1956年，人工智能的概念就已经提出，但在以前，人工智能大多只是存在于书本和荧幕中，到了今天，生活中充斥着人工智能的影子，智能语音助手、翻译器、指纹识别、人脸识别、无人驾驶......

自阿尔法围棋出世之后，人工智能的相关理念就不断提及，尤其是“人工智能威胁”引起的世界性广泛讨论，更是把其他领域的无数专家拖入了这个战场。

0基础学Python，你需要掌握以下要点。

1、学习并掌握一些数学知识

高等数学是基础中的基础，一切理工科都需要这个打底，数据挖掘、人工智能、模式识别此类跟数据打交道的又尤其需要多元微积分运算基础、线性代数很重要，一般来说线性模型是你最先要考虑的模型，加上很可能要处理多维数据，你需要用线性代数来简洁清晰的描述问题，为分析求解奠定基础概率论、数理统计、随机过程更是少不了，涉及数据的问题，不确定性几乎是不可避免的，引入随机变量顺理成章，相关理论、方法、模型非常丰富。很多机器学习的算法都是建立在概率论和统计学的基础上的，比如贝叶斯分类器、高斯隐马尔可夫链。

再就是优化理论与算法，除非你的问题是像二元一次方程求根那样有现成的公式，否则你将不得不面对各种看起来无解但是要解的问题，优化将是你的GPS为你指路

有以上这些知识打底，就可以开拔了，针对具体应用再补充相关的知识与理论，比如说一些我觉得有帮助的是数值计算、图论、拓扑，更理论一点的还有实/复分析、测度论，偏工程类一点的还有信号处理、数据结构。

2、掌握经典机器学习理论和算法

如果有时间可以为自己建立一个机器学习的知识图谱，并争取掌握每一个经典的机器学习理论和算法，我简单地总结如下：

1) 回归算法：常见的回归算法包括最小二乘法(OrdinaryLeast Square)，逻辑回归(Logistic Regression)，逐步式回归(Stepwise Regression)，多元自适应回归样条(MultivariateAdaptive Regression Splines)以及本地散点平滑估计(Locally Estimated Scatterplot Smoothing)；

2) 基于实例的算法：常见的算法包括 k-Nearest Neighbor(KNN), 学习矢量量化(Learning Vector Quantization， LVQ)，以及自组织映射算法(Self-Organizing Map ， SOM)；

3) 基于正则化方法：常见的算法包括：Ridge Regression， Least Absolute Shrinkage and Selection Operator(LASSO)，以及弹性网络(Elastic Net)；

4) 决策树学习：常见的算法包括：分类及回归树(ClassificationAnd Regression Tree， CART)， ID3 (Iterative Dichotomiser 3)， C4.5， Chi-squared Automatic Interaction Detection(CHAID), Decision Stump, 随机森林(Random Forest)， 多元自适应回归样条(MARS)以及梯度推进机(Gradient Boosting Machine， GBM)；

5) 基于贝叶斯方法：常见算法包括：朴素贝叶斯算法，平均单依赖估计(AveragedOne-Dependence Estimators， AODE)，以及Bayesian Belief Network(BBN)；

6) 基于核的算法：常见的算法包括支持向量机(SupportVector Machine， SVM)， 径向基函数(Radial Basis Function ，RBF)， 以及线性判别分析(Linear Discriminate Analysis ，LDA)等；

3、掌握一种编程工具，比如Python

一方面Python是脚本语言，简便，拿个记事本就能写，写完拿控制台就能跑；另外，Python非常高效，效率比java、r、matlab高。matlab虽然包也多，但是效率是这四个里面最低的。

4、了解行业最新动态和研究成果，比如各大牛的经典论文、博客、读书笔记、微博微信等媒体资讯。

5、买一个GPU，找一个开源框架，自己多动手训练深度神经网络，多动手写写代码，多做一些与人工智能相关的项目。

6、选择自己感兴趣或者工作相关的一个领域深入下去

人工智能有很多方向，比如NLP、语音识别、计算机视觉等等，生命有限，必须得选一个方向深入的专研下去，这样才能成为人工智能领域的大牛，有所成就。