[[276295]]

tags: ai,machine learning,deep learning

一句話概括：想進入AI領(lǐng)域，需要學(xué)習(xí)的的東西很多，如果能在紛繁復(fù)雜的知識中找到一條合理的學(xué)習(xí)路徑，少走彎路，那該多好，本文將試圖找到這條路。

1 引言

作為一名想進入AI領(lǐng)域的程序員，上網(wǎng)搜一下人工智能，大量的知識涌出來，有AI發(fā)展，有機器學(xué)習(xí)，有tensorflow，有python等等，但對于需要學(xué)什么，怎么學(xué)還是沒有明確的答案。可以想象自己是一名大學(xué)老師，需要開一門AI的課程，那么課程如何設(shè)置才能合理，有效率地讓學(xué)生學(xué)到知識。我查看了十多篇學(xué)習(xí)方法和學(xué)習(xí)資源的文章，瀏覽了幾十篇相關(guān)內(nèi)容后，做了一個資源整合，整理出一條相對完整的學(xué)習(xí)路徑。希望通過此總結(jié)，一方面可以讓大家對進入AI領(lǐng)域有一個清晰的學(xué)習(xí)目標(biāo)，明白學(xué)習(xí)內(nèi)容，也可以根據(jù)此路徑制定自己的學(xué)習(xí)計劃。另一方面也可以激勵自己按計劃學(xué)習(xí)AI知識。

通過本文，可以收獲以下AI學(xué)習(xí)路徑，同時會給出相應(yīng)的參考學(xué)習(xí)資料：

• 學(xué)習(xí)一門新技能的方法論

• AI人文科普

• 基礎(chǔ)知識

• 編程語言

• 機器學(xué)習(xí)

• 初級項目實戰(zhàn)深化知識

• 深度學(xué)習(xí)

• 高級項目實戰(zhàn)或論文

2 方法論

關(guān)于學(xué)習(xí)一門新技能或新知識，學(xué)習(xí)方法很重要，好的學(xué)習(xí)方法可以少走彎路。首先，學(xué)習(xí)前需要先明確兩個問題：是什么？怎么學(xué)？這三個問題概括說就是：學(xué)習(xí)目標(biāo)與學(xué)習(xí)計劃。學(xué)習(xí)目標(biāo)比較清楚，就是踏入AI領(lǐng)域這個門，可以從事AI相關(guān)工作。學(xué)習(xí)計劃就是對學(xué)習(xí)內(nèi)容及過程的設(shè)計與執(zhí)行，也就是本文所寫的內(nèi)容。還有就是建立學(xué)習(xí)的信心，學(xué)習(xí)不容易，以機器學(xué)習(xí)為例。在學(xué)習(xí)過程中，你會面對大量復(fù)雜的公式，在實際項目中會面對數(shù)據(jù)的缺乏，以及艱辛的調(diào)參等。只要制定合適的學(xué)習(xí)方法，學(xué)習(xí)是可以的。

明確了學(xué)習(xí)目標(biāo)和計劃，在學(xué)習(xí)的執(zhí)行層面，則需要側(cè)重于實踐，以興趣為先，踐學(xué)結(jié)合。這里則特別提一下，使用費曼技巧，以教帶學(xué)，是學(xué)習(xí)的好方法。簡單來說，費曼技巧就是通過向別人清楚地解說某件事，來確認(rèn)自己的確弄懂了某件事。它分為四個步驟：

1) 選擇目標(biāo)：明確目標(biāo)選擇一個概念

2) 教學(xué)：學(xué)習(xí)這個概念和相關(guān)知識，想象如何給一個孩子講清楚。如果是真的講授，更好。

3) 糾錯并深入學(xué)習(xí)：教學(xué)過程中是否有不清楚的地方，如果有，繼續(xù)學(xué)習(xí)，加深理解。

4) 簡化類比：用自己的語言，簡單的，通過和現(xiàn)實世界的實例關(guān)聯(lián)類比，把一個概念講清楚

根據(jù)費曼方法學(xué)習(xí)新技能，掌握更快，記憶更深刻。學(xué)習(xí)IT領(lǐng)域技能，此方法非常合適。

3 人工智能科普

3.1 AI人文歷史

首先了解這個領(lǐng)域，建立起全面的視野，培養(yǎng)起充足的興趣。AI是如何發(fā)展起來的，為什么在最近幾年才成為熱門的研究領(lǐng)域，AI技術(shù)包括哪些技術(shù)方向，有哪些應(yīng)用領(lǐng)域，未來會如何發(fā)展，前景如何，對社會的影響如何等等，對這些問題都了解后，可以理解AI的前世今生，可以加深自己對AI的印象，加強對AI的興趣，甚至可以發(fā)揮自己對AI的想象，對自己后續(xù)的AI學(xué)習(xí)可以有自己的想法。關(guān)于AI發(fā)展和科普，下面的資料可以參考：

• 書籍，《智能時代》，吳軍

• 書籍，《智能革命》，李彥宏

• 書籍，《人工智能》，騰訊研究院

• 書籍，《人工智能簡史》，尼克

• 書籍，《人工智能時代》《人人都應(yīng)該知道的人工智能》，杰瑞卡·普蘭

• 書籍，《科學(xué)的極致：漫談人工智能》，集智俱樂部

• 書籍，《科技之巔》《科技之巔2》，麻省理工科技評論

• 博文，從機器學(xué)習(xí)談起： 

  https://www.cnblogs.com/subconscious/p/4107357.html 

3.2 當(dāng)前AI發(fā)展及布局狀況

要學(xué)習(xí)人工智能，先看看當(dāng)前國內(nèi)互聯(lián)網(wǎng)巨頭各自對AI的布局情況，就大概知道AI當(dāng)前的風(fēng)口在哪里，會有哪些重要應(yīng)用，有哪些關(guān)鍵技術(shù)。各大公司旗下都設(shè)有AI平臺的官網(wǎng)，各大AI 開放平臺一覽，地址: 

https://blog.csdn.net/qq_15071263/article/details/82908201 

對各大AI平臺的鏈接，可以看看。除了了解當(dāng)前AI在各互聯(lián)網(wǎng)公司的布局外，還可以關(guān)注一下這些公司對AI崗位的招聘要求及當(dāng)前的各大招聘網(wǎng)站對此崗位的要求情況，這樣有兩個好處，一是明確自己的學(xué)習(xí)方向，學(xué)習(xí)有側(cè)重點，二是做到對自己學(xué)習(xí)的一定的心理預(yù)期，知道自己學(xué)到哪個程度才能有機會獲得此崗位。如下，是Boss直聘中的一則自然語言處理相關(guān)的招聘：

可見，數(shù)學(xué)基礎(chǔ)、數(shù)據(jù)處理、自然語言處理、機器學(xué)習(xí)、數(shù)據(jù)挖掘等技術(shù)是比較關(guān)鍵的，也是學(xué)習(xí)的重點。

關(guān)于AI當(dāng)前各大公司布局情況，參考資料如下：

• 文章，各大AI 開放平臺一覽: 

  https://blog.csdn.net/qq_15071263/article/details/82908201  

• 網(wǎng)站，百度大腦:  https://ai.baidu.com/

• 網(wǎng)站，騰訊AI開放平臺:  https://ai.qq.com/

• 網(wǎng)站，阿里達摩院:  https://damo.alibaba.com/ 

• 文章，自動駕駛、金融、零售......BAT的AI之戰(zhàn)打到哪兒了: 

  https://www.huxiu.com/article/230094.html

• 書籍，《人工智能標(biāo)準(zhǔn)化白皮書2018》: 

  http://www.cesi.ac.cn/201801/3545.html

• 書籍，《人工智能發(fā)展白皮書-技術(shù)架構(gòu)篇（2018年）》: 

  http://www.caict.ac.cn/kxyj/qwfb/bps/201809/t20180906_184679.htm 

• 書籍，《人工智能發(fā)展白皮書產(chǎn)業(yè)應(yīng)用篇（2018年）》: 

  http://www.caict.ac.cn/kxyj/qwfb/bps/201812/t20181227_191672.htm 

• 書籍，《中國信通院相關(guān)白皮書》: 

  http://www.caict.ac.cn/kxyj/qwfb/bps/

3.3 AI架構(gòu)及職位選擇

3.3.1 AI架構(gòu)視角

人工智能從業(yè)務(wù)視角可以分為感知能力、認(rèn)知能力和服務(wù)能力三個層次，兩大應(yīng)用方向，如下：

人工智能技術(shù)視角，可以分為基礎(chǔ)設(shè)施層、技術(shù)層和應(yīng)用層。如下：

3.3.2 AI職位選擇

通過上面兩個圖，基本了解AI涉及的領(lǐng)域及技術(shù)的總體架構(gòu)，結(jié)合前面的當(dāng)前互聯(lián)網(wǎng)巨頭的布局，可以看出，在未來，對于基礎(chǔ)設(shè)施層和技術(shù)層，基本上由大公司來掌控和布局了，可發(fā)展和深入開發(fā)的空間相對較小，個人若想?yún)⑴c這些的研發(fā)，則需要從底層的技術(shù)和算法學(xué)起，要求很高。而在應(yīng)用層，則會有更多的發(fā)展空間，利用 AI+行業(yè) 或 行業(yè)+AI 的模式，結(jié)合已有的AI基礎(chǔ)設(shè)施和AI技術(shù)，可以做出更多的應(yīng)用。這既是個人發(fā)展的機會，也是創(chuàng)業(yè)公司的機會。

文章《騰訊云總監(jiān)手把手教你，如何成為 AI 工程師》: 

https://cloud.tencent.com/developer/article/1004751 

對AI工程師做了分類，按垂直領(lǐng)域分：有語音識別，圖像視覺，個性化推薦等業(yè)務(wù)領(lǐng)域的AI工程師。按從事研發(fā)內(nèi)容分則有

• 1)AI 算法研究

這類人大都有博士學(xué)歷，在學(xué)校中積累了較好的理論和數(shù)學(xué)基礎(chǔ)積累，對最新的學(xué)術(shù)成果能較快理解和吸收。這里的理論是指比如語音處理，計算機視覺等專業(yè)知識。AI算法研究的人主要研究內(nèi)容有 樣本特征，模型設(shè)計和優(yōu)化，模型訓(xùn)練。樣本特征是指如何從給定的數(shù)據(jù)中構(gòu)建樣本，定義樣本的特征，這在個性化推薦領(lǐng)域中就非常重要。模型設(shè)計和優(yōu)化是設(shè)計新的網(wǎng)絡(luò)模型，或基于已有的模型機型迭代優(yōu)化，比如CNN網(wǎng)絡(luò)模型中 AlexNet , GoogleNet v1/v2/v3, ResNet等新模型的不斷出現(xiàn)，另外就是比如模型剪枝，在損失5%計算精度情況下，減少80%計算量，以實現(xiàn)移動終端的邊緣計算等等。模型訓(xùn)練是指訓(xùn)練網(wǎng)絡(luò)，如何防止過擬合以及快速收斂。

• 2)AI 工程實現(xiàn)

這類人主要提供將計算邏輯，硬件封裝打包起來，方便模型的訓(xùn)練和預(yù)測。比如：- 精通Caffee/TensorFlow等訓(xùn)練框架源碼，能熟練使用并做針對性優(yōu)化；- 構(gòu)建機器學(xué)習(xí)平臺，降低使用門檻，通過頁面操作提供樣本和模型就能啟動訓(xùn)練；- 通過FPGA實行硬件加速，實現(xiàn)更低延時和成本的模型預(yù)測；- 在新模型驗證完成后，實現(xiàn)在線平滑的模型切換。

• 3)AI 應(yīng)用

側(cè)重驗證好的模型在業(yè)務(wù)上的應(yīng)用，常見語音識別，圖像視覺，個性化推薦。當(dāng)然這也包括更多結(jié)合業(yè)務(wù)場景的應(yīng)用，比如終端網(wǎng)絡(luò)傳輸帶寬的預(yù)測，圖片轉(zhuǎn)碼中參數(shù)的預(yù)測等等。

綜上所述，在選擇職位和方向時，除非有比較好的數(shù)學(xué)和算法基礎(chǔ)，建議從AI應(yīng)用層面來選擇，會更容易入手，發(fā)展機會更大。

本章的參考資料：

• 文章，如何系統(tǒng)學(xué)習(xí)知識圖譜: 

  https://blog.csdn.net/hadoopdevelop/article/details/79455758 

• 文章，騰訊云總監(jiān)手把手教你，如何成為 AI 工程師: 

  https://cloud.tencent.com/developer/article/1004751 

4 基礎(chǔ)知識

要學(xué)習(xí)人工智能，免不了要學(xué)習(xí)算法，學(xué)習(xí)算法，則需要數(shù)學(xué)基礎(chǔ)。而在具體計算過程中很多時候需要矩陣計算，因此線性代數(shù)知識也是需要。對于數(shù)據(jù)的分類，分析等，還需要有概率和統(tǒng)計。很多時候人工智能追求的就是最優(yōu)化問題，舉個粟子，BP神經(jīng)網(wǎng)絡(luò)使用的權(quán)重迭代變化，計算當(dāng)前權(quán)重值離最優(yōu)值的函數(shù)為損失函數(shù)，迭代過程中通過求導(dǎo)來確定調(diào)大還是調(diào)小，這個求導(dǎo)得到的函數(shù)就是梯度，而這個迭代的過程就是梯度下降，在這個過程中，微積分知識也少不了。在學(xué)習(xí)過程中，經(jīng)常會遇到需要查看的論文了解原理，或者查閱一些英文資料，因此英文知識也是需要的。以上，總結(jié)來說，需要以下幾大基礎(chǔ)知識：

• 線性代數(shù):標(biāo)量、向量、矩陣/張量乘法、求逆，奇異值分解/特征值分解，行列式，范數(shù)等

• 概率與統(tǒng)計:貝葉斯、期望與方差、協(xié)方差、概率分布(0-1分布、二項分布、高斯分布)、獨立性與貝葉斯、最大似然和最大后驗估計等

• 高等數(shù)學(xué):微積分、鏈?zhǔn)椒▌t、矩陣求導(dǎo)、線性優(yōu)化、非線性優(yōu)化(凸優(yōu)化/非凸優(yōu)化)以及其衍生的如梯度下降、牛頓法等

• 英文:常備一個在線英文詞典，能夠不吃力的看一些英文的資料網(wǎng)頁

以下是一些參考資料：

• 書籍，《線性代數(shù)應(yīng)該這樣學(xué)》，Sheldon Axler

• 書籍，《概率論與數(shù)理統(tǒng)計》，陳希孺

• 書籍，《數(shù)學(xué)分析新講》三冊，張筑生

• 書籍，《深入淺出統(tǒng)計學(xué)》， Dawn Griffiths

• 書籍，《統(tǒng)計學(xué)習(xí)方法》，李航

• 書籍，《矩陣分析與應(yīng)用》，張賢達

• 文章，《機器學(xué)習(xí)理論篇1：機器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)》： 

  https://zhuanlan.zhihu.com/p/25197792

5 編程語言

當(dāng)前人工智能開發(fā)使用的最多的當(dāng)屬 python 了，當(dāng)然， java ， c++ ， matlab 和 R 也有不少。剛開始學(xué)習(xí)，直接選擇 python 即可。對于編程語言的學(xué)習(xí)，一個字，練。直接上機操作，主要分幾個模塊的學(xué)習(xí)，python基礎(chǔ)（語法，函數(shù)，數(shù)組，類等等），python常用的庫，python的機器學(xué)習(xí)庫。以下是一些 pyhton 的學(xué)習(xí)資料以供參考：

• 教程，《廖雪峰Python教程》: 

  https://www.liaoxuefeng.com/wiki/1016959663602400 

• 教程，《Python100例》: 

  https://www.runoob.com/python/python-100-examples.html 

• 文章，《從零開始寫Python爬蟲》: 

  https://zhuanlan.zhihu.com/p/26673214 

• 視頻，《零基礎(chǔ)入門學(xué)習(xí)Python》: 

  https://www.bilibili.com/video/av4050443 

6 機器學(xué)習(xí)知識

6.1 機器學(xué)習(xí)算法

需要明確，當(dāng)前人工智能技術(shù)中，機器學(xué)習(xí)占據(jù)了主導(dǎo)地位，但不僅僅包括機器學(xué)習(xí)，而深度學(xué)習(xí)是機器學(xué)習(xí)中的一個子項。目前可以說，學(xué)習(xí)AI主要的是學(xué)習(xí)機器學(xué)習(xí)，但是，人工智能并不等同于機器學(xué)習(xí)。具體到機器學(xué)習(xí)的流程，包括數(shù)據(jù)收集、清洗、預(yù)處理，建立模型，調(diào)整參數(shù)和模型評估?；A(chǔ)則是機器學(xué)習(xí)的基本算法，包括回歸算法，決策樹、隨機森林和提升算法，SVM，聚類算法，EM算法，貝葉斯算法，隱馬爾科夫模型，LDA主題模型等等。這些網(wǎng)上已經(jīng)有不少機器學(xué)習(xí)的教程，學(xué)習(xí)非常方便，在搜索引擎一搜索，機器學(xué)習(xí)的文章也非常多，只要堅持下去，結(jié)合后面的實踐，學(xué)習(xí)應(yīng)該不成問題。以下是一些參考資料：

• 書籍，《機器學(xué)習(xí)實戰(zhàn)》，Peter Harrington

• 書籍，《機器學(xué)習(xí)》，周志華

• 書籍，《機器學(xué)習(xí)導(dǎo)論》，Ethen Alpaydin

• 書籍，《機器學(xué)習(xí)基礎(chǔ)：從入門到求職》胡歡武

• 書籍，《數(shù)據(jù)之美》，吳軍

• 視頻，《machine learning》吳恩達: 

  https://www.coursera.org/learn/machine-learning  

• 視頻，《李宏毅機器學(xué)習(xí)2017》李宏毅:  http://t.cn/RpO3VJC

• 文章，《機器學(xué)習(xí)Machine-Learning》: 

  https://github.com/JustFollowUs/Machine-Learning  

6.2 機器學(xué)習(xí)框架

了解機器學(xué)習(xí)的算法，還需要有一定的工具來實現(xiàn)，好在現(xiàn)在已經(jīng)有很多工具可以使用，如tensorflow，Keras，Theano，matlab等等，現(xiàn)在tensoflow是機器學(xué)習(xí)的熱門框架，入門可以深入學(xué)習(xí)它。以下是一些參考資料

• 書籍，《TensorFlow實戰(zhàn)》，黃文堅

• 書籍，《Tensorflow：實戰(zhàn)Google深度學(xué)習(xí)框架》，鄭澤宇

• 視頻，《Tensorflow教程》莫煩：  http://t.cn/RTuDxFT

6.3 數(shù)據(jù)集選擇

"巧婦難為無米之炊"，使用機器學(xué)習(xí)來進行項目實踐時，如果沒有數(shù)據(jù)，就更不用說模型訓(xùn)練了。因此，獲取數(shù)據(jù)集來做測試數(shù)據(jù)也是一個比較重要的工具，好在現(xiàn)在網(wǎng)上有不少的數(shù)據(jù)集可以獲取，參考資料如下：

• 手寫數(shù)字庫MNIST:  http://yann.lecun.com/exdb/mnist

• 圖像處理數(shù)據(jù)COCO:  http://mscoco.org

• 機器學(xué)習(xí)經(jīng)典開源數(shù)據(jù)集:  https://www.jianshu.com/p/83ebd261862a

• 機器學(xué)習(xí)數(shù)據(jù)集哪里找:  https://www.jianshu.com/p/abce3d177e45

7 初級項目實踐

在實踐中學(xué)習(xí)，用一些小的示例來實現(xiàn)功能，用機器學(xué)習(xí)來解決一個實際的問題(如圖像領(lǐng)域，識別狗，識別花等等)，把機器學(xué)習(xí)方法當(dāng)作一個黑盒子來處理，選擇一個應(yīng)用方向，是圖像（計算機視覺），音頻（語音識別），還是文本（自然語言處理），推薦選擇圖像領(lǐng)域，這里面的開源項目較多。也可以上github找一下相關(guān)的開源項目來參考。

8 深度學(xué)習(xí)知識

深度學(xué)習(xí)是機器學(xué)習(xí)中的一個子項，它源于人工神經(jīng)網(wǎng)絡(luò)的研究，含多個隱藏層的多層感知器就是一種深度學(xué)習(xí)結(jié)構(gòu)。學(xué)習(xí)過程中，需要對深度學(xué)習(xí)的概念進行了解，熟悉BP神經(jīng)網(wǎng)絡(luò)，CNN卷積神經(jīng)網(wǎng)絡(luò)，RNN循環(huán)神經(jīng)網(wǎng)絡(luò)等原理及應(yīng)用。以下是一些參考資料：

• 書籍，《Deep Learning for Computer Vision with Python》，Adrian Rosebrock

• 書籍，《Tensorflow：實戰(zhàn)Google深度學(xué)習(xí)框架》，鄭澤宇

• 書籍，《深度學(xué)習(xí)》，伊恩·古德費洛

• 書籍，《Python深度學(xué)習(xí)》，弗朗索瓦·肖萊

• 書籍，《深度學(xué)習(xí)與計算機視覺》，葉韻

• 視頻，《Deep Learning》吳恩達: 

  https://www.bilibili.com/video/av49445369

• 視頻，《Stanford CS231N 2017》李飛飛:  http://t.cn/RTueAct

• 視頻，《一天搞懂深度學(xué)習(xí)心得》李宏毅:  http://t.cn/RTukvY6

• 視頻，《李宏毅深度學(xué)習(xí)2017》：  http://t.cn/RpO3VJK

• 視頻，《 Deep Learning With Tensorflow》：  http://t.cn/RTuDcjC

9 高級項目實踐或論文

具備了較強的知識儲備，可以進入較難的實戰(zhàn)。兩個選擇，工業(yè)界的可以選擇看開源項目，以改代碼為目的來讀代碼；學(xué)術(shù)界的可以看特定領(lǐng)域的論文，為解決問題而發(fā)論文?；蛘呖梢詤⒓?nbsp;kaggle 競賽，來驗證一下，解決問題。到了這個階段，就看個人的修行了。不過到了此階段，回頭看一開始的學(xué)習(xí)計劃，基本已經(jīng)達到目的了。最后，對于論文查詢，就不得不提arXiv了，arXiv是個收集物理學(xué)、數(shù)學(xué)、計算機科學(xué)與生物學(xué)的論文預(yù)印本的網(wǎng)站。將預(yù)稿上傳到arxiv作為預(yù)收錄，可以防止自己的idea在論文被收錄前被別人剽竊。因此arXiv是個可以證明論文原創(chuàng)性（上傳時間戳）的文檔收錄網(wǎng)站?，F(xiàn)今的很多科學(xué)家習(xí)慣先將其論文上傳至arXiv.org，再提交予專業(yè)的學(xué)術(shù)期刊。以下提供兩個工具可以使用：

• arXiv官網(wǎng)：  https://arxiv.org

• arxiv論文查詢：  http://www.arxiv-sanity.com

• 帶代碼的論文查詢:  https://paperswithcode.com

總結(jié)

通過查詢并閱讀了十多篇對人工智能的學(xué)習(xí)方法和學(xué)習(xí)資源的文章后，本文試圖對這些資源進行整合，整理出一條相對完整的學(xué)習(xí)路徑，每一個階段都給出了相應(yīng)的參考資料，有了資料，更重要的是需要去學(xué)習(xí)和實踐，希望對自己的學(xué)習(xí)有一個明確的計劃，也希望對想進行AI領(lǐng)域的同學(xué)有幫助。