学习人工智能需要学习那些知识？
机器学习入门指南（2021版）向大家分享我机器学习之路看过的一些书、教程、视频，还有学习经验和建议，希望能对大家的学习有所帮助。
pdf版思维导图，后台回复：指南
Python——书
之前跟出版社合作，书柜里积攒了很多Python相关的书，这里推荐三本最有价值的吧。
《流畅的Python》，很厚，比较全面，可以作为工具书常常翻看。
《 从入门到实践（第2版）》 非常全面，对新手还算友好，里面有很多的练习项目非常不错。
《利用Python进行数据分析·第2版》 数据分析入门必读书，主要介绍了python 3个库numpy（数组），pandas（数据分析）和matplotlib（绘图）的学习。有开源版，就不用买了，下载链接及代码如下：
Python——教程
学习Python最好的入门线上教程，首推Python官方文档
官方文档足够详细和系统，但是内容太庞大，学习来会有点吃力，我建议只看tutorial即可，就是上面的链接。
直接啃官方文档的教材，不如老师讲给你听来的效率高。廖雪峰的Python新手教程也是个不错的选择，每一节都有练习题，学习来更顺畅，对新手很友好。
机器学习最常用的库少不了Numpy Pandas Matplotlib这些库我觉得看官方文档就好了，不过英文不好的同学可能就不满意了，这里分别列一下这些库的官方文档和我觉得很不错的中文教程，提醒一下哈，官方文档只需要看我列出的链接即可。
Numpy
官方文档：
中文教程：
Pandas
官方文档：
中文教程：
Matplotlib
官方文档：
中文教程：
Python——视频
实话实话，我没有完整的看过任何Python视频。归根结底，Python入门很简单，看视频效率太低。传言B站的[小甲鱼]零基础入门学习Python不错，简单看了一眼，确实0基础。我们用Python是用来学机器学习的，喜欢看视频学习的同学可以看看，建议只看P1-P53即可。
《零基础入门学习Python》：
机器学习——书
市面上凡推荐机器学习的书，都少不了李航的《统计学习方法》和周志华的《机器学习》，我当初也是看了大佬推荐，在这两本书上耗费了极多的时间。但这两本我觉得都很不适合入门，尤其是统计学习方法，简直就是上等武功秘籍，太过精炼，啃起来太吃力。对比起来周老师的《机器学习》相对好点，其中有些公式推导有点跳，Datawhale 出了一本开源的《机器学习公式详解》是个很好的补充。周世华的《机器学习》是必不可少的工具书，还是必读的，而且要反复阅读，不过建议在看过视频教程之后。
偏应用的书，只推荐一本，其他的都不要看！！！：《机器学习实战：基于Scikit-Learn、Keras和TensorFlow（原书第2版）》，入门可以先看前 9 章。
市面上很少有书能够把机器学习在业务层面的应用介绍清楚，比如模型解释、模型上线，模型监控等等，没有看到特别详细的，有一本还算满意，就是知名度比较低：《机器学习：软件工程方法与实现。
《机器学习：软件工程方法与实现》
现在无论是竞赛还是工业界，boost模型都应用十分广泛，分类、回归、排序，XGBoost都能搞。最后再介绍一本我认为的必读：《深入理解XGBoost：高效机器学习算法与进阶》，作者是XGBoost开源社区贡献者何龙。这本书以机器学习基础知识做铺垫，深入剖析了XGBoost的原理、分布式实现、模型优化、深度应用等。
机器学习——教程
教程没有看到太好的，除了sklearn的文档，只推荐吴恩达、李宏毅、林轩田三位老师的视频课件。课件这里不单独列出来了，下载链接我放到思维导图里了。
Sklearn
官方文档：
中文教程：
机器学习——视频
与Python不同，机器学习基础我觉得最好还是跟着视频学，因为初学机器学习算法，涉及很多公式推导，非常难理解，跟着视频学起来会轻松不少。
视频首推吴恩达的公开课，这是学习机器学习基础知识的最好的课程。英语不好的同学也不要担心，视频是有中文字幕的。
作为补充，时间充裕的同学可以看看台大李宏毅的机器学习公开课，特点是中文授课，比较轻松愉快。
时间更充裕的也可以看看林轩田的视频课，只看基石部分即可。
机器学习——数学基础
系统地学习机器学习所必须的数学知识
数学基础这一块是个无底洞，不太建议大家耗费过多时间，用到了再补也不迟。
也不建议大家看书，基础确实特别薄弱的同学，推荐一本：《机器学习的数学》，这本书特别全面的介绍了微积分、线性代数、概率统计、信息论、随机过程、图论等内容。再强调一遍，此书仅适于基础特别薄弱的同学。
我感觉机器学习中用到最多的应该是线代，喜欢看视频的可以看看李宏毅的机器学习中的线性代数：
或者3blue1brown：线性代数的本质
其他数学基础相关的电子书，我也放到思维导图中了。
一些经验和建议
1、我敢肯定很多初学者都是资料收集爱好者，越攒越多反而不知道从何开始。我强烈建议把资料都扔掉，以我的这一套为准，一以贯之的学下去。
2、就像前面我提到的，很多东西先不要深究，不要在某些地方卡太久（比如数学部分，比如编程基础），先学下去，学完。了解大的框架之后，以后用到哪里，再回过来补也不迟。
3、机器学习的各种算法没必要样样精通，常用的比如LR、树模型、RF、XGBoost等等掌握好就不错了。
4、我身边一些优秀的程序员、分析师、工程师都非常推崇“做中学，学中做”，无论是书本还是视频，看到一些好的方法和技巧，要立即自己实现一遍。看起来非常简单的东西，真真动手的时候才会发现自己的不足。快速学完上述内容就尽快开始实践吧，可以先复现天池或kaggle上优秀的notebook，然后就参与一些入门竞赛。
5、如果你已有工作，最好的还是在业务中寻找机器学习应用场景，然后尝试去开发一个适用的模型。不懂就搜索，学习。这是我所知最好的，最有价值的学习方法。
6、输出也是特别好的学习方式，输出就是把新学到的知识用某种方式讲给别人听，做到让他们也能理解、学会。我比较喜欢写笔记（我常用的是微软的OneNote），然后把笔记整理成文章发到博客上。这样不仅使对自己知识掌握程度的一种检验，发现薄弱点，也可以让大家共同监督，相互学习，教学相长。
OK，以上就是所有内容。欢迎与我交流
人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。
人工智能目前还非常初级，当前主要用于“已知环境、目标明确、行动可预测”的场景。深度学习在图像识别、语音识别、翻译等领域，人工智能基本具备人的识别能力，甚至超越了人类，基于这些能力应用到了很多场景，如医疗、公共安全等。但在推理、认知等方面仍十分欠缺。人工智能不是要等到超越人的智慧才进入使用，而是只要在某个方面比人做得好就可以进入使用。
但是人工智能的未来，是直接决定国家竞争力的。不管是国内BAT，还是国际互联网巨头Google都在热火朝天地做人工智能产业，只是各有侧重。而且人工智能的应用非常广泛，几乎涉及了所有行业，包括汽车、物流、道路管理、化学研究、工厂管理、能源、医疗、电脑、房地产、零售、视频监控等方方面面都在应用人工智能。未来的应用前景会更加广泛。
人工智能现在的求职状况是竞争非常激烈。如果说7、8年前的状况是各个专业转CS的话，现在是全民转AI。各个专业的，例如自动化、微电子、机械、通信、电子信息、材料专业，都有大量的学生在学习机器学习(尤其是深度学习)。
要想从事人工智能的工作，个人认为最主要学习的是人工智能的数学基础(高等数学主要是微积分、线性代数、概率论、数理统计、最优化理论、信息论和形式逻辑，离散数学)，算法基础(数据结构包括各种常用数据结构，算法设计与分析包括递归与分治、动态规划等，图论)、编程技能(最好有Java或c语言基础,熟练掌握python语言)、硬件设计技能(人工智能芯片或传感器等方向需要)等会有比较好的基础，加入人工智能行业后也会有比较大的发展空间。
另外我的建议是把对人工智能和计算机科学的兴趣与其他行业结合起来，不是计算机、自动化、电子信息和数理统计相关专业，而是机械制造、金融、医疗等专业知识的人士，如果有合适的人工智能在相关行业的应用点，既能够有相关领域的专业知识，又能够提供相关领域的人工智能行业解决方案，也非常适合加入人工智能行业，例如将人工智能应用在机械制造与机器人、金融与风投、医学和健康，新闻和写作，三维动画与电影CG等领域，对这些领域的探索可以发掘人工智能应用和爆发的更多可能性。
刘嵩
2021.10.8
