想要学习人工智能？这里有一条完整路径资源

在本文中，《Analytics India》杂志给出了学习AI的最佳途径。...

科技领域的天平正在向人工智能倾斜，IT领域的技术人员正在将AI应用到现有产品中。但是对于企业来说， AI人才才是关键。企业培训应有意识地建立在线项目，帮助员工适应新的角色。

虽然很多程序员都可以编写代码，但他们还不精通机器学习。尽管行业的炒作和初创公司层出不穷，开发人员或AI新手还是不知道如何开始人工智能的学习。企业家和产品爱好者Shival Gupta提出了一个有趣的观点：在行业不断变化的情况下，全行业开发人员的相互联系和交流远远不够，在未来两年内，如果没有成熟的AI技能，整个行业将裹足不前。

在本文中，《Analytics India》杂志给出了学习AI的最佳途径。

1. 寻找一些免费的书籍

Shival Gupta分享自己初学AI的经验时，强调了熟悉基本AI术语和方法的重要性。寻找一些免费的AI书籍作为自己学习人工智能的开始，是正确的做法。Peter Norvig和Stuart J. Russell所著的《Artificial Intelligence: A Modern Approach》一书就很不错。本书不仅介绍了基本的人工智能概念和算法(专家系统、深度优先和广度优先搜索、知识表示等)，而且还包括基础知识如贝叶斯推理，一阶逻辑，语言建模等。

对于那些对深度学习感兴趣的人， Ian Goodfellow、Yoshua Bengio和Aaron Courville 所写的《深度学习》(自适应计算和机器学习系列)一书是不错的选择。

此外，可以看看《Logic For Computer Science》这本免费书，它解释了计算机科学的数学逻辑，并强调了求解证明的算法方法。

注：想要获取上述提到的几本书，可私信智能观。

2.把需要的数学知识整理一下

由于微积分和线性代数在AI / ML技术上有广泛的应用，学习它将是一个很好的方法。人工智能爱好者认为，大多数机器学习技术可以简化为线性代数和微积分，比如训练神经网络的反向传播算法。

还有，想要深入研究AI / ML，需掌握离散数学、微积分(微分、积分和多变量)、概率和统计、线性代数、回归分析和随机过程(泊松过程、马尔科夫链和布朗运动)。

您可以在网上查找免费的学习资源，了解概率理论，了解基于R 语言、推理和算法的统计学习。

3.熟悉Python，(C / C ++)和数据结构

人工智能从业者相信，任何主流语言和非主流语言都能应用于AI / ML。最大的区别在于库/工具的性能和可用性。例如，C++的所有设置都优于Java或Python，并帮助开发人员最大化硬件的功能。另一方面，Python有一个非常好的FFI，并且经常与C或C++结合使用。与此同时，Octave / MATLAB、R、Python、C++、Java、R和其他一些语言都有高质量的库，如何使用取决于你想要做什么。

一般的共识是，必须熟悉一些流行的语言，如Python，它有一个很好的工具箱/库。

4.尝试使用开源框架

你可以选择一个开源框架，实现基本分类。根据开发人员Akash Paul的说法，选择框架可能是一项具有挑战性的任务，因为这些框架都是基于不同目的构建的。他举了一个例子:Caffe使用了一种声明式的方法来定义模型，而TensorFlow允许通过编程创建和使用模型，甚至跨平台可视化和部署模型。

对硬件的一些建议是，购买一个强大的Pascal系列GPU(10606gb)、i3、8GB RAM和SSD，以获得对AI工作负载的最低配置要求。你可以看一下英伟达的CUDA工具包，这是开始实验的好地方。

5.使用GitHub平台，搜索热门项目

GitHub拥有世界上最大的开源数据集合，它为机器学习爱好者提供了大量资源。你也可以在GitHub上查看最受欢迎的项目。试着每个月做一个项目。

6.创建你的第一个聊天机器人

尝试构建自己的聊天机器人作为第一个人工智能项目。在开始编程机器人前，你要知道制作聊天机器人的3个步骤——输入文本、发送按钮和输出文本。根据AI从业者的说法，搜索引擎巨头谷歌使用的网络爬虫是高级机器人的最佳范例。在你开始编程机器人之前，看看这些:

xpath:开发人员使用xpath根据各种标准选择XML节点或节点集。

Regex:正则表达式是用于描述搜索模式的特殊文本字符串，用于构建基本的聊天机器人。

此外，还可以查看这些用于bot项目的API:谷歌云预测API文档、DiffBot、用于语言工具包的机器学习、Wolfarm Alpha API等。

7.免费资源

在学习网站上开设账户，做一些项目增长知识和经验。

一些免费的人工智能学院，如英特尔的AI学院，为初学者提供必要的学习材料、工具和技术。

英伟达的自学实验室也是免费的，提供最新的技术培训，如在广泛的应用程序中部署神经网络。