人工智能学习路线（适合新手）

首先，人工智能本身就是一个交叉学科，涉及到哲学、数学、计算机、控制学等一众学科，所以整体的知识量还是非常庞大的，那么怎么学习呢？盲目学习肯定是不行的，在这里整理了一下大概的学习路线，仅供参考！仔细阅读，文末会有相关资料推荐！！！！

人工智能Python语言入手→→机器学习核心技术→→深度学习核心技术→→NLP自然语言处理技术→→CV计算机视觉技术

01—人工智能开发入门

掌握Python基础语法，对后续学习打下坚实基础。

Python编程

基本语法	数据结构	函数
面向对象	多任务	模块与包
闭包装	饰器	迭代器

Numpy矩阵运算

Nadrray	Scalars	Boradcasting
矩阵运算	矩阵转置	矩阵求逆

Scipy数值运算库

Scipy基本使用	Scipy常量	Scipy稀疏矩阵
Scipy图结构	Scipy空间	Scipy插值

Pandas数据科学库

自带数据	结构数据读取写入	数据清洗
数据计算	数据合并	数据排序

Matplotlib

基础图表	Annotation	Figure
子图	Legend

Seaborn

数据关系图	数据分布图	类别图
回归图	矩阵图	多变量关系

PyEcharts

基本使用	图表API	组合图表
其他资源	图表类型	Web框架整合

阶段案例实战

• RFM案例实战
• 电商运营案例实战

教程视频 1、零基础Python编程 2、零基础数据科学库

02— 机器学习核心技术

掌握核心机器学习算法原理，掌握分类、回归、聚类使用场景，满足人工智能数据挖掘类岗位，薪资可达到15K-20K。

Scikit Learn

聚类算法API

数据预处理

分类算法API

回归算法API

分类算法

决策树	KNN	Adaboost
随机森林	逻辑回归	朴素贝叶斯
GBDT	XGboost	LightGBM

回归算法

线性回归	Lasso回归	决策树回归
随机森林回归	XGboost回归

聚类算法

KMeans	KMeans++	GMM
基于层次聚类	基于密度聚类	DBSCAN

属性降维

属性降维

特征选择

因子分析

PCA

ICA

LDA

模型选择

Metrics	Scoring模型得分
Grid search 网格搜索	Cross Validation 交叉验证
Hyper-Parameters 超参数选择	Validation curves 模型验证曲线

特征工程

Standardization标准化	Scaling Features归一化
Non-linear transformation非线性转化	Gaussian distribution高斯分布转化
Normalization正则化	Encoding categorical features类别性编码处理

阶段案例实战

• 零售行业建模分析
• 电商用户画像行为分析

程视频1、零基础快速入门机器学习https://link.zhihu.com/?target=http%3A//yun.itheima.com/course/500.html

03— 深度学习核心技术

掌握深度学习算法原理，掌握BP神经网络、CNN、RNN等基础网络结构，为后续NLP和CV奠定技术基础。

人工神经网络

损失函数

激活函数

Back Propagation

优化方法及正则化

BP神经网络

网络基本结构	正向计算	链式法则	权重更新
Sigmoid函数	梯度消失/爆炸	Batch Normalization

CNN卷积神经网络

局部感受野	权值共享	DropOut
卷积层	池化层	全连接层

RNN循环神经网络

梯度裁剪	双向长短时记忆网络（BiLSTM）
长短时记忆网络（LSTM）	门控神经网络(GRU)

阶段项目实战

• 图像识别案例
• 文本处理案例

教程视频1、深度学习核心技术课程

04— NLP自然语言处理技术

本阶段课程将掌握突破市场最热超高年薪的NLP技术，可应对市场上NLP工程师，根据市场反馈薪资突破30K。

Pytorch编程

定义损失函数

自动微分功能

定义优化器

定义模型结构

传统序列模型

隐马尔科夫模型

条件随机场

原理与实践

CRF与HMM区别

Transfomer原理

编码器	解码器	注意力机制
语言模型	模型超参数	模型验证

文本预处理

文本处理基本方法	文本张量表示方法	文本语料数据分析
数据增强方法	命名实体识别	Word Embedding词嵌入

RNN及变体

传统RNN

LSTM

Bi-LSTM

GRU

Bi-GRU

Seq2Seq

迁移学习

FastText

预训练模型

Google BERT

GPT

GPT-2

权重微调

阶段项目实战

• 文本分类
• 文本生成

教程视频1、NLP基础2、Pytorch编程3、Google BERT入门4、NLP项目实战

05— CV计算机视觉技术

掌握计算机视觉基础算法原理，掌握目标检测、分类、跟踪等各类CV任务，可应对市场上CV工程师岗位，薪资可达20K以上。

OpenCV图像处理

读写图像	灰度变换	几何变换	形态学
纹理分割	视频操作	边缘检测技术	特征检测和描述

Tensorflow编程

常量

变量

高阶API

tf.data

tf.keras

目标分类

卷积计算方法	多通道卷积	AlexNet
VGG	ResNet残差网络	ImageNet分类

目标检测

RCNN

FPN

SSD

ROI Pooling

FasterRCNN

非极大抑制NMS

目标分割

全卷积	ROI Align	DeepLab
MaskRCNN	金字塔池化模块	语义分割评价标准

阶段项目实战

• 目标分类
• 目标检测

教程视频1、OpenCV入门2、Tensorflow框架3、CV计算机视觉项目实战

06— 大厂面试专题

围绕大厂高频面试题，针对机器学习、深度学习、CV、NLP、数据结构与算法系列等专题去刷题

数据结构

栈

树

图

数组

链表

哈希表

常见算法

排序	查找	链表算法
动态规划	二叉树	递归算法
贪心算法	图算法	队列算法

机器学习&深度学习

分类算法面试专题	聚类算法面试专题
回归算法面试专题	深度学习基础面试专题

NLP & CV面试专题

深度学习与NLP面试专题

深度学习与CV面试专题

练习地址：
01 在线自定义刷题神器_自动生成面试笔试题_IT自测题库-趣IT

02 LintCode 炼码https://www.lintcode.com/problem/?typeId=4

推荐学习资料整理在github:学习资料

整理了一上午知识点，一直在思考一个问题，什么样子的人工智能人才受欢迎？大概是能将模型应用于专业领域的人，即跨领域让机器学习落地的人。对于大部分机器学习实践者来说还是该脚踏实地，盲目追逐热点很容易跌进陷阱，而巩固基础、寻找自己擅长的领域和机器学习交叉点可以帮助你在未来的就业市场变得炙手可热，成为工业界紧缺的人工智能人才。共勉