????????學(xué)好人工智能并非易事留凭，需要循序漸進，階段性的學(xué)習(xí)偎巢，先入門后進階蔼夜，一步一腳印，那么怎樣的 學(xué)習(xí)路線適合初級者压昼，下面簡單分享：
????????分為五個階段：
第一階段：數(shù)學(xué)包括三科求冷，也都是考研的三科：高等數(shù)學(xué)／線性代數(shù)／概率論翠订；
第二階段：編程python工具庫實戰(zhàn)／python網(wǎng)絡(luò)爬蟲；
第三階段：機器學(xué)習(xí)也就是基礎(chǔ)知識遵倦，機器學(xué)習(xí)導(dǎo)論尽超，機器學(xué)習(xí)入門／機器學(xué)習(xí)提升；
第四階段：數(shù)據(jù)挖掘?qū)崙?zhàn)梧躺，只有掌握了數(shù)據(jù)挖掘處理似谁，才能知道機器如何處理大數(shù)據(jù)的數(shù)據(jù)挖掘入門／數(shù)據(jù)分析實戰(zhàn)；
第五階段：深度學(xué)習(xí)掠哥，深度學(xué)習(xí)神經(jīng)算法巩踏、深度學(xué)習(xí)網(wǎng)絡(luò)與框架／深度學(xué)習(xí)項目實戰(zhàn)。
具體的學(xué)習(xí)续搀，可以按照以下7方面：
1．學(xué)習(xí)或者回憶一些數(shù)學(xué)知識
因為計算機能做的就只是計算塞琼，所以人工智能更多地來說還是數(shù)學(xué)問題[1]。我們的目標是訓(xùn)練出一個模型禁舷，用這個模型去進行一系列的預(yù)測彪杉。于是，我們將訓(xùn)練過程涉及的過程抽象成數(shù)學(xué)函數(shù)：首先牵咙，需要定義一個網(wǎng)絡(luò)結(jié)構(gòu)派近，相當于定義一種線性非線性函數(shù)；接著洁桌，設(shè)定一個優(yōu)化目標渴丸，也就是定義一種損失函數(shù)（loss function）。
而訓(xùn)練的過程另凌，就是求解最優(yōu)解及次優(yōu)解的過程谱轨。在這個過程中，我們需要掌握基本的概率統(tǒng)計吠谢、高等數(shù)學(xué)土童、線性代數(shù)等知識，如果學(xué)過就最好囊卜，沒學(xué)過也沒關(guān)系娜扇，僅僅知道原理和過程即可，有興趣的讀者可以涉獵一些推導(dǎo)證明栅组。
2．掌握經(jīng)典機器學(xué)習(xí)理論與基本算法
這些基本算法包括支持向量機、邏輯回歸枢析、決策樹玉掸、樸素貝葉斯分類器、隨機森林醒叁、聚類算法司浪、協(xié)同過濾泊业、關(guān)聯(lián)性分析、人工神經(jīng)網(wǎng)絡(luò)和BP算法啊易、PCA吁伺、過擬合與正則化等。[2]
在本書“實戰(zhàn)篇”的第8章到第13章的例子中也有貫穿這些算法知識租谈，保證讀者可以用它寫出一個小的TensorFlow程序篮奄。
3．掌握一種編程工具（語言）
Python語言是一種解釋型、面向?qū)ο蟾钊ァ討B(tài)數(shù)據(jù)類型的高級程序設(shè)計語言窟却。Python是很多新入門的程序員的入門編程語言，也是很多老程序員后來必須掌握的編程語言呻逆。我們需要重點掌握使用線性代數(shù)庫和矩陣的操作夸赫，尤其是Numpy、Pandas第三方庫咖城，也要多試試機器學(xué)習(xí)的庫茬腿，如sklearn，做一些SVM及邏輯回歸的練習(xí)宜雀。這對直接上手寫TensorFlow程序大有裨益滓彰。
有些工業(yè)及學(xué)術(shù)領(lǐng)域的讀者還可能擅長MATLAB或R，其實現(xiàn)算法的思想和Python也很類似州袒。
同時考慮到許多讀者是使用C++揭绑、Java、Go語言的郎哭，TensorFlow還提供了和Python“平行語料庫”的接口他匪。雖然本書是主要是基于Python講解的，對于其他語言的原理和應(yīng)用API也都非常類似夸研，讀者把基礎(chǔ)掌握后邦蜜，只需要花很短的時間就能使用自己擅長的語言開發(fā)。另外對于Java語言的同學(xué)亥至，本書第18章會講解TensorFlowOnSpark悼沈，第19章會講到TensorFlow的移動端開發(fā)。
4．研讀經(jīng)典論文姐扮，關(guān)注最新動態(tài)和研究成果
一些經(jīng)典論文是必讀的絮供。例如，要做手寫數(shù)字識別茶敏，若采用LeNet壤靶，要先閱讀一下LeNet的學(xué)術(shù)論文；要做物體目標檢測的訓(xùn)練惊搏，若選定MSCNN框架贮乳，可以先讀MSCNN相關(guān)的論文忧换。那么，論文從哪里找呢向拆？那么多論文應(yīng)該讀哪篇呢亚茬？
下面以GoogleNet的TensorFlow實現(xiàn)為例。在GitHub[3]上浓恳，一般在開頭的描述中就會說明這個模型所依據(jù)的論文刹缝，如圖所示。
順著這篇論文閱讀奖蔓，可以大致了解這個網(wǎng)絡(luò)的實現(xiàn)原理赞草，對迅速上手應(yīng)用有很大的作用。同時吆鹤，我在第6章也會對LeNet厨疙、AlexNet、ResNet這幾個常見的網(wǎng)絡(luò)進行講解疑务，幫助讀者舉一反三沾凄。
很多做模式識別的工作者之所以厲害，是因為他們有過很多知允、很深的論文積累撒蟀，對模型的設(shè)計有很獨到的見解，而他們可能甚至一行代碼也不會寫温鸽，而工程（寫代碼）能力在工作中很容易訓(xùn)練保屯。許多工程方向的軟件工程師，工作模式常常在實現(xiàn)業(yè)務(wù)邏輯和設(shè)計架構(gòu)系統(tǒng)上涤垫，編碼能力很強姑尺，但卻缺少論文積累。同時具有這兩種能力的人蝠猬，正是硅谷一些企業(yè)目前青睞的人才切蟋。
讀者平時還可以閱讀一些博客、筆記榆芦，以及微信公眾號柄粹、微博新媒體資訊等，往往一些很流行的新訓(xùn)練方法和模型會很快在這些媒體上發(fā)酵匆绣，其訓(xùn)練神經(jīng)網(wǎng)絡(luò)采用的一些方法可能有很大的啟發(fā)性驻右。
5．自己動手訓(xùn)練神經(jīng)網(wǎng)絡(luò)
接著，就是要選擇一個開源的深度學(xué)習(xí)框架犬绒。選擇框架時主要考慮哪種框架用的人多旺入。人氣旺后，遇到問題很容易找到答案凯力；GitHub上關(guān)于這個框架的項目和演示會非常多茵瘾；相關(guān)的論文也會層出不窮；在各個QQ群和微信群的活躍度會高咐鹤；雜志拗秘、公眾號、微博關(guān)注的人也會很多祈惶；行業(yè)交流和技術(shù)峰會討論的話題也多雕旨；也能享受到國內(nèi)外研究信息成果的同步。
目前這個階段捧请，TensorFlow因為背靠谷歌公司這座靠山凡涩，再加上擁有龐大的開發(fā)者群體，而且采用了稱為“可執(zhí)行的偽代碼”的Python語言疹蛉，更新和發(fā)版速度著實非郴罨快。目前TensorFlow已經(jīng)升級到1.0版可款，在性能方面也有大幅度提高育韩，而且新出現(xiàn)的Debugger、Serving闺鲸、XLA特性也是其他框架所不及的筋讨。此外，一些外圍的第三方庫（如Keras摸恍、TFLearn）也基于它實現(xiàn)了很多成果悉罕，并且Keras還得到TensorFlow官方的支持。TensorFlow支持的上層語言也在逐漸擴大立镶，對于不同工程背景的人轉(zhuǎn)入的門檻正在降低壁袄。
在GitHub[4]上有一個關(guān)于各種框架的比較，從建模能力谜慌、接口然想、模型部署、性能欣范、架構(gòu)变泄、生態(tài)系統(tǒng)、跨平臺等7個方面進行比較恼琼，TensorFlow也很占綜合優(yōu)勢妨蛹。截至2017年1月，TensorFlow的star數(shù)已經(jīng)超過了其他所有框架的總和晴竞，如圖1-8所示蛙卤。
因此，從目前來看，投身TensorFlow是一個非常好的選擇颤难，掌握TensorFlow在找工作時是一個非常大的加分項神年。
接下來就是找一個深度神經(jīng)網(wǎng)絡(luò)，目前的研究方向主要集中在視覺和語音兩個領(lǐng)域行嗤。初學(xué)者最好從計算機視覺入手已日，因為它不像語音等領(lǐng)域需要那么多的基礎(chǔ)知識，結(jié)果也比較直觀栅屏。例如飘千，用各種網(wǎng)絡(luò)模型來訓(xùn)練手寫數(shù)字（MNIST）及圖像分類（CIFAR）的數(shù)據(jù)集。
6．深入感興趣或者工作相關(guān)領(lǐng)域
人工智能目前的應(yīng)用領(lǐng)域很多栈雳，主要是計算機視覺和自然語言處理护奈，以及各種預(yù)測等。對于計算機視覺哥纫，可以做圖像分類霉旗、目標檢測、視頻中的目標檢測等磺箕；對于自然語言處理奖慌，可以做語音識別、語音合成松靡、對話系統(tǒng)简僧、機器翻譯、文章摘要雕欺、情感分析等岛马，還可以結(jié)合圖像、視頻和語音屠列，一起發(fā)揮價值啦逆。
更可以深入某一個行業(yè)領(lǐng)域。例如笛洛，深入醫(yī)學(xué)行業(yè)領(lǐng)域夏志，做醫(yī)學(xué)影像的識別；深入淘寶的穿衣領(lǐng)域苛让，做衣服搭配或衣服款型的識別沟蔑；深入保險業(yè)、通信業(yè)的客服領(lǐng)域狱杰，做對話機器人的智能問答系統(tǒng)瘦材；深入智能家居領(lǐng)域，做人機的自然語言交互仿畸；等等食棕。
7．在工作中遇到問題朗和，重復(fù)前六步
在訓(xùn)練中，準確率簿晓、壞案例（bad case）眶拉、識別速度等都是可能遇到的瓶頸。訓(xùn)練好的模型也不是一成不變的抢蚀，需要不斷優(yōu)化镀层，也需要結(jié)合具體行業(yè)領(lǐng)域和業(yè)務(wù)進行創(chuàng)新镰禾，這時候就要結(jié)合最新的科研成果皿曲，調(diào)整模型，更改模型參數(shù)吴侦，一步步更好地貼近業(yè)務(wù)需求屋休。
以上學(xué)習(xí)路線雖然有點復(fù)雜，但堅信世上無難事备韧，只怕有心人劫樟。
