最近有個腦筋急轉彎，很有意思。
問：移動支付時代，口香糖的銷量為什麼急速下滑？
答案：從前購物用現金支付，大家結賬時為了湊整，總愛順手拿只口香糖。口香糖價格便宜，也挺實用，所以常常擺在收銀臺上。
如今，移動支付橫掃大城小鎮。手機一掃，能精確到分分角角，沒人再順手拿口香糖了。
像是方便麵產業想不到最後是被外賣行業擺了一道。
又像是那個用石頭填水的烏鴉，可能也沒有想到，最後幹掉自己的竟是一隻銜著吸管的烏鴉。
索尼被諾基亞幹掉了；
口香糖的對手是移動支付；
大潤發被阿里巴巴收購；
美團喊出“滅餓除滴”的口號（“餓了麼”、“滴滴”）。
愈是接近未來，敵人愈是無孔不入、愈是無處不在。
“鐵飯碗”工作不復存在，最大的保障別無其他，只是身懷一技。
如今，有了巨量信息與雲計算的加持，AI正以前所未有的速度成長著，推動每一個行業的變革。
因此近乎所有的事物都正在坍塌中重構。
對於“穿鞋的人”來說，重構意味著危機。
對於“光腳的人”來說，重構意味著機會。
但無論是光腳還是穿鞋，我們都是要麼守著舊業，被淹死在浪潮裡。
要麼保持敏感的警覺性，站在潮流中。
有人說2017年是AI的元年，有人說2018年是AI的元年。
而2019年，伴隨著5G時代的來臨，有人說AI的元年或會於今年正式開啟。
正在讀著這句話的你，認為何時人類會真正迎來AI的元年呢？
或許，我們都不知道一個準確的答案，但可以確定的是——我們每個人比以往任何的歷史時刻中，都更接近人工智能。
根據美國市場情報公司Tractica公佈的一些數據，我們可以推斷，在接下來的至少10年中，AI都將依然持續成為一大熱門領域。
據美國市場情報公司Tractica預測的數據，相較2018年，至2025年，AI市場總值會增長近15倍
近兩年的概念炒作期，使得AI人工智能這個概念到了近乎無一人不曉的地步。
可能眾人對AI的火爆已經當做了一種常態，以至於很多人在聽到AI與自己本職工作的對抗與協作時，內心也都激不起任何波瀾。
但新時代的更迭，卻不會被個體內心消極的感受所阻礙。
- 2015年07月04日國務院發佈《國務院關於積極推進“互聯網+”行動的指導意見》
- 2016年11月29日國務院發佈《“十三五”國家戰略性新興產業發展規劃》中關於人工智能的部分。
- 2017年7月20日，國務院發佈《新一代人工智能發展規劃》，正式開啟國內人工智能的新篇章。相關政策進入全面爆發期。人工智能人才需求也達到井噴期，真正供不應求。
而剛過去的2018年的11月底，在深圳召開的第二十屆中國國際高新技術成果交易會人才與智力交流會上，相關記者又瞭解到：
- 0年經驗AI工程師年薪30萬起，算法工程師等年薪40萬+。
- 普遍從業者年薪30萬起的情況下，AI應屆生的薪水較之往年，上漲了10%~20%以上或者更多；
- 博士生的薪水則從2017年的 50 萬元直接猛漲到 80 萬元；
- 一些準備佈局 AI 領域的新銳企業，則更是做好了高價從互聯網巨頭處搶奪人才的準備。
可想而知，在國家項目、互聯網、金融等100多種熱門行業中，新興產業人才需求之旺盛，已然成為每個人打破階層，進軍大公司及國企的好機會。
（我國人工智能產業規模及年增長率）
（我國人工智能企業投融資金額總量）
和菜頭說：“順著大浪遊泳，怎麼都能遊得更快一點”。
如何學習？別急，資料檸檬已經給你準備好了！下面檸檬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，檸檬就給大家簡單介紹到這裡，如果你需要這套自學教程的話，
老規矩：轉發+關注並私信檸檬：“資料”，就可以免費領取學習啦！
閱讀更多 雯雯編程 的文章
