AI学习：从入门到专家的学习路线和优质资源

本文约7730字，建议阅读10分钟。

导读

本文由知名开源平台，AI技术平台以及领域专家：Datawhale，ApacheCN，AI有道和黄海广博士联合整理贡献，内容涵盖AI入门基础知识、数据分析挖掘、机器学习、深度学习、强化学习、前沿Paper和五大AI理论应用领域：自然语言处理，计算机视觉，推荐系统，风控模型和知识图谱。是你学习AI从入门到专家必备的学习路线和优质学习资源。

基础知识

数学

数学是学不完的，也没有几个人能像博士一样扎实地学好数学基础，入门人工智能领域，其实只需要掌握必要的基础知识就好。AI的数学基础最主要是高等数学、线性代数、概率论与数理统计三门课程，这三门课程是本科必修的。这里整理了一个简易的数学入门文章：
– 数学基础：高等数学 链接
– 数学基础：线性代数 链接
– 数学基础：概率论与数理统计 链接

机器学习的数学基础资料下载：
1. 机器学习的数学基础.docx 中文版，对高等数学、线性代数、概率论与数理统计三门课的公式做了总结。
2. 斯坦福大学机器学习的数学基础.pdf 原版英文材料，非常全面，建议英语好的同学直接学习这个材料。下载链接

国外经典数学教材：
相比国内浙大版和同济版的数学教材更加通俗易懂，深入浅出，便于初学者更好地奠定数学基础。下载链接

统计学

入门教材：深入浅出统计学
进阶教材：商务与经济统计
推荐视频：可汗学院统计学 链接

编程

入门人工智能领域，首推Python这门编程语言。
1. Python安装：Python安装包，我推荐下载Anaconda，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 推荐选Anaconda （python 3.7版本）
2. IDE：推荐使用pycharm，社区版免费 下载地址 安装教程：Anaconda+Jupyter notebook+Pycharm：链接 Ubuntu18.04深度学习环境配置(CUDA9+CUDNN7.4+TensorFlow1.8)：链接
3. python入门的资料推荐
– 廖雪峰python学习笔记 链接
– python入门笔记 作者李金，这个是jupyter notebook文件，把python的主要语法演示了一次，值得推荐。下载链接
– 南京大学python视频教程 这个教程非常值得推荐，python主要语法和常用的库基本涵盖了。查看地址
– 看完这三个资料后python基本达到入门水平，可以使用scikit-learn等机器学习库来解决机器学习的问题了。
4. 补充
– 代码规范：链接
– numpy练习题：链接
– pandas练习题：链接

数据分析/挖掘

数据分析的基础书籍

《利用python进行数据分析》这本书含有大量的实践案例，你将学会如何利用各种Python库（包括NumPy，Pandas、Matplotlib以及IPython等）高效地解决各式各样的数据分析问题。如果把代码都运行一次，基本上就能解决数据分析的大部分问题了。

特征工程

特征工程是机器学习中非常重要的一环，通过对原始数据进行处理和转换，提取出更有用的特征，以提高模型的性能。链接

数据挖掘项目

数据挖掘项目是实践数据分析和挖掘技术的最佳方式，通过实际的项目，你可以运用所学的知识解决真实的问题。链接

机器学习

公开课 吴恩达《Machine Learning》

这绝对是机器学习入门的首选课程，没有之一！即便你没有扎实的机器学习所需的扎实的概率论、线性代数等数学基础，也能轻松上手这门机器学习入门课，并体会到机器学习的无穷趣味。
– 课程主页：链接
– 中文视频：链接
– 中文笔记及作业代码：链接

公开课 吴恩达 CS229

吴恩达在斯坦福教授的机器学习课程 CS229 与 吴恩达在 Coursera 上的《Machine Learning》相似，但是有更多的数学要求和公式的推导，难度稍难一些。该课程对机器学习和统计模式识别进行了广泛的介绍。
– 课程主页：链接
– 中文视频：链接
– 中文笔记：链接
– 速查表：链接
– 作业代码：链接

公开课 林轩田《机器学习基石》

台湾大学林轩田老师的《机器学习基石》课程由浅入深、内容全面，基本涵盖了机器学习领域的很多方面。其作为机器学习的入门和进阶资料非常适合。而且林老师的教学风格也很幽默风趣，总让读者在轻松愉快的氛围中掌握知识。这门课比Ng 的《Machine Learning》稍难一些，侧重于机器学习理论知识。
– 中文视频：链接
– 中文笔记：链接
– 配套教材：配套书籍为《Learning From Data》，在线书籍主页：链接

公开课 林轩田《机器学习技法》

《机器学习技法》课程是《机器学习基石》的进阶课程。主要介绍了机器学习领域经典的一些算法，包括支持向量机、决策树、随机森林、神经网络等等。难度要略高于《机器学习基石》，具有很强的实用性。
– 中文视频：链接
– 中文笔记：链接

书籍 《机器学习》

周志华的《机器学习》被大家亲切地称为“西瓜书”。这本书非常经典，讲述了机器学习核心数学理论和算法，适合有作为学校的教材或者中阶读者自学使用，入门时学习这本书籍难度稍微偏高了一些。

书籍 《统计学习方法》

李航的这本《统计学习方法》堪称经典，包含更加完备和专业的机器学习理论知识，作为夯实理论非常不错。

书籍 《Scikit-Learn 与 TensorFlow 机器学习实用指南》

在经过前面的学习之后，这本《Scikit-Learn 与 TensorFlow 机器学习实用指南》非常适合提升你的机器学习实战编程能力。全书代码：链接

实战 Kaggle 比赛

比赛是提升自己机器学习实战能力的最有效的方式，首选 Kaggle 比赛。Kaggle 主页: 链接 Kaggle 路线: 链接

工具 Scikit-Learn 官方文档

Scikit-Learn 作为机器学习一个非常全面的库，是一份不可多得的实战编程手册。官方文档：链接 中文文档（0.19）：链接

深度学习

公开课 吴恩达《Deep Learning》

在吴恩达开设了机器学习课程之后，发布的《Deep Learning》课程也备受好评，吴恩达老师的课程最大的特点就是将知识循序渐进的传授给你，是入门学习不可多得良好视频资料。
– 课程视频 网易云课堂：链接 Coursera: 链接
– 课程笔记 之前编写过吴恩达老师机器学习个人笔记黄海广博士带领团队整理了中文笔记：链接
– 参考论文 吴恩达老师在课程中提到了很多优秀论文，黄海广博士整理如下：链接
– 课程PPT及课后作业 吴恩达深度学习课程，包含课程的课件、课后作业和一些其他资料：链接

公开课 Fast.ai《程序员深度学习实战》

说到深度学习的公开课，与吴恩达《Deep Learning》并驾齐驱的另一门公开课便是由Fast.ai出品的《程序员深度学习实战》。这门课最大的特点便是“自上而下”而不是“自下而上”,是绝佳的通过实战学习深度学习的课程。
– 视频地址 B站地址(英文字幕)：链接 CSDN地址(2017版中文字幕): 链接
– 课程笔记 英文笔记原文：链接 由ApacheCN组织的中文翻译：链接

公开课 CS230 Deep Learning

斯坦福的深度学习课程CS230在4月2日刚刚开课，对应的全套PPT也随之上线。从内容来看，今年的课程与去年的差别不大，涵盖了CNNs, RNNs, LSTM, Adam, Dropout, BatchNorm, Xavier/He initialization等深度学习的基本模型，涉及医疗、自动驾驶、手语识别、音乐生成和自然语言处理等领域。

书籍 神经网络与深度学习 – 复旦邱锡鹏

本书是入门深度学习领域的极佳教材，主要介绍了神经网络与深度学习中的基础知识、主要模型（前馈网络、卷积网络、循环网络等）以及在计算机视觉、自然语言处理等领域的应用。复旦教授邱锡鹏开源发布《神经网络与深度学习》

书籍 《深度学习》

这本书是深度学习领域的经典之作，由深度学习的三位大牛Ian Goodfellow、Yoshua Bengio和Aaron Courville合著。书中详细介绍了深度学习的基本概念、算法和应用，是深度学习领域的权威教材。

书籍 《动手学深度学习》

这本书是来自MXNet创始人李沐等人合著的一本实战教材，通过实际的代码实现和项目案例，帮助读者深入理解深度学习的原理和应用。

书籍 《Deep Learning with Python》

这本书是Keras的创始人François Chollet所著，通过简洁的代码和清晰的解释，帮助读者快速入门深度学习。

开始你的创作！