中國人工智能目前只有5萬人，而未來人工智能市場卻缺口高達500萬，現在不入行，還等到什麼時候？
目前中國在IT行業的人才遠遠比歐美國家要少很多，但是中國IT才人需求卻每年都在增加，特別是未來幾年的人工智能方面的人才。
如果你現在是一名程序員，可以開始補習人工智能方面的知識了，為什麼這麼說呢？
第一，程序員要想一直走下去，我們都是吃技術的飯，所以只有不斷學習新技術，只有跟著互聯網發展的方向走，你才不會失業。
第二，人工智能、、Python工程師是目前最需要的才人，在工資方面遠遠比其他技術的程序員高要很多，更重要是中國這方面的人才缺口高達500萬，所以每個人程序員都有機會。
第三，掌握多種技術對程序員本身是一件最好的事情，而且人工智能是互聯網未來發展方向。
如何學習？別急，資料小編已經給你準備好了！下面給大家簡單看一下目錄。
第一部分 基礎篇
第1章 初識機器學習
1.1 引言
1.2 基本術語
1.3 假設空間
1.4 歸納偏好
1.5 發展歷程
1.6 應用現狀
第2章 模型評估與選擇
2.1 經驗誤差與過擬合
2.2 評估方法
2.2.1 留出法
2.2.2 交叉驗證法
2.2.3 自助法
2.2.4 調參與最終模型
2.3 性能度量
2.3.1 錯誤率與精度
2.3.2 查準率、查全率與F1
2.3.3 ROC與AUC
2.3.4 代價敏感錯誤率與代價曲線
2.4 比較檢驗
2.4.1 假設檢驗
2.4.2 交叉驗證t檢驗
2.4.3 McNemar檢驗
2.4.4 Friedman檢驗與後續檢驗
2.5 偏差與方差
第3章 線性模型
3.1 基本形式
3.2 線性迴歸
3.3 對數幾率迴歸
3.4 線性判別分析
3.5 多分類學習
3.6 類別不平衡問題
第4章 決策樹
4.1 基本流程
4.2 劃分選擇
4.2.1 信息增益
4.2.2 增益率
4.2.3 基尼指數
4.3 剪枝處理
4.3.1 預剪枝
4.3.2 後剪枝
4.4 連續與缺失值
4.4.1 連續值處理
4.4.2 缺失值處理
4.5 多變量決策樹
第5章 神經網絡
5.1 神經元模型
5.2 感知機與多層網絡
5.3 誤差逆傳播算法
5.4 全局最小與局部極小
5.5 其他常見神經網絡
5.5.1 RBF網絡
5.5.2 ART網絡
5.5.3 SOM網絡
5.5.4 級聯相關網絡
5.5.5 Elman網絡
5.5.6 Boltzmann機
第6章 支持向量機
6.1 間隔與支持向量
6.2 對偶問題
6.3 核函數
6.4 軟間隔與正則化
6.5 支持向量迴歸
6.6 核方法
第7章 深度學習
7.1 卷積神經網絡CNN基本原理
7.2 開源深度學習框架與常見卷積網絡模型
7.3 循環神經網絡RNN
7.4 生成模型與對抗生成網絡
7.5 Keras基礎（一）
7.6 Keras基礎（二）
7.7 Keras基礎（三）
7.8 Keras基礎（四）
7.9 Keras基礎（五）
7.10 Keras基礎（六）
7.11 Keras（七） - 圖像識別例子分析
7.12 Keras（八） - 時序模型例子分析
7.13 Keras（九） - 自然語言處理例子分析
7.14 Keras（十） - 對抗網絡與生成模型例子分析
7.15 Tensorflow，TFSlim，Tensorlayer基礎（一）
7.16 Tensorflow，TFSlim，Tensorlayer基礎（二）
7.17 Tensorflow，TFSlim，Tensorlayer基礎（三）
7.18 Tensorflow，TFSlim，Tensorlayer基礎（四）
7.19 Tensorflow，TFSlim，Tensorlayer基礎（五）
7.20 Tensorflow，TFSlim，Tensorlayer（六） - 圖像識別例子分析
7.21 Tensorflow，TFSlim，Tensorlayer（六） - 時序模型例子分析
7.22 Tensorflow，TFSlim，Tensorlayer（六） - 自然語言處理例子分析
7.23 Tensorflow，TFSlim，Tensorlayer（六） - 圖像分割例子分析
7.24 Tensorflow，TFSlim，Tensorlayer（六） - 對象檢測例子分析
第8章 貝葉斯分類器
8.1 貝葉斯決策論
8.2 極大似然估計
8.3 樸素貝葉斯分類器
8.4 半樸素貝葉斯分類器
8.5 貝葉斯網
8.5.1 結構
8.5.2 學習
8.5.3 推斷
8.6 EM算法
第9章 集成學習
9.1 個體與集成
9.2 Boosting
9.3 Bagging與隨機森林
9.3.1 Bagging
9.3.2 隨機森林
9.4 結合策略
9.4.1 平均法
9.4.2 投票法
9.4.3 學習法
9.5 多樣性
9.5.1 誤差--分歧分解
9.5.2 多樣性度量
9.5.3 多樣性增強
第10章 聚類
10.1 聚類任務
10.2 性能度量
10.3 距離計算
10.4 原型聚類
10.4.1 k均值算法
10.4.2 學習向量量化
10.4.3 高斯混合聚類
10.5 密度聚類
10.6 層次聚類
第11章 降維與度量學習
11.1 k近鄰學習
11.2 低維嵌入
11.3 主成分分析
11.4 核化線性降維
11.5 流形學習
11.5.1 等度量映射
11.5.2 局部線性嵌入
11.6 度量學習
由於篇幅原因，小編就給大家簡單介紹到這裡，如果你需要這套自學教程的話
轉發+關注並私信小編：“資料”，就可以免費領取學習啦！
分享也是一種美德！感謝
閱讀更多 小小惡魔編 的文章
