隨著阿爾法狗人機大戰的勝利，人工智能已經成為最火的話題，人臉識別，內容推薦，無人駕駛等人工智能產物被大家熟知。大家都看好人工智能的前景。那麼，如果對人工智能感興趣，作為小白該如何入門呢？
關於人工智能、機器學習、深度學習的關係如下圖所示，在我看來其中並沒有明顯的區分。
入門人工智能我們到底該學些什麼呢。我結合著自己學習經歷和工作經歷，給大家說幾個部分。
一、數學基礎部分
學習人工智能，要有一些數學基礎，好在要求的數學基礎都是高中及大學的層次，相信大家都學過。即使忘了，再去尋找以前的記憶也相對容易一些。我列舉下必備的知識。
1.線性代數（矩陣、特徵值、特徵向量、秩）
2.微積分（極限、導數、拉格朗日中值、泰勒級數展開）
3.統計學 (相關性分析、期望、方差、分佈、指標)
注:很多文章都說凸優化的知識，其實凸優化多數都是用在研究領域，對於剛入門作用不大，暫時不建議大家看。
書籍方面：去翻下大學相關課程教材即可。不建議從頭開始學，很耗時，去翻翻上面說的幾部分內容就可以。如果覺得不夠可以再去看看吳軍的《數學之美》和李航的《統計學習方法》。這兩本書還是比較經典的。
二、Python語言基礎
現在機器學習中，Python語言用的居多。如果你是程序員出身，已經有過Python,C++,Java語言的話，這一步就很簡單了。如果你現在還不懂編程語言，也沒關係，Python是一門很簡單的語言。Python語言其實也有難點，但好在機器學習裡面用不上，是不是有難以掩飾的激動，相信大家經過1周時間基本就可以應用了。我給同學們列舉下該學習哪部分。
基礎部分：推薦給大家一個網上的教程，如果這個鏈接失效了，也可以自己在搜索引擎上搜《Python3教程》關鍵字(這裡推薦大家學習Python3，如果已經有了Python2的基礎，也可以忽略) https://m.runoob.com/python3/。
模塊部分：Numpy、Pandas、Matplotlib。這幾個是需要大家掌握的。大家自己在搜索引擎上搜。
其他的呢，可以看下scikit-learn這個模塊。他是機器學習的一個Python庫。有很多機器學習方面的模型，用scikit-learn可以很快的實現。大家也可以在瞭解機器學習之後，再學習也可以。
三、機器學習基礎
這一部分內容還是很多的，講的都是一些經典的入門算法，大家要好好的感受下這些算法的精髓。
- 線性迴歸、梯度下降、邏輯迴歸
- 決策樹和隨機森林（ID3、C4.5、CART、GBDT、RandomForest）
- SVM (軟間隔、損失函數、核函數、SMO算法、libSVM)
- 聚類(K-Means、聚譜類SC)
- EM算法(最大似然估計、Jensen不等式、混合高斯分佈、主題模型pLSA)
- 主題模型LDA
- 隱馬爾可夫模型
書籍方面:Andrew Ng — Machine Learning Coursera from Stanford
有了上面的基礎，選擇一門由淺入深的課程來學習。基礎打下後，對機器學習已經有了充足的瞭解，可以用機器學習來解決一個實際的問題。解決實際問題的時候，可能涉及到上面基礎部分的延伸，相信有了上面的基礎部分，再繼續學習起來就容易很多。通過實戰經驗積累以後，可以考慮繼續進行學習。這時候有兩個選擇，深度學習或者繼續機器學習。深度學習是目前最火熱的機器學習方向，這裡推薦大家選擇TensorFlow框架。它是谷歌公司的開源框架，雖然說並不是最早的，但是無論它背後的技術沉澱，還是它的更新速度都是好的。也在開源的眾多深度學習的框架中遙遙領先。深度學習其中一些方法已經跟傳統的機器學習不太一樣，因此可以單獨學習。除了深度學習以外，機器學習還包括統計學習，集成學習等實用方法。如果條件足夠，可以同時學習兩者，一些規律對兩者是共通的。學習完後，你已經具備了較強的知識儲備，可以進入較難的實戰。這時候有兩個選擇，工業界的可以選擇看開源項目，以改代碼為目的來讀代碼；學術界的可以看特定領域的論文，為解決問題而想發論文。無論哪者，都需要知識過硬，以及較強的編碼能力，因此很能考察和鍛鍊水平。經過這個階段以後，可以說是踏入AI領域的門了。
入門之後也算是值得高興了，但是你離精通其實還有很遠的一段路要走，想要在這個行業長久地活下去，內功的修煉要比外功重要得多，不然會活得很累，也很難獲得一個優秀的晉升空間。入門之後，趕快找一家公司去工作。在工作中會把你學習的知識融會貫通。而且剛步入公司，也會有一些大拿級別的人帶你。這樣的話，對你今後的發展都有很大的幫助。
另外列舉一些面試中經常考的知識點。
線性迴歸數學推導
可用性評估：獲取難度、覆蓋率、準確率
特徵清洗：清洗異常樣本
採樣：數據不均衡、樣本權重
單個特徵：無量綱化(標準化、歸一化)、二值化、離散化、缺失值（均值）、啞編碼（一個定性特徵擴展為N個定量特徵）
數據變換：log、指數、Box-Cox 降維：主成分分析PCA、線性判別分析LDA、SVD分解
特徵選擇：Filter（相關係數、卡方檢驗）、Wrapper（AUC、設計評價函數A*、Embedded（L1-Lasso、L2-Ridge、決策樹、DL）
機器學習算法：LR，GBDT，XGBoost, lightGBM
深度學習基礎：BP算法，dropout, BN等
深度學習算法：CNN,RNN,LSTM,GRU,GAN等
閱讀更多 機器學習與數據挖掘 的文章
