随着近两年人工智能的普及，很多人都迫不及待地想入坑的人工智能。之前有很多同事朋友问我怎么进入这个行业。在这里，我想谈谈我的拙见。如有异议，请讨论。很荣幸能帮助你。

后面我们会继续分享计算机视觉、强化学习、优化算法、编程和工具使用等内容。有兴趣的话可以关注一下。我们欢迎私人交流。我已经打包并分享了与计算机视觉和优化算法以及kxddp相关的信息。如有需要，可以关注微信微信官方账号的“平凡而诗意”，回复信息获取下载链接。

选定一个方向

我个人不太喜欢用‘人工智能’这个词，因为我觉得这个词太宽泛了。每当有朋友问我如何进入人工智能领域，我都会先问一个问题：‘你想追求哪个方向？’人工智能的方向太多了，比如计算机视觉、自然语言处理、搜索推荐、机器学习、强化学习。机器学习可以细分为许多类别，如分类、回归、深度学习、元学习和增量学习。

所以我觉得如果你想从事人工智能，首先要知道你从事的是哪个方向，这样你才能有目标。

掌握一个必备知识

我个人是做计算机视觉的，所以接下来我就以计算机视觉为例。

人工智能是一个涉及数学、计算机、工程等多个学科和领域的方向。我们分开来说：

知识：我觉得在大多数学校，数学都是理工科学生的必修课，包括微积分、线性代数、概率论和数理统计，这些都是比较基础和实用的。我觉得这个数学基础对于人工智能初学者来说已经足够了。人工智能中应用最多的数学是求导、矩阵运算与分解、概率统计与分析。

如果一个程序员想做好事，他必须先磨利他的工具。Python应该是人工智能方向应用最广泛的编程语言。在很多学校，理工科的学生都要上一门编程课，有的是C，有的是C，即使没有用过，也要对Matlab有所了解。我觉得Python是一些基础编程比较简单的入门，有很多在线资源和强大的社区支持。

机器学习我这里提到的机器学习是广义的机器学习，涵盖深度学习。无论是做传统的机器学习回归分类，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觉得比较好的学习资源。对于机器学习，我将其分为两个方面：(1)框架层面；(2)理论层面。

(1)框架层面

机器学习框架很多，比如scipy、sklearn、tensorflow、pytorch、mxnet等。我觉得框架不多，但是不管怎么细化，每个框架都有自己的优缺点。可以根据自己的项目需求和自己的喜好选择框架。这里推荐tensorflow和pytorch。tensorflow很麻烦但功能强大，pytorch简单高效。

(2)理论上。

该理论主要包括传统机器学习和深度学习中的一些网络框架。首先说一下传统的机器学习，我觉得非常有必要。在AI工作中，传统的方法，如回归、随机森林、SVM等。都不可避免地被使用。而且，传统的机器学习理论性更强，能够帮助人们理解机器学习的内在内容。其次，我们来谈谈深度学习网络模型。以计算机视觉为例，成熟高效的网络模型有很多，很多都是前后相关的。我们需要了解不同的网络模型，比如打基础的Alexnet，经常用于预训练的VGG，针对深度网络提出解决方案的ResNet，近几年比较高效的SSD和YOLO系列，最后是深度学习中的一些策略，比如如何解决拟合？什么是BN？辍学生是做什么的？激活功能的优缺点是什么？

专业知识如果你想成为一名AI从业者，需要结合不同方向的专业知识，比如你想从事计算机视觉，只是得到网络结构，很难达到想要的效果，这就需要对图像的底层有一定的了解，比如图像的像素和通道结构，图像的边缘和灰度特征，图像放大，去噪和分割，这些都可以让你在相应的方向上走得更远，做得更好，达到事半功倍的效果。

学习资源

经常看到很多人在朋友圈转发各种人工智能学习资源。的确，随着人工智能的普及，互联网上的学习资源种类繁多，令人眼花缭乱，好的学习资源屈指可数。大部分不知道目的是什么的教材，内容并不好，但收费也不低。很多新手因为不了解市场而误入歧途，不仅浪费金钱，也浪费了大量的时间和精力。其实网上有很多免费的教材。在这里，我推荐一些我认为比较好的学习资源。

视频资源(1) tldct 《机器学习》

Tldct机器学习-网易云课堂

study.163.com

(2) tldct 《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tldct亲研-网易云课堂-网易云课堂

mooc.study.163.com

(3)不用纠结Python:我觉得虽然很浅，但是没有语言障碍，容易理解。

不要打扰Python

morvanzhou.github.io

gc-image/2810276accfd4105ac6fbd8d04a07159?from=pc">

推荐理由：tldct自然不必说，人工智能领域的sxdfg，无论是在学界还是在企业界都很有影响力，我觉得tldct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tldct的语速相对很多人例如Hinton、李飞飞团队的授课语速要慢一些，更有助于理解，能够跟得上节奏。

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》友好的热狗

《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sxdfg，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》 无语的柠檬

《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。

(4) Python方面

《Python Cookbook》（第3版）细腻的可乐，hdsdhb

Python菜鸟教程

http://www.runoob.com/python/python-tutorial.html

廖雪峰Python

https://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000

推荐理由：理论与实践相结合，讲解穿插着代码，容易理解和上手，而且网站教程较为简洁，节省时间。

---

以上是我的个人对入门人工智能的一些看法，也许不太全面，欢迎指正和讨论，希望对大家有所帮助，如果喜欢可以关注一下，后续会分享计算机视觉、强化学习、深度学习、优化算法等方面的知识，也会分享一些编程、实用工具等方面的内容，也可以关注微信公众号“平凡而诗意”。