唐宇迪-人工智能学习路线（上篇）

标签：用户分析   not   分布   mamicode   图像   免费学习   构造方法   参与   策略   

唐宇迪：51CTO微职位讲师，计算机博士，人工智能专家

内容梗概：介绍人工智能学习步骤和知识框架。人工智能的学习可以拆分为7步，此为1-3步：上篇。

第1步：必备基础技能

要学人工智能（数据科学）这行还是需要一些基本功的，最基础也是最核心的就是Python和数学了！这两兄弟入门起来并不难，先掌握基础的边用边学也是可以的！

1）必备Python基础

如果对Python不熟悉的同学们，建议先看一下我的Python入门视频课程，可以快速入门！免费学习链接：https://edu.51cto.com/course/8399.html

• 为什么是Python？
  最直接的解释就是大家都用它！以前是面向对象编程，后来大家更喜欢面向复制粘贴编程，现在懒到面向github编程，确实如此，该偷懒就得偷懒，Python就是这个作用！后续所有的实战内容都是基于Python，所以没得选啦！

• 需要安装什么？
  Anaconda就够了！Anaconda就够了！Anaconda就够了！好了，说了三遍了，具体解释大家参考上面传送门课程就好

• 用什么编程工具开始？
  虽然大家都有趁手的兵器，但是我给大家准备的绝大多数课件都是基于jupyter notebook的，所以这个肯定是必备的！

2）必备Python工具包

• 什么是工具包？
  工具包就是人家把功能都写好了，咱们直接调用就完事啦！数据处理，分析，建模等都有对应的工具包。对于学习来说并不用把这些工具包背下来，先熟悉起来，后续肯定还是要现用现查的。

• 哪些工具包是初学者必备的呢？

3）必备数学基础

• 数学重要吗？非学不可吗？
  数学有多重要同学们肯定都十分清楚，尤其是在人工智能（数据科学）领域，不懂数学想必寸步难行，很多同学都问过我一个问题，工作中真能用上这么多数学吗？

我跟大家来解释一下，人工智能这行发展相当迅速，在实际工作中肯定要边干边学，学什么呢？想必就是当下的一些优秀论文了，如果连基本的数学公式都看不懂，那就不用再去谈什么高端技术了。做这行的同学们肯定都会有这样一个想法，所谓的人工智能就是对数据做各种各样的数学计算罢了！

• 如何学数学？要定一个长期计划吗？
  对于数学我觉得并不需要从头开始花大量时间一步一个脚印去学习，举一个例子，我和我身边的同事，朋友都是干这行蛮久的了，数学不知道撸了多少遍了，考研时候也曾刷题无数，但也会遇到这样的问题，很多知识点如果一段时间没看很快还是会忘记。

我最常做的一件事就是用到什么查什么，查找的过程其实也是学习进步过程。建议大家可以快速过一遍常用的知识点（高数，线性，概率论中的基础），这个过程中千万别去看各种解题过程，也不用管具体求解的方法，说白了就是只要理解一个公式是做什么的，有什么用就足够了，类似教材中的习题，练习册上的求解这些统统不需要，以后也根本不会用笔去算这些麻烦事，把这个时间省下来去学习算法更划得来！

下面是课程中所设计的知识点，也是必备基础

第2步：机器学习

人工智能领域最核心的就是机器学习了，无论大家后续想从事哪个方向，肯定都是先从机器学习开始！主要就两件事，第一就是掌握经典算法原理，第二就是熟练应用Python工具包进行建模实战！

1）机器学习算法

• 算法要学什么？
  理解机器学习算法是如何对数据进行操作从而完成建模求解过程，说白了就是熟悉下数学在算法中是如何应用的。重在理解即可！不要对一个问题钻的没完没了，这样太浪费时间了，没准后续学习过程中一下子就迎刃而解了。

我觉得对算法的学习肯定不止一遍，尤其是准备面试就业的同学们，二刷，三刷都是很正常的现象（曾经有同学跟我说面试前一共刷了6遍课程）

• 有了深度学习还需要机器学习吗？
  深度学习可以说是机器学习算法的一种，并不是有了神经网络其他经典算法就不需要了，需要根据不同的任务和数据来选择最合适的算法，学习路经肯定是先从机器学习开始，其实掌握了这些经典算法之后再看神经网络真的很简单！

下面是课程中会讲解的算法，也是大家必须掌握的！这里没有列出所有机器学习算法，因为有很多现在已经不实用了。

2）机器学习算法实验分析

通过对比实验分析经典算法建模方法及其参数对结果的影响，通过实验与可视化展示理解算法中的参数与应用实例。

3）机器学习算法代码复现

为了更好理解算法的机制从零开始复现经典算法，坚持不掉包原则，一步步完成算法所需所有模块。

• 为什么要自己复现代码？有何价值呢？
  主要目的是更好的掌握算法的工作原理，重在练习！有时间的同学们可以自己复现一遍，时间紧的同学就不必亲力亲为了。

4）机器学习经典案例实战

• 实战需要掌握哪些技能？
  在实战中可能把数学知识点都弱化了，因为更多时候我们都是使用现成的工具包来完成任务（调包侠）。这里需要大家掌握的节能功能比较多，首先就是熟练使用这些常用工具包了，数据预处理，特征工程，调参，验证这些都是非常核心的步骤。

概括来说就是要完成不同的任务所需流程和套路都是类似的，但是使用的方法和算法却可能不同，这就需要大家不断积累来丰富实战经验了。给同学们提供的这些案例大家都可以当作是自己的实战模板！

• 这些案例能让我收获什么？
  最重要的就是学会针对不同数据（数值，文本，图像）如何进行预处理与分析，熟练应用工具包中各大核心函数进行调参与预处理，针对不同任务提出多种解决方案并进行实验分析。总结起来就是多做实验，多动手，代码写的多了自然就熟练了！

5）机器学习实战集锦

这里还给大家准备了丰富的实战项目，非常适合大家来练手！

第3步：数据分析与挖掘

数据分析这个词大家天天都在听，要干什么呢？无非就是从数据中获取有价值的信息，这其中方法与套路还是非常多的。 这个方向不需要什么理论积累，直接上数据，干就得了！案例的积累就是学习过程！

1）数据挖掘实战

• 数据挖掘是什么？和机器学习有什么区别？
  简单来说数据挖掘就是对海量数据应用机器学习算法来得到想要的结果。在数据挖掘中重点并不是机器学习算法的选择，而是怎么样对数据进行处理才能得到更好的预测结果，在这里特征工程与预处理将成为核心解决方案。

2）数据挖掘竞赛优胜解决方案

• 我又不参加竞赛，为什么要看人家的解决方案呢？
  给大家选择了天池，kaggle，融机等大型竞赛案例，并且提供的代码和方案均为竞赛时优胜者的解决思路。就好比要学下棋就得跟下的最好的玩自己才会提升，案例中均会讲解优胜者的思路和整体解决方案并提供代码实现。非常有助于大家提升！

3）数据分析实战

• 数据分析的重点又是什么呢？
  数据挖掘主要是建模来进行预测，数据分析则重在可视化展示，分析其中各项指标对结果的影响等。给大家选择了一些经典分析案例，很多都可以直接当作模板来使用

点击图片查看唐宇迪讲师亲自授课的微职位

唐宇迪-人工智能学习路线（上篇）

标签：用户分析   not   分布   mamicode   图像   免费学习   构造方法   参与   策略   

原文地址：https://blog.51cto.com/14557442/2482445