最新AI学习路线附带资料与链接

1.数学

数学是学不完的，也没有几个人能像博士一样扎实地学好数学基础，入门人工智能领域，其实只需要掌握必要的基础知识就好。AI的数学基础最主要是高等数学、线性代数、概率论与数理统计三门课程，这三门课程是本科必修的。这里整理了一个简易的数学入门文章。

数学基础：高等数学 https://zhuanlan.zhihu.com/p/36311622

数学基础：线性代数 https://zhuanlan.zhihu.com/p/36584206

数学基础：概率论与数理统计 https://zhuanlan.zhihu.com/p/36584335

机器学习的数学基础资料下载：

1.机器学习的数学基础.docx 中文版，对高等数学、线性代数、概率论与数理统计三门课的公式做了总结

2) 斯坦福大学机器学习的数学基础.pdf 原版英文材料，非常全面，建议英语好的同学直接学习这个材料 下载链接: https://pan.baidu.com/s/1LaUlrJzy98CG1Wma9FgBtg 提取码: hktx

推荐教材 相比国内浙大版和同济版的数学教材，通俗易懂，便于初学者更好地奠定数学基础 下载链接：https://blog.csdn.net/Datawhale/article/details/81744961

2.统计学

• 入门教材：

深入浅出统计学

• 进阶教材：

商务与经济统计

• 视频

可汗学院统计学：http://open.163.com/special/Khan/khstatistics.html

3.编程

入门人工智能领域，推荐Python这门编程语言。

1) Python安装：

关于python安装包，我推荐下载Anaconda，Anaconda是一个用于科学计算的Python发行版，支持 Linux, Mac, Windows系统，提供了包管理与环境管理的功能，可以很方便地解决多版本Python并存、切换以及各种第三方包安装问题。

下载地址：https://www.anaconda.com/download/ 推荐选Anaconda （python 3.7版本）

IDE：推荐使用pycharm，社区版免费 下载地址：https://www.jetbrains.com/

安装教程： Anaconda+Jupyter notebook+Pycharm： https://zhuanlan.zhihu.com/p/59027692

Ubuntu18.04深度学习环境配置(CUDA9+CUDNN7.4+TensorFlow1.8)： https://zhuanlan.zhihu.com/p/50302396

2) python入门的资料推荐

a.廖雪峰python学习笔记 https://blog.csdn.net/datawhale/article/category/7779959

b.python入门笔记 作者李金，这个是jupyter notebook文件，把python的主要语法演示了一次，值得推荐。 下载链接: https://pan.baidu.com/s/1IPZI5rygbIh5R5OuTHajzA 提取码: 2bzh

c.南京大学python视频教程 这个教程非常值得推荐，python主要语法和常用的库基本涵盖了。 查看地址：https://www.icourse163.org/course/0809NJU004-1001571005?from=study

看完这三个资料，python基本入门了，可以使用scikit-learn等机器学习库来解决机器学习的 问题了。

3）补充

代码规范： https://zhuanlan.zhihu.com/p/59763076

numpy练习题： https://zhuanlan.zhihu.com/p/57872490 pandas练习题： https://zhuanlan.zhihu.com/p/56644669

 

数据分析/挖掘

1.数据分析的基础书籍：

《利用python进行数据分析》 这本书含有大量的实践案例，你将学会如何利用各种Python库（包括NumPy，Pandas、Matplotlib以及IPython等）高效地解决各式各样的数据分析问题。如果把代码都运行一次，基本上就能解决数据分析的大部分问题了。

2.特征工程：

https://blog.csdn.net/Datawhale/article/details/83033869

3.数据挖掘项目：

https://blog.csdn.net/datawhale/article/details/80847662

机器学习

1.公开课 - 吴恩达《Machine Learning》

这绝对是机器学习入门的首选课程，没有之一！即便你没有扎实的机器学习所需的扎实的概率论、线性代数等数学基础，也能轻松上手这门机器学习入门课，并体会到机器学习的无穷趣味。

课程主页 https://www.coursera.org/learn/machine-learning

下载链接：https://pan.baidu.com/s/16065BpNAP7JEx_PpFHLSOw 提取码：xcmi

中文视频 网易云课堂搬运了这门课，并由黄海广等人翻译了中文字幕。

观看地址：https://study.163.com/course/introduction.htm?courseId=1004570029&trace_c_p_k2=d107b2ac93794ae79c941899f93332a1

中文笔记及作业代码 https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes

2.公开课 - 吴恩达 CS229

吴恩达在斯坦福教授的机器学习课程 CS229 与 吴恩达在 Coursera 上的《Machine Learning》相似，但是有更多的数学要求和公式的推导，难度稍难一些。该课程对机器学习和统计模式识别进行了广泛的介绍。主题包括：监督学习（生成/鉴别学习、参数/非参数学习、神经网络、支持向量机）；无监督学习（聚类、降维、核方法）；学习理论（偏差/方差权衡；VC理论；大幅度利润）；强化学习和自适应控制。本课程还将讨论机器学习的最新应用，如机器人控制、数据挖掘、自主导航、生物信息学、语音识别以及文本和Web数据处理。

课程主页：http://cs229.stanford.edu/

中文视频

http://open.163.com/special/opencourse/machinelearning.html

中文笔记

https://kivy-cn.github.io/Stanford-CS-229-CN/#/

速查表

这份给力的资源贡献者是一名斯坦福的毕业生 Shervine Amidi。作者关于 CS229 整理了一份超级详细的速查表 https://zhuanlan.zhihu.com/p/56534902

作业代码

https://github.com/Sierkinhane/CS229-ML-Implements

3.公开课 - 林轩田《机器学习基石》

课程介绍

台湾大学林轩田老师的《机器学习基石》课程由浅入深、内容全面，基本涵盖了机器学习领域的很多方面。其作为机器学习的入门和进阶资料非常适合。而且林老师的教学风格也很幽默风趣，总让读者在轻松愉快的氛围中掌握知识。这门课比 Ng 的《Machine Learning》稍难一些，侧重于机器学习理论知识。

中文视频

https://www.bilibili.com/video/av36731342

中文笔记

https://redstonewill.com/category/ai-notes/lin-ml-foundations/

配套教材

配套书籍为《Learning From Data》，在线书籍主页：http://amlbook.com/

4.公开课 - 林轩田《机器学习技法》

课程介绍

《机器学习技法》课程是《机器学习基石》的进阶课程。主要介绍了机器学习领域经典的一些算法，包括支持向量机、决策树、随机森林、神经网络等等。难度要略高于《机器学习基石》，具有很强的实用性。

中文视频

https://www.bilibili.com/video/av36760800

中文笔记

https://redstonewill.com/category/ai-notes/lin-ml-techniques/

5.书籍 - 《机器学习》

周志华的《机器学习》被大家亲切地称为“西瓜书”。这本书非常经典，讲述了机器学习核心数学理论和算法，适合有作为学校的教材或者中阶读者自学使用，入门时学习这本书籍难度稍微偏高了一些。

这本书配合《机器学习实战》这本书，效果很好！

读书笔记

https://www.cnblogs.com/limitlessun/p/8505647.html#_label0

公式推导

https://datawhalechina.github.io/pumpkin-book/#/

课后习题

https://zhuanlan.zhihu.com/c_1013850291887845376