By

PS: 做了多年的后台开发，近来又想再学习一下人工智能方面的内容。虽然在18年初人工智能正火时，由于当时公司要做人工智能方面的规划，因此也看了一些人工智能方面的书籍（注：主要是数学理论方面）。但由于部门本身并不涉及人工智能方向，也没有牛人指引，所看的人工智能理论方面的书籍因难度较大也是似懂非懂，所以一直感觉没有真正入门。另外，由于后续自身本职工作繁忙，以及生活身体方面的一些问题，也没有真正再投入过多的时间来了解人工智能。

直至最近，在自身后台开发技术栈方面逐渐完备，为顺应时代及个人发展，又一次想要自学一下人工智能。回顾以前学习路径，总感觉自己不得要领，于是在网上查找了大量关于人工智能学习路线方面的文章，觉得浅析人工智能入门简易学习路线（附资料和数据一文较好，一方面是因为作者本身系计算机博士；另一方面是在众多的学习路径上，作者也给出了指引，在自学的实际操作层面也对新人较为友好。因此，把文章转载于此，防止原文丢失，并期望自己按此路径也能真正入门人工智能。

注： 下文中“我”均为黄海广博士，并非鄙人。除文章格式略有调整之外，其他均为黄海广博士原文内容

本文为AI入门提供了一个简易的学习路线，并提供了代码和数据集下载。

1. 前言

AI以及机器学习入门，初学者遇到的问题非常多，但最大的问题就是：资料太多！！！看不完！！！不知道如何取舍！！！人的精力有限！！！

我结合已经发过的文章，以及自己的学习过程，整理出一个AI的入门路线，并整合到一个github仓库，所有代码和数据集都提供了下载方式。

本路线适合本科、硕士以及刚接触机器学习的博士。

根据这个github仓库学完以后，就基本入门了。

入门以后，遇到问题能上网搜索解决了，也知道接下来应该学什么。

2. 学习路线的github

该仓库由我创建，希望能帮助机器学习初学者入门，帮助学习者更好地成长。仓库一部分内容由我编写和整理，另一部分由其他公益组织创作。

仓库链接：

https://github.com/fengdu78/Data-Science-Notes

3. 仓库目录及概述

1）math：数学基础

2） python-basic：python基础

3） numpy：numpy基础

4）pandas：pandas基础

5）scipy：scipy基础

6）data-visualization：数据可视化基础

7）scikit-learn：scikit-learn基础

8） machine-learning：机器学习入门

9）deep-learning：深度学习入门

10）feature-engineering：特征工程入门

4. 学习路线说明

这个目录其实是一个学习路线：

0——>1——>2——>3——>4——>5——>6——>7——>8——>9

1-5是个整体，6和7的顺序可以交换也可以同时学习，8属于选学部分（深度学习），9放在最后学习。

5. 学习路线和内容

第一部分: 数学基础学习

目录名称：0.math

数学基础：数学基础内容太多，很容易把人劝退，其实先把高等数学、概率论与数理统计和线性代数这三门课学熟了，大部分机器学习问题是能解决的。数学基础部分我放了三个资料。

第一个是当时考研和考博士复习的。数学基础，我把机器学习的部分，提炼出来。

第二、三个是今年刚翻译的CS229的线性代数和概率论，这部分是斯坦福所有人工智能有关的课程的数学基础复习材料，非常实用。

这部分内容曾经有文章介绍(查看文章)

第二部分: python学习

1) 目录名称：1.python-basic

python基础：这里有个代码练习：两天入门python

2) 目录名称： 2.numpy

numpy基础：这里有2个代码练习

  • 一、适合初学者快速入门的Numpy实战全集

  • 二、Numpy练习题100题-提高你的数据分析技能

3) 目录名称： 3.pandas

pandas基础：这里有3个代码练习

  • 一、《十分钟搞定pandas》：10-Minutes-to-pandas，这是十分钟搞定pandas 10 minutes in pandas的中文翻译。

  • 二、《pandas练习题》：Pandas_Exercises，这个是pandas的练习题。

  • 三、《pandas入门教程-2天学会pandas》：pandas_beginner

4) 目录名称： 4.scipy

scipy基础：scipy的示例代码

5) 目录名称： 5.data-visualization

数据可视化基础：这里有2个代码练习

  • 一、matplotlib学习之基本使用

  • 二、数据可视化的利器-Seaborn简易入门

第三部分: 机器学习基础

1) 目录名称：6.scikit-learn

scikit-learn基础：PyParis 2018: Machine learning using scikit-learn的代码翻译（截图如下：）

ai-learning-roadmap

2) 目录名称：7.machine-learning

机器学习入门，推荐4份教程，着重推荐1、2部分。

  • 一、斯坦福大学2014（吴恩达）机器学习教程中文笔记及资源

内容介绍（点击查看文章）

黄海广：吴恩达老师的机器学习和深度学习笔记更新了！（附PDF下载）

  • 二、李航《统计学习方法》的代码实现

内容介绍（点击查看文章）

  • 三、周志华老师的《机器学习》的解答–南瓜书PumpkinBook

内容介绍（点击查看文章）

  • 四、台大林轩田《机器学习基石》系列课程教材的习题解答

内容介绍（点击查看文章）

3) 目录名称：8.deep-learning

深度学习入门，推荐3份教程

  • 一、深度学习教程中文笔记

内容介绍（点击查看文章）

  • 二、《python深度学习》的代码翻译版

内容介绍（点击查看文章）

  • 三、 强烈推荐的TensorFlow、Pytorch和Keras的样例资源

内容介绍（点击查看文章）

4) 目录名称：9.feature-engineering

特征工程入门，这个是项目实战部分。

  • 一、面向机器学习的特征工程

内容介绍（点击查看文章）

6. 总结

本文提供了适合初学者入门AI的路线及资料下载，以上内容都整合到一个仓库：

仓库链接：fengdu78/Data-Science-Notes



[参考书目]:

  1. 浅析人工智能入门简易学习路线（附资料和数据

  2. Data-Science-Notes