本文篇幅較長，干貨較多，建議收藏慢慢看。
談到人工智能（AI）算法，常見不外乎有兩方面信息：鋪天蓋地各種媒體提到的高薪就業【販賣課程】、知乎上熱門的算法崗“水深火熱 灰飛煙滅”的梗【販賣焦慮】。
其實，這兩方面都是存在的，但都很片面，這里不加贅述。客觀地說，數字化、智能化是人類社會發展的趨勢，而當下人工智能無疑是一大熱門，那是藍海還是火海？我們回到老道理—水的深度，只有你自己去試試水才知道。
當你對上面情況有了初步的了解并想試試水，需要面對的問題是：AI入門容易嗎？
答案其實是否定的，難！AI領域需要鉆研算法原理、大量復雜的公式及符號、無所適從的項目都是勸退一時熱度初學者的原因。但這些原因對于一個初學者，根本上是面對這樣困難的學科卻缺乏合適方法導致的。反問一個玩笑，程序員怎么會沒有方法呢？隨手就定義一個Python方法（funtion）
def funtion():
return 'haha，往下繼續看'
回到筆者，一名普普通通的程序員，當初也是誤打誤撞學習Python入門到機器學習、深度學習，至今有4個年頭，踩了很多坑，下文說到的學習方法、路徑也就填坑試錯的經驗罷了。
本文面向于AI領域了解不深、有些(高中+)基礎知識且有自學興趣的同學，以下為正文。
一、學習方法
說到學習方法，其實我們談到的人工智能之所以智能，核心在于有學習能力。而人工智能學習過程有兩個要素：
1、學習目標是什么（--什么目標函數）？
2、如何達到目標（--什么算法）？
人工智能領域很多思路和人類學習是很共恰的！可以發現這兩個問題也是我們學習這門學科需要回答的。
- 學習目標是什么？
我們的學習目標比較清楚，就是入門人工智能領域，能完成一個AI相關的任務，或者找到相關的工作。
- 如何達到目標？
1、入門人工智能是個寬泛的目標，因此還得 將目標拆分成階段性目標才易于執行，可以對應到下面--學習路線及建議資源的各個節點。
2、學習人工智能這門學科，需要提醒的是這本來就是件難事，所以實在搞不懂的知識可以放在后面補下，不要奢求一步到位（當然天賦了得另說），不要想一下子成為專家，可以從：懂得調用現成的算法模塊(scikit-learn、tensorflow)做項目 -進階-》懂得算法原理進一步精用、調優算法 -進階-》領域專家。保持學習，循序漸進才是啃硬骨頭的姿勢。
3、啃硬骨頭過程無疑是艱難的，所以慢慢地培養興趣和及時的結果反饋是很重要的。這方面上，邊學邊敲代碼是必須的，結合代碼實踐學習效率會比較高，還可以及時看到學習成果，就算是啃硬骨頭看到牙印越來越深，不也是成果，也比較不容易放棄！
二、學習路線及建議資源
本學習路線的基本的框架是：
寬泛了解領域，建立一定興趣 --》基礎知識、工具準備 --》機器學習|深度學習的入門課程、書籍及項目實踐 --》（面試準備）--》自行擴展：工作中實戰學習 或 學術界特定領域鉆研，經典算法原理、項目實踐
2.1 了解領域，建立一定興趣
首先對人工智能領域有個寬泛的了解，有自己的全局性的認識，產生一些判斷，才不會人云亦云地因為“薪資高、壓力大等” 去做出選擇或者放棄。你做的準備調研越多，確認方向后越不容易放棄。
人工智能（Artificial Intelligence，AI）之研究目的是通過探索智慧的實質，擴展人類智能——促使智能主體會聽（語音識別、機器翻譯等）、會看（圖像識別、文字識別等）、會說（語音合成、人機對話等）、會思考（人機對弈、專家系統等）、會學習（知識表示，機器學習等）、會行動（機器人、自動駕駛汽車等）。一個經典的AI定義是：“ 智能主體可以理解數據及從中學習，并利用知識實現特定目標和任務的能力。
從技術層面來看（如下圖），現在所說的人工智能技術基本上就是機器學習方面的（其他方面的如專家系統、知識庫等技術較為沒落）。關于人工智能的發展歷程，可以看看我之前一篇文章人工智能簡史。
機器學習是指非顯式的計算機程序可以從數據中學習，以此提高處理任務的水平，機器學習常見的任務有分類任務（如通過邏輯回歸模型判斷郵件是否為垃圾郵件類）、回歸預測任務（線性回歸模型預測房價）等等。深度學習是機器學習的一個子方向，是當下的熱門，它通過搭建深層的神經網絡模型以處理任務。
從應用領域上看，人工智能在眾多的應用領域上面都有一定的發展，有語言識別、自然語言處理、圖像識別、數據挖掘、推薦系統、智能風控、機器人等方面。值得注意的的是，不同應用領域上，從技術層面是比較一致，但結合到實際應用場景，所需要的業務知識、算法、工程上面的要求，差別還是相當大的。回到應用領域的選擇，可以結合技術現在的發展情況、自己的興趣領域再做判斷。
2.2 基礎知識、工具準備
學習人工智能需要先掌握編程、數學方面的基本知識：AI算法工程師首先是一名程序員，掌握編程實現方法才不將容易論知識束之高閣。而數學是人工智能理論的奠基，是必不可少的。
編程語言方面
編程語言之于程序員， 如寶劍之于俠士。編程語言就是程序員改變、創造數字虛擬世界的交互工具。
先簡單介紹信息技術(IT)行業的情況，IT領域廣泛按職能可以分為前端、后端、人工智能、嵌入式開發、游戲開發、運維、測試、網絡安全等方面。前端常用技術棧為js\css\html，后端常用技術棧有Java\go\C++\php\Python等。
在人工智能領域，Python使用是比較廣泛的，當然其他的語言也是可行的，如Java、C++、R語言等。語言也就工具，選擇個適合的就好。結合自己的歷程及語言的特性，AI小白還是建議可以從Python學起，理由如下：
1、因為其簡單的語法及靈活的使用方法，Python很適合零基礎入門；
2、Python有豐富的機器學習庫，極大方便機器學習的開發；
3、Python在機器學習領域有較高的使用率，意味著社區龐大，應用范圍廣，市場上（具體可到招聘軟件了解下）有較多的工作機會；
- 學習編程語言的兩點建議：
1、多敲代碼：只看書、視頻而不敲代碼是初學者的一個通病。要記住的是“紙上得來終覺淺”，程序員是一個工匠活，需要動手敲代碼實踐，熟能生巧。
2、 多谷歌： 互聯網的信息無所不包的，學會利用互聯網自己解決問題是一項基本功。不懂可以谷歌，業界一句有趣的話：程序員是面向谷歌/stackoverflow編程的；
- 建議資源：
以下資源只是一些個人的一些偏好推薦，挑一兩種適合自己的資源學習就可以，不用全部都學浪費精力。如果都覺得不合適，按照自己的學習方式即可。
1、【Python入門書】首推Python經典書《Python編程從入門到實踐.pdf(https://github.com/aialgorithm/AiPy/》，知識點通俗易懂，而且結合了項目實踐，很適合初學者。注：Python在爬蟲、web開發、游戲開發等方向也有應用，推薦本書主要學習下Python語法，而書后面的項目實戰像有游戲開發\web開發，和機器學習關系不大，可以略過\自行了解下就好。
2、【Python入門教程】廖雪峰的Python在線學習教程，一個很大的特色是可以直接在線運行Python代碼。
3、【Python入門視頻】如果看書過于枯燥，可以結合視頻學習，Python入門學習報培訓班學習有點浪費，可以直接網易云課堂、Bilibili搜索相關的Python學習視頻。我之前是看小甲魚零基礎入門學習Python課程，邊看邊敲敲代碼，覺得還不錯。
4、【Python機器學習庫】學習完Python語法，再學習了解下Python上現成的機器學習庫（模塊包），了解基本功能學會調用它們（熟練掌握它們，主要還是要結合后面項目邊學邊實踐才比較有效的。），一個初級的算法工程師（調包俠）基本就練成了。重要的機器學習庫有：
pandas 數據分析、numpy 數值計算庫、matplotlib可視化工具，推薦《利用pandas數據分析》有涵蓋了這幾部分內容。
scikit-learn 包含機器學習建模工具及算法，可以了解下官方文檔https://scikit-learn.org.cn。
用于搭建深度學習的神經網絡模型的庫有：keras、tensorflow、Pytorch等，其中keras更為簡單易用，可以參考Keras官方文檔https://keras.io/zh，以及Keras之父寫的《Python深度學習》
5、【Python進階書】《Python Cookbook》、《流暢的Python》 這兩本內容難度有提升，適合Python語法的進階。
數學方面
1、數學無疑是重要的，有良好的數學基礎對于算法原理的理解及進階至關重要。但這一點對于入門的初學者反而影響沒那么大，對于初學者如果數學基礎比較差，有個思路是先補點“數學的最小必要知識”：如線性代數的矩陣運算；高等數學的梯度求導；概率的條件、后驗概率及貝葉斯定理等等。這樣可以應付大部分算法的理解。
2、如果覺得數學有難度，數學公式、知識的理解建議不用硬啃，不懂時再反查，遇到再回來補效果會好很多。（如果你的數學沒有問題，忽略這些，直接復習大學教材補下基礎）
- 建議資源
【數學基礎知識】推薦黃博翻譯整理的機器學習相關的數學基礎知識，內容簡要，還是挺不錯的。
工具準備
對于程序員，好的工具就是生產力！
1、 搜索引擎：學習開發的過程，很經常搜索問題、解決bug。搜索引擎的內容質量 首推谷歌，其次bing，再者才是百度、知乎等。谷歌如果使用不了，試試谷歌助手、科學翻墻、谷歌鏡像網站，網上有教程自行了解。
2、翻譯：AI領域最新的研究成果、論文基本都是英文的，而如果英文閱讀比較一般，可以備個有道詞典、wps文檔翻譯。
3、Python編輯器：首推JupyterLab，JupyterLab很方便數據分析操作，可以單元格中逐步運行代碼驗證結果。建議直接下載安裝個anaconda，里面都有。
2.3 機器學習\深度學習入門
深度學習是機器學習的子分支，與傳統機器學習有些差異的地方（如特征生成、模型定義方面）， 因此兩者可以分開學習。都學習的話，建議可以先學機器學習再學深度學習。
機器學習\深度學習的內容可以分為兩部分，一部分是算法原理的理解，如神經網絡模型正向反向傳播原理、SVM原理、GBDT原理等等，這部分內容的理解相對較難，學習周期較長。另一部分是算法工程實現的知識，如現實問題的理解、如何清洗數據、生成特征、選擇模型及評估，具體可以看我之前的文章《一文全覽機器學習建模流程（Python代碼）》，這部分是比較通用的一套操作流程，學習周期比較短且容易看到實際成果。
對于初學者的建議，可以“先知其然，再知其所以然”，跟著課程\書學習，明白大致的算法原理及工程上是如何做的。再用簡單的算法整個流程走一遍，結合實踐過程中不斷的比較和嘗試各種算法，更容易搞透算法原理，而且這樣可以避免云里霧里地學習各種算法原理。
以下相關資源推薦，同樣找一兩種合適的資源學習即可。
- 建議資源
1、【機器學習視頻】《吳恩達的機器學習課程》github.com/aialgorithm/AiPy/，很經典的入門課程，附筆記解析及代碼。
2、【機器學習書】[《machine learning yearning_吳恩達》 ] (https://github.com/aialgorithm/AiPy/tree/master/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0) 是吳恩達歷時兩年，根據自己多年實踐經驗整理出來的一本機器學習、深度學習實踐經驗寶典。
3、【機器學習書】《統計學習方法》 李航老師經典的機器學習書，書中的算法原理講解還是比較細的。鏈接的資源有附上書中算法的代碼實現、課件及第一版的書。（現在已經有第二版的書，可以買一本慢慢看）
4、【機器學習書】《機器學習(西瓜書)_周志華》 機器學習經典教材，難度適合進階，里面的一些概念公式還是要有一定基礎的，不太適合入門自學。（可搭配datawhale的南瓜書本理解難點公式）
5、【深度學習視頻】《吳恩達的深度學習課程》github.com/aialgorithm/AiPy/應該是國內大多數人的入門課程，附筆記解析及代碼。
6、【深度學習書】《深度學習(花書)》 AI大佬Ian Goodfellow的深度學習領域經典著作，知識點很系統全面，但還是需要一定基礎才好看懂，初學者可以結合視頻、花書筆記輔助理解。
7、【深度學習書】《python深度學習》keras之父的經典著作，通俗易懂適合入門。
8、【深度學習書】《深度學習實戰》 這本書的結果和《花書》有些相似之處，原理講解比較通俗，還有詳細的代碼實踐。不足的地方是代碼是用Python2寫的有些過時。
9、【深度學習書】《動手學深度學習》 李沐大佬合著的深度學習入門教程及代碼實踐。
10、【深度學習論文】深度學習綜述 ：2015年Nature上的論文，由深度學習界的三巨頭所寫，讀這一篇論文就可以概覽深度學習了。這篇論文有同名的中文翻譯。
注：要全面了解一個技術領域，找找這個領域的綜述論文是一個超實用的技巧。
11、【實戰項目】 推薦實戰下國外的Kaggle、國內天池等競賽項目。從頭到尾地參加一兩個機器學習項目，并取得不錯的分數，基本上就差不多了。安利個Datawhale小隊整理的國內外經典競賽的項目方案及代碼實現 https://github.com/datawhalechina/competition-baseline
2.4 工作面試準備
對于大部分入門的初學者，要真正算入門人工智能領域，找一份相關的工作是必不可少的，當你有（哪怕一點點）相關的工作經驗后，這個領域工作面試就比較好混得開了。
很多初學者可能有個困惑，學習到什么樣程度、多久才能找到相關的工作機會呢？這個不好回答，和學習準備的程度、市場招聘情況、運氣等有關，只能說覺得學得差不多了就可以找面試機會試下水（以個人學習為例，學習了Python+吳恩達機器學習\深度學習視頻+幾個書本\數據競賽項目+刷面試題，前前后后差不多用了半年。）
準備面試找工作，首先要了解下市場情況及招聘要求，通常無非要求有相關的論文著作、工作經歷、項目經驗、對算法的理解。撇開第一、二項的論文、工作經歷不談。對于初學者，面試的主要比重是項目經驗及算法的理解。
項目經驗就結合項目實戰的做法和理解（這些最好有博客記錄）。而算法原理除了平時的積累，刷下面試題是很關鍵的，畢竟面試內容與實際工作內容很多時候像是“造火箭與擰螺絲的關系”。
- 推薦些經典的面試題庫
1、 基礎數據結構與算法，LeetCode算法題庫：https://github.com/apachecn/Interview/tree/master/docs/Algorithm；
2、Python基礎算法實現： https://github.com/TheAlgorithms/Python；
3、Python面試題 https://github.com/taizilongxu/interview_python
4、Datawhale小隊整理的面試寶典，內容包括基礎算法數據結構、機器學習，CV，NLP，推薦，開發等。https://github.com/datawhalechina/daily-interview
5、機器學習面試題，這倉庫后面就沒有更新了，有些內容可能有點過時https://github.com/DarLiner/Algorithm_Interview_Notes-Chinese
6、面試技巧：推薦閱讀程序員面試完全指南
總結
學習到這里，可以說是踏入AI領域的門了。俗話說“師傅領進門，修行在個人”，本文僅能幫助有興趣的同學簡單入門這個領域，而要在這領域成為專家是很困難的，是需要長期的努力積累的。再者，IT行業技術更新迭代快，保持學習才是王道。
最后，希望這篇文章可以幫助到大家，共同學習進步吧。
碼字不易，如覺得本文有幫助，您的關注點贊是最大的支持！
文章首發于算法進階，公眾號閱讀原文可訪問--學習資源推薦--
