器学习相关背景知识即可展开阅读。在学习完本书后，读者将具备搭建自己的深度学习环境、建立图像识别模型、生成图像和文字等能力。
【1】崔建伟,赵哲,杜小勇.支撑机器学习的数据管理技术综述[J].软件学报,2021,32(03):604-621.
从数据管理的视角对机器学习训练过程进行解构和建模,从数据选择、数据存储、数据存取、自动优化和系统实现等方面,综述了数据管理技术的应用及优缺点,在此基础上,提出支持在线机器学习的数据管理技术的若干关键技术挑战.

【2】张军阳,王慧丽,郭阳,扈啸.深度学习相关研究综述[J].计算机应用研究,2018,35(07):1921-1928+1936.

介绍了深度学习技术的应用背景、应用领域,指出研究深度学习技术的重要性,以及当前重要的几种神经网络模型及两种常用大规模模型训练并行方案,其目的在于从本质上理解深度学习的模型架构及其优化技巧。对比分析了当下主流的深度学习软件工具和相关的工业界研究平台,旨在为神经网络模型的实际使用提供借鉴;详细介绍了当下几种主流的深度学习硬件加速技术和最新研究现状,并对未来研究方向进行了展望。

【3】张润,王永滨.机器学习及其算法和发展研究[J].中国传媒大学学报(自然科学版),2016,23(02):10-18+24.

本文对机器学习进行了较为系统的介绍,从机器学习的概念开始,综述了机器学习的发展简史及其分类,然后重点分析了机器学习的经典算法,接下来阐述了机器学习的最新研究进展、愿景及应用,最后探讨了机器学习面临的挑战。

【4】王坤峰,苟超,段艳杰,林懿伦,郑心湖,王飞跃.生成式对抗网络GAN的研究进展与展望[J].自动化学报,2017,43(03):321-332.

本文概括了GAN的研究进展,并进行展望.在总结了GAN的背景、理论与实现模型、应用领域、优缺点及发展趋势之后,本文还讨论了GAN与平行智能的关系,认为GAN可以深化平行系统的虚实互动、交互一体的理念,特别是计算实验的思想,为ACP（Artificial societies,computational experiments,and parallel execution）理论提供了十分具体和丰富的算法支持.

【另一篇回答的答案也来给大家看看~】
学完这些建议跟一些项目班、比赛班，去打打kaggle比赛啥的！有什么问题就来公众号找学姐聊聊~
“附录”是学姐的学习Tips:
1. 还是在数学知识那篇文章里提到过的“懂理论，多实践！”不懂不做不能会！
2. 不能理解的问题要及时请教，不要置之不理、将错就错，在校的可以去问老师（老师们一般都很愿意回答问题），不在校的可以去各种社群贴吧求助神通广大的网友们~有时候别人一句话就可能让你恍然大悟。
3. 要有规划的学习，切忌三天打鱼两天晒网、半途而废，必须要每天坚持学习！并且及时回顾快要忘掉的知识。
4. 学姐知道很多人是拖延症患者，明明内心焦虑的不想却根本不能投入工作，学姐一个专业课老师教了一个办法可以分享给大家，“告诉自己先看五分钟”物理学上有惯性，人的心理也有惯性，你告诉自己先看五分钟书，一方面会觉得五分钟而已，先看看，这样就更容易开始一项工作，万事开头难，等你看完五分钟之后进入了状态，持续下去也并非一件难事！
5. 英语：十分抱歉，这个应该也算在基础知识的一部分的，但由于它性质特殊被我遗忘了呜呜呜，虽然计算机和数学和日常沟通语言没有什么关系，但是有很多文献、课程都是英文的。
前沿的内容\理论我们国家有，但其他国家的也不少，英语作为传播范围最广的语言，在学习这些东西的时候就很有用处
虽然不能说不会英语就不会人工智能，但是英语基础好，绝对大有裨益。
6.看书马冬梅，合书马什么梅，做题啥也没QAQ
这种情况是很正常的，大家都是普通人，自学遇到这种情况很正常！
不要觉得是自己有问题什么的，要学会多看、多问、多练，跑不通的代码去看原书原视频，去问身边的大佬！加油！
7.金钱，虽说是自学，但自学≠不用花钱，呜呜呜学姐只能说是把自己的经验分享给大家少走点弯路
有的书学姐自己有你们可以来找我要，但是有些课程、实体书以及深入学习，让老师带着读论文打比赛，达到一个更高的层次，资金注入真的事半功倍，甚至有时候会决定有无！
但学姐认为这些钱花的值!学习绝对是一本万利的投资！
......



如果各位小伙伴还有什么不懂的地方或者还有什么疑问，欢迎各位小伙伴点击下方直通车进入AI交流群，跟学姐和大佬们一起交流，一起聊天！

https://xg.zhihu.com/plugin/255185503dc270628f84030d4ae0ecc1?BIZ=ECOMMERCE
来呀~来聊天吖~

零基础入门人工智能只需要学会python，然后会用import就行了。
21天学会名词，年薪起步价都是50万。

—————-
另外，大家都以为调包侠的反义词是写包侠，不是的，调包侠的反义词是知道调哪个包。

别入了吧。
人工智能这么火，每年都有各种专业的转过来，还有各种培训机构放出来的21天速成妖魔鬼怪。
要不是我亲眼见到自称着掌握AI所有技术，实际连线性代数都不会的大佬，都不敢相信。
这些人会什么呢？
高等数学稀烂无比，看个paper宛如读天书；计算机基础为零，代码能力没有；就会个tensorflow/sklearn API，还用不溜。
另外，你应该知道，非985计算机AI科班应届学生，除了能力特别强之外，BATJ TMD H等大型科技／互联网公司已经不怎么招聘了。
跨专业转行的情况应届生类似，所以我才和应届对比。
所以先想想：自己和 985学校计算机／AI专业科班出身的学生比，转过来有啥优势？
智商高？学习能力强？还是特别能吃苦，比如每天坚持学习16个小时。
三思而后行，想清楚再转。

另外同意楼上回答。但是多加几句：
零基础入门应该先看看理工学科零基础入门，比如微积分，概率论，线性代数。
然后再看计算机科学的零基础入门，比如计算机组成原理，数据结构。
最后才是AI相关应用学科的零基础入门。
有的门要入了，21天入门xxx真的不存在。
<hr/>现在真的没有好一点的公司会招聘调包侠了，今年校招就是例子。
而且，“绝大多数人都是应用”这话是没错，但是应用也是在业务的基础上改进和集成算法，把算法做到极致（比如通过各种手段把检测的Precision/Recall都做到99%+），绝不是只调个包。
某些人不要再活在自己的世界里了，看看今年的校招，清醒一点吧！