一? 最難的一件事
??????? 要成為大牛，其實不難，只需要做一件事 -- 學習；然而其實也很難，因為必須做到一件事 -- 堅持學習。無關智商，無關信仰，能否堅持到底，至關重要。
??????? 白天要上班，往往要加班，還要積極完成小孩的課業與輔導，處理好家務瑣事，只能晚上孤獨的學習，要系統的入門，獨學而無友，有問題只能求諸于己，咬牙死磕。晚上別人在睡前電視，周末別人在愜意時光，都要苦苦戰斗，如切如磋，如琢如磨。100要學AI的IT，真正行動的也許不過1/5，堅持一個月的可能已不足10人，能始終堅持到入門，找到感覺的，也就2-3個人了吧，能有人能成為大牛，是小概率事件了。
??????? 因此，咬牙堅持，是最好的良藥，也是最難的一件事。
??????? 要做到堅持，也要講方法，不能太苦，要快樂的堅持，至少要痛并快樂著。因此學習節奏也就是時間安排非常重要。

??????? 建議的入門時間安排：1）每周一、三、五，每晚花兩個小時學習、看視頻??? 2）周六、周日每天四小時左右。 3）堅持三個月以上。?? 4）平時學習側重看視頻、書籍；周末側重完成課程附帶的編程作業、及思考歸納。

??????? 關于思考與歸納的幾個層次舉例：
????????? 1）知道理解人工智能這個概念（幾乎所有人）； ?
????????? 2）知道“機器學習”這個概念（有一部分人）； ?
????????? 3）清楚描述“深度學習”、“機器學習”和“神經網絡”的關系（一小部分人）； ?
????????? 4）能夠正確說明“卷積”、“池化”、“梯度下降”這些名詞的正確含義與計算/實現的方法（很少一部分人）；? ?
????????? 5）能清楚地理解損失函數和反向傳播的數學表達（非常少的人）；??? ?
????????? 6）能夠闡述網絡參數的一個修改（比如把卷積核改小）對precision/recall會產生什么影響（極少極少的人）；??? ?
????????? 7）準確描述上述影響到底是什么原理（幾乎沒有人）。? ?

二? 數學是最大的攔路虎嗎
一） 別人的經驗
??????? 作為“尚未入門的廣大學友”、“不明真相的吃瓜群眾”，從哪里入手好呢？ 線性代數？概率論？那是最糟糕的選擇！它們只會讓你入門之前就徹底喪失信心，其漫長而陡峭的學習曲線還會讓你誤以為這是一個無法進入的領域。事實上，只有已經入門并并深入前進（比如能夠正確并完整的講解“卷積”，“池化”，“LSTM”這些詞的正確含義、原理和計算/實現方法）之后，你才真正需要更多的數學知識。入門學習中用到的數學知識，只有以下三點：
1. 懂得矩陣運算的基本計算方法，能夠手動計算[3×4]×[4×3]的矩陣，并明白為什么會得到一個[3×3]的矩陣。
2. 懂得導數的基本含義，明白為什么可以利用導數來計算梯度，并實現迭代優化。
3. 能夠計算基本的先驗及后驗概率。
二） 一些理解
??????? AI 的學習有多方面的訴求和階段，不同的階段對數學有不同的需求，不同的方向也有不同的需要。除前面所說的，未入門階段其實不需要太多專業數學知識，另外，做研究和做工程、做應用也是兩個不同的難度級別。
??????? 殊途同歸，估計到高深處都是一樣的了。入門時其實不需刻意。

三? 入門學習路線

一） 零基礎學習入門課程：???? 吳恩達的機器學習課程開始： Machine Learning - Stanford University | Coursera
?????? 吳恩達的英語又慢又清晰，課程字幕的翻譯又到位，課程設置與課中測驗及時而又合理，重點清晰、作業方便，再加上吳恩達教授深入淺出的講解，講解過程中不時的鼓勵和調侃，都能讓你更為積極地投入到機器學習的學習之中，讓你扎實而快速地掌握機器學習的必備基礎知識。

?????? 這門在線課程，相當于斯坦福大學CS229的簡化版，涵蓋內容包括機器學習最基礎的知識、概念及其實現，以及最常用的算法（例如PCA、SVM）和模型（全連接神經網絡）。學習這門課程，重要的是基礎的概念與實現。作為一名具備編程基礎的開發人員，在這個階段要將自身理論同實踐相結合的優勢發揮出來，充分利用它所提供的編程作業，盡可能多地實踐，從理論和代碼兩個角度去理解課程中的知識點。

?????? 推薦書籍： 《機器學習》（周志華）??? 《統計學習方法》（李航）?? 《機器學習實戰》（Peter）
二） 夯實基礎
????? 回頭去看一遍CS229，將傳統算法整體熟悉一遍，盡可能把所有的基本概念都掌握扎實。

三） 選擇主攻領域并學習
?????? 任何人不可能選擇計算機視覺（CV）、自然語言處理（NLP）以及其他領域等全部領域學習。在每個領域下，都有大量的研究者在投入精力鉆研，發表論文和成果。可選擇一到兩個方向作為主攻，跟上學術界主流的進展。? 在完成了相應領域的學習后，下一步要做的就是嘗試閱讀最新的經典論文并試圖實現。

四） 編程語言與框架
1.? 入門編程語言?? python
2.? 框架
? 1）? pytorch
? 2）? tensorflow

五） 實戰常用數據集
1.? mnist 手寫數字庫
??????? 每條數據是固定的784個字節，由28x28個灰度像素組成。體積小（10M左右）、數據多（6萬張訓練圖片）、適用范圍廣（NN/CNN/SVM/KNN都可以拿來跑跑）而聞名天下，其地位相當于機器學習界的Hello World。在LeCun的MNIST官方網站上（yann.lecun.com/exdb/mnist/），還貼有各種模型跑這個數據集的最好成績，當前的最好得分是CNN的，約為99.7%。由于該數據集非常之小，所以即便是在CPU上，也可以幾秒鐘就跑完NN的訓練，或是幾分鐘跑完一個簡單的CNN模型。

2. CIFAR? 圖形庫
??????? CIFAR數據庫（官網：www.cs.toronto.edu/~kriz/cifar.html）則是一個圖像學習的入門選項。該數據庫分為2個版本，CIFAR-10和CIFAR-100。顧名思義，CIFAR-10有10個分類，每個分類有5000張訓練圖片和1000張測試圖片，每張圖片是32x32像素的3通道位圖。????? 之所以它比MNIST更適合作為圖片處理的入門，是因為它盡管分辨率較低，但卻是三通道、真實拍攝的照片。其中有些圖片的背景還略微復雜，更貼近我們真實的圖片處理場景。相對而言，MNIST的灰度輸入和干凈背景就顯得過于簡單，況且99.7%的準確率也確實難有提升的空間。

Tensorflow給出了CIFAR的例程：??? https://www.tensorflow.org/tutorials/deep_cnn???????????? 并附有代碼：
https://github.com/tensorflow/models/tree/fb96b71aec356e054678978875d6007ccc068e7a/tutorials/image/cifar10

四? 入門學習經驗之談

1. 最好和一個真正能做出東西的團隊或跟隨真正的牛人一起學習相比，比自己一個人速度要快十倍都不止。深刻理解業務，選擇合適的模型算法，找到實際應用場景，實現它，實現它，實現它。

2. 不要太迷信論文，很多寫論文純粹在編故事(好論文除外)，一定要復現論文或者嘗試自己做出一些東西。DL\ML其實是一門實踐性的學科，只有通過實驗才能把握到其中的細節與真諦。雖說也是在寫程序，但是DL的程序基本上無法直觀地debug，所以非得自己去復現一下，實踐一下，用performance來說話，才知道有沒有出錯。

3. 不能淺嘗輒止，不要求快，沒有捷徑。自己首先有個心理預期，數學好的入門也得一年半載的，數學需要補基礎的估計要1-2年。可以去上培訓班，交點錢，但也就跟機器學習混個臉熟。想入門還得花時間慢慢磨，真的沒捷徑，真的沒捷徑，真的沒捷徑！。

4. 不要太迷信復雜的東西和新技術，以為新東西肯定就效果爆棚。其實都是不存在的。永遠不要迷信某個特定的模型，要摸索理解各種不同模型的特性。

5. 模型不求多，精通幾個常見的，把機器學習的套路摸透就可以了。比如LR，樸素貝葉斯，決策樹，基于SVD相關的簡單模型，如推薦系統等。把機器學習的套路摸透什么意思呢？比如LR為什么用logloss，而不是平方損失？為什么logloss 是凸函數，而平方的不是？優化算法啥時候用一階mini-batch sgd，啥時候用二階方法，為什么？這還只是說了損失函數與優化算法，還有模型結構，模型的效果評估指標，如何利用欠擬合/過擬合來分析指導優化模型等等。因為簡單的模型容易理解，有時數學上的證明也是可行的。這樣，以它們為例子更容易理解機器學習這套東西，建立自己的直覺，自己的直覺，自己的直覺，幾何的或物理的。

五? 人工智能工程師學習圖譜

---------------------
原文：https://blog.csdn.net/ebzxw/article/details/80297844

總結

以上是生活随笔為你收集整理的AI快速入门学习的经验积累-最佳学习路线图谱梳理的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。