Python人工智能学习路线(长篇干货)

[aialgorithm]

前言

谈到人工智能（AI）算法，常见不外乎有两方面信息：铺天盖地各种媒体提到的高薪就业【贩卖课程】、知乎上热门的算法岗“水深火热 灰飞烟灭”的梗【贩卖焦虑】。

其实，这两方面都是存在的，但都很片面，这里不加赘述。客观地说，数字化、智能化是人类社会发展的趋势，而当下人工智能无疑是一大热门，那是蓝海还是火海？我们回到老道理—水的深度，只有你自己去试试水才知道。

当你对上面情况有了初步的了解并想试试水，需要面对的问题是：AI入门容易吗？

答案其实是否定的，难！AI领域需要钻研算法原理、大量复杂的公式及符号、无所适从的项目都是劝退一时热度初学者的原因。但这些原因对于一个初学者，根本上是面对这样困难的学科却缺乏合适方法导致的。反问一个玩笑，程序员怎么会没有方法呢？随手就定义一个Python方法（funtion）

def funtion():
       
    return 'haha，往下继续看'

回到笔者，一名普普通通的程序员，当初也是误打误撞学习Python入门到机器学习、深度学习，至今有4个年头，踩了很多坑，下文说到的学习方法、路径也就填坑试错的经验罢了。

本文适用于AI领域了解不深、有些(高中+)基础知识且有自学兴趣的同学。对于已上岸的同学有兴趣就跳着看吧。

以下为正文：

一、学习方法

说到学习方法，其实我们谈到的人工智能之所以智能，核心在于有学习能力。而人工智能学习过程有两个要素：

1、学习目标是什么（--什么目标函数）？

2、如何达到目标（--什么算法）？

人工智能领域很多思路和人类学习是很共恰的！可以发现这两个问题也是我们学习这门学科需要回答的。

• 学习目标是什么？

我们的学习目标比较清楚，就是入门人工智能领域，能完成一个AI相关的任务，或者找到相关的工作。

• 如何达到目标？

1、入门人工智能是个宽泛的目标，因此还得 将目标拆分成阶段性目标才易于执行，可以对应到下面--学习路线及建议资源的各个节点。

2、学习人工智能这门学科，需要提醒的是这本来就是件难事，所以实在搞不懂的知识可以放在后面补下，不要奢求一步到位（当然天赋了得另说），不要想一下子成为专家，可以从：懂得调用现成的算法模块(scikit-learn、tensorflow)做项目 -进阶-》懂得算法原理进一步精用、调优算法 -进阶-》领域专家。保持学习，循序渐进才是啃硬骨头的姿势。

3、啃硬骨头过程无疑是艰难的，所以慢慢地培养兴趣和及时的结果反馈是很重要的。这方面上，边学边敲代码是必须的，结合代码实践学习效率会比较高，还可以及时看到学习成果，就算是啃硬骨头看到牙印越来越深，不也是成果，也比较不容易放弃！

二、学习路线及建议资源

对应到学习路线，简单来说如下几方面：

--》宽泛了解领域，建立一定兴趣

--》基础知识、工具准备

--》机器学习|深度学习的入门课程、书籍及项目实践

--》（面试准备）

--》自行扩展：工作中实战学习 或 学术界特定领域钻研，经典算法原理、项目实践

2.1 了解领域，建立一定兴趣

首先对人工智能领域有个宽泛的了解，有自己的全局性的认识，产生一些判断，才不会人云亦云地因为“薪资高、压力大等” 去做出选择或者放弃。你做的准备调研越多，确认方向后越不容易放弃。

人工智能（Artificial Intelligence，AI）之研究目的是通过探索智慧的实质，扩展人类智能——促使智能主体会听（语音识别、机器翻译等）、会看（图像识别、文字识别等）、会说（语音合成、人机对话等）、会思考（人机对弈、专家系统等）、会学习（知识表示，机器学习等）、会行动（机器人、自动驾驶汽车等）。一个经典的AI定义是：“ 智能主体可以理解数据及从中学习，并利用知识实现特定目标和任务的能力。

从技术层面来看（如下图），现在所说的人工智能技术基本上就是机器学习方面的（其他方面的如专家系统、知识库等技术较为没落）。关于人工智能的发展历程，可以看看我之前一篇文章人工智能简史。

机器学习是指非显式的计算机程序可以从数据中学习，以此提高处理任务的水平，机器学习常见的任务有分类任务（如通过逻辑回归模型判断邮件是否为垃圾邮件类）、回归预测任务（线性回归模型预测房价）等等。深度学习是机器学习的一个子方向，是当下的热门，它通过搭建深层的神经网络模型以处理任务。

从应用领域上看，人工智能在众多的应用领域上面都有一定的发展，有语言识别、自然语言处理、图像识别、数据挖掘、推荐系统、智能风控、机器人等方面。值得注意的的是，不同应用领域上，从技术层面是比较一致，但结合到实际应用场景，所需要的业务知识、算法、工程上面的要求，差别还是相当大的。回到应用领域的选择，可以结合技术现在的发展情况、自己的兴趣领域再做判断。

2.2 基础知识、工具准备

学习人工智能需要先掌握编程、数学方面的基本知识：AI算法工程师首先是一名程序员，掌握编程实现方法才不将容易论知识束之高阁。而数学是人工智能理论的奠基，是必不可少的。

编程语言方面

**编程语言之于程序员， 如宝剑之于侠士。**编程语言就是程序员改变、创造数字虚拟世界的交互工具。

先简单介绍信息技术(IT)行业的情况，IT领域广泛按职能可以分为前端、后端、人工智能、嵌入式开发、游戏开发、运维、测试、网络安全等方面。前端常用技术栈为js\css\html，后端常用技术栈有Java\go\C++\php\Python等。

在人工智能领域，Python使用是比较广泛的，当然其他的语言也是可行的，如Java、C++、R语言等。语言也就工具，选择个适合的就好。结合自己的历程及语言的特性，AI小白还是建议可以从Python学起，理由如下：
1、因为其简单的语法及灵活的使用方法，Python很适合零基础入门；
2、Python有丰富的机器学习库，极大方便机器学习的开发；
3、Python在机器学习领域有较高的使用率，意味着社区庞大，应用范围广，市场上（具体可到招聘软件了解下）有较多的工作机会；

• 学习编程语言的两点建议：

1、多敲代码：只看书、视频而不敲代码是初学者的一个通病。要记住的是“纸上得来终觉浅”，程序员是一个工匠活，需要动手敲代码实践，熟能生巧。

2、 多谷歌： 互联网的信息无所不包的，学会利用互联网自己解决问题是一项基本功。不懂可以谷歌，业界一句有趣的话：程序员是面向谷歌/stackoverflow编程的；

• 建议资源：

以下资源只是一些个人的一些偏好推荐，挑一两种适合自己的资源学习就可以，不用全部都学浪费精力。如果都觉得不合适，按照自己的学习方式即可。

1、【Python入门书】首推Python经典书《Python编程从入门到实践.pdf(https://github.com/aialgorithm/AiPy/》，知识点通俗易懂，而且结合了项目实践，很适合初学者。注：Python在爬虫、web开发、游戏开发等方向也有应用，推荐本书主要学习下Python语法，而书后面的项目实战像有游戏开发\web开发，和机器学习关系不大，可以略过\自行了解下就好。

2、【Python入门教程】廖雪峰的Python在线学习教程，一个很大的特色是可以直接在线运行Python代码。

3、【Python入门视频】如果看书过于枯燥，可以结合视频学习，Python入门学习报培训班学习有点浪费，可以直接网易云课堂、Bilibili搜索相关的Python学习视频。我之前是看小甲鱼零基础入门学习Python课程，边看边敲敲代码，觉得还不错。

4、【Python机器学习库】学习完Python语法，再学习了解下Python上现成的机器学习库（模块包），了解基本功能学会调用它们（熟练掌握它们，主要还是要结合后面项目边学边实践才比较有效的。），一个初级的算法工程师（调包侠）基本就练成了。重要的机器学习库有：

pandas 数据分析、numpy 数值计算库、matplotlib可视化工具，推荐《利用pandas数据分析》有涵盖了这几部分内容。

scikit-learn 包含机器学习建模工具及算法，可以了解下官方文档https://scikit-learn.org.cn。

用于搭建深度学习的神经网络模型的库有：keras、tensorflow、Pytorch等，其中keras更为简单易用，可以参考Keras官方文档https://keras.io/zh，以及Keras之父写的[《Python深度学习》](https://github.com/aialgorithm/AiPy/tree/master/深度学习)

5、【Python进阶书】《Python Cookbook》、《流畅的Python》 这两本内容难度有提升，适合Python语法的进阶。

数学方面

1、数学无疑是重要的，有良好的数学基础对于算法原理的理解及进阶至关重要。但这一点对于入门的初学者反而影响没那么大，对于初学者如果数学基础比较差，有个思路是先补点“数学的最小必要知识”：如线性代数的矩阵运算；高等数学的梯度求导；概率的条件、后验概率及贝叶斯定理等等。这样可以应付大部分算法的理解。

2、如果觉得数学有难度，数学公式、知识的理解建议不用硬啃，不懂时再反查，遇到再回来补效果会好很多。（如果你的数学没有问题，忽略这些，直接复习大学教材补下基础）

• 建议资源

【数学基础知识】推荐黄博翻译整理的机器学习相关的数学基础知识，内容简要，还是挺不错的。

高等数学
线性代数
概率与数理统计

工具准备

对于程序员，好的工具就是生产力！
1、 搜索引擎：学习开发的过程，很经常搜索问题、解决bug。搜索引擎的内容质量 首推谷歌，其次bing，再者才是百度、知乎等。谷歌如果使用不了，试试谷歌助手、科学翻墙、谷歌镜像网站，网上有教程自行了解。

2、翻译：AI领域最新的研究成果、论文基本都是英文的，而如果英文阅读比较一般，可以备个有道词典、wps文档翻译。

3、Python编辑器：首推JupyterLab，JupyterLab很方便数据分析操作，可以单元格中逐步运行代码验证结果。建议直接下载安装个anaconda，里面都有。Anaconda是一个用于科学计算的Python发行版，支持 Linux, Mac, Windows系统，提供了包管理与环境管理的功能，可以很方便地解决多版本Python并存、切换以及各种第三方包安装问题。

下载地址：

https://www.anaconda.com/download/

推荐选Anaconda （python 3.7版本）

IDE：推荐使用pycharm，社区版免费

下载地址：https://www.jetbrains.com/

安装教程：

Anaconda+Jupyter notebook+Pycharm：

https://zhuanlan.zhihu.com/p/59027692

Ubuntu18.04深度学习环境配置(CUDA9+CUDNN7.4+TensorFlow1.8)：

https://zhuanlan.zhihu.com/p/50302396

2.3 机器学习\深度学习入门

深度学习是机器学习的子分支，与传统机器学习有些差异的地方（如特征生成、模型定义方面）， 因此两者可以分开学习。都学习的话，建议可以先学机器学习再学深度学习。

机器学习\深度学习的内容可以分为两部分，**一部分是算法原理的理解，如神经网络模型正向反向传播原理、SVM原理、GBDT原理等等，这部分内容的理解相对较难，学习周期较长。**另一部分是算法工程实现的知识，如现实问题的理解、如何清洗数据、生成特征、选择模型及评估，具体可以看我之前的文章《一文全览机器学习建模流程（Python代码）》，这部分是比较通用的一套操作流程，学习周期比较短且容易看到实际成果。

对于初学者的建议，可以“先知其然，再知其所以然”，跟着课程\书学习，明白大致的算法原理及工程上是如何做的。再用简单的算法整个流程走一遍，结合实践过程中不断的比较和尝试各种算法，更容易搞透算法原理，而且这样可以避免云里雾里地学习各种算法原理。

以下相关资源推荐，同样找一两种合适的资源学习即可。

• 建议资源

1、【机器学习视频】《吴恩达的机器学习课程》github.com/aialgorithm/AiPy/，很经典的入门课程，附笔记解析及代码。

2、【机器学习书】[《machine learning yearning_吴恩达》 ] (https://github.com/aialgorithm/AiPy/tree/master/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0) 是吴恩达历时两年，根据自己多年实践经验整理出来的一本机器学习、深度学习实践经验宝典。

3、【机器学习书】《统计学习方法》 李航老师经典的机器学习书，书中的算法原理讲解还是比较细的。链接的资源有附上书中算法的代码实现、课件及第一版的书。（现在已经有第二版的书，可以买一本慢慢看）

4、【机器学习书】《机器学习(西瓜书)_周志华》 机器学习经典教材，难度适合进阶，里面的一些概念公式还是要有一定基础的，不太适合入门自学。（可搭配datawhale的南瓜书本理解难点公式）

5、【深度学习视频】《吴恩达的深度学习课程》github.com/aialgorithm/AiPy/应该是国内大多数人的入门课程，附笔记解析及代码。

6、【深度学习书】《深度学习(花书)》 AI大佬Ian Goodfellow的深度学习领域经典著作，知识点很系统全面，但还是需要一定基础才好看懂，初学者可以结合视频、花书笔记辅助理解。

7、【深度学习书】《python深度学习》keras之父的经典著作，通俗易懂适合入门。

8、【深度学习书】《深度学习实战》 这本书的结果和《花书》有些相似之处，原理讲解比较通俗，还有详细的代码实践。不足的地方是代码是用Python2写的有些过时。

9、【深度学习书】《动手学深度学习》 李沐大佬合著的深度学习入门教程及代码实践。

10、【深度学习论文】深度学习综述 ：2015年Nature上的论文，由深度学习界的三巨头所写，读这一篇论文就可以概览深度学习了。这篇论文有同名的中文翻译。
注：要全面了解一个技术领域，找找这个领域的综述论文是一个超实用的技巧。

11、【实战项目】 推荐实战下国外的Kaggle、国内天池等竞赛项目。从头到尾地参加一两个机器学习项目，并取得不错的分数，基本上就差不多了。安利个Datawhale小队整理的国内外经典竞赛的项目方案及代码实现 https://github.com/datawhalechina/competition-baseline

2.4 工作面试准备

对于大部分入门的初学者，要真正算入门人工智能领域，找一份相关的工作是必不可少的，当你有（哪怕一点点）相关的工作经验后，这个领域工作面试就比较好混得开了。

很多初学者可能有个困惑，学习到什么样程度、多久才能找到相关的工作机会呢？这个不好回答，和学习准备的程度、市场招聘情况、运气等有关，只能说觉得学得差不多了就可以找面试机会试下水（以个人学习为例，学习了Python+吴恩达机器学习\深度学习视频+几个书本\数据竞赛项目+刷面试题，前前后后差不多用了半年。）

准备面试找工作，首先要了解下市场情况及招聘要求，通常无非要求有相关的论文著作、工作经历、项目经验、对算法的理解。撇开第一、二项的论文、工作经历不谈。对于初学者，面试的主要比重是项目经验及算法的理解。

项目经验就结合项目实战的做法和理解（这些最好有博客记录）。而算法原理除了平时的积累，刷下面试题是很关键的，毕竟面试内容与实际工作内容很多时候像是“造火箭与拧螺丝的关系”。

• 推荐些经典的面试题库

1、 基础数据结构与算法，LeetCode算法题库：https://github.com/apachecn/Interview/tree/master/docs/Algorithm；

2、Python基础算法实现： https://github.com/TheAlgorithms/Python；

3、Python面试题 https://github.com/taizilongxu/interview_python

4、Datawhale小队整理的面试宝典，内容包括基础算法数据结构、机器学习，CV，NLP，推荐，开发等。https://github.com/datawhalechina/daily-interview

5、机器学习面试题，这仓库后面就没有更新了，有些内容可能有点过时https://github.com/DarLiner/Algorithm_Interview_Notes-Chinese

6、面试技巧：推荐阅读程序员面试完全指南

总结

学习到这里，可以说是踏入AI领域的门了。俗话说“师傅领进门，修行在个人”，本文仅能帮助有兴趣的同学简单入门这个领域，而要在这领域成为专家是很困难的，是需要长期的努力积累的。再者，IT行业技术更新迭代快，保持学习才是王道。

最后，希望这篇文章可以帮助到大家，共同学习进步吧。

---

码字不易，如觉得本文有帮助，您的关注点赞是最大的支持！
文章首发于算法进阶，公众号阅读原文可访问--学习资源推荐--

[seabascuit]

3Q