中国人工智能目前只有5万人，而未来人工智能市场却缺口高达500万，现在不入行，还等到什么时候？
目前中国在IT行业的人才远远比欧美国家要少很多，但是中国IT才人需求却每年都在增加，特别是未来几年的人工智能方面的人才。
如果你现在是一名程序员，可以开始补习人工智能方面的知识了，为什么这么说呢？
第一，程序员要想一直走下去，我们都是吃技术的饭，所以只有不断学习新技术，只有跟着互联网发展的方向走，你才不会失业。
第二，人工智能、、Python工程师是目前最需要的才人，在工资方面远远比其他技术的程序员高要很多，更重要是中国这方面的人才缺口高达500万，所以每个人程序员都有机会。
第三，掌握多种技术对程序员本身是一件最好的事情，而且人工智能是互联网未来发展方向。
如何学习？别急，资料小编已经给你准备好了！下面给大家简单看一下目录。
第一部分 基础篇
第1章 初识机器学习
1.1 引言
1.2 基本术语
1.3 假设空间
1.4 归纳偏好
1.5 发展历程
1.6 应用现状
第2章 模型评估与选择
2.1 经验误差与过拟合
2.2 评估方法
2.2.1 留出法
2.2.2 交叉验证法
2.2.3 自助法
2.2.4 调参与最终模型
2.3 性能度量
2.3.1 错误率与精度
2.3.2 查准率、查全率与F1
2.3.3 ROC与AUC
2.3.4 代价敏感错误率与代价曲线
2.4 比较检验
2.4.1 假设检验
2.4.2 交叉验证t检验
2.4.3 McNemar检验
2.4.4 Friedman检验与后续检验
2.5 偏差与方差
第3章 线性模型
3.1 基本形式
3.2 线性回归
3.3 对数几率回归
3.4 线性判别分析
3.5 多分类学习
3.6 类别不平衡问题
第4章 决策树
4.1 基本流程
4.2 划分选择
4.2.1 信息增益
4.2.2 增益率
4.2.3 基尼指数
4.3 剪枝处理
4.3.1 预剪枝
4.3.2 后剪枝
4.4 连续与缺失值
4.4.1 连续值处理
4.4.2 缺失值处理
4.5 多变量决策树
第5章 神经网络
5.1 神经元模型
5.2 感知机与多层网络
5.3 误差逆传播算法
5.4 全局最小与局部极小
5.5 其他常见神经网络
5.5.1 RBF网络
5.5.2 ART网络
5.5.3 SOM网络
5.5.4 级联相关网络
5.5.5 Elman网络
5.5.6 Boltzmann机
第6章 支持向量机
6.1 间隔与支持向量
6.2 对偶问题
6.3 核函数
6.4 软间隔与正则化
6.5 支持向量回归
6.6 核方法
第7章 深度学习
7.1 卷积神经网络CNN基本原理
7.2 开源深度学习框架与常见卷积网络模型
7.3 循环神经网络RNN
7.4 生成模型与对抗生成网络
7.5 Keras基础（一）
7.6 Keras基础（二）
7.7 Keras基础（三）
7.8 Keras基础（四）
7.9 Keras基础（五）
7.10 Keras基础（六）
7.11 Keras（七） - 图像识别例子分析
7.12 Keras（八） - 时序模型例子分析
7.13 Keras（九） - 自然语言处理例子分析
7.14 Keras（十） - 对抗网络与生成模型例子分析
7.15 Tensorflow，TFSlim，Tensorlayer基础（一）
7.16 Tensorflow，TFSlim，Tensorlayer基础（二）
7.17 Tensorflow，TFSlim，Tensorlayer基础（三）
7.18 Tensorflow，TFSlim，Tensorlayer基础（四）
7.19 Tensorflow，TFSlim，Tensorlayer基础（五）
7.20 Tensorflow，TFSlim，Tensorlayer（六） - 图像识别例子分析
7.21 Tensorflow，TFSlim，Tensorlayer（六） - 时序模型例子分析
7.22 Tensorflow，TFSlim，Tensorlayer（六） - 自然语言处理例子分析
7.23 Tensorflow，TFSlim，Tensorlayer（六） - 图像分割例子分析
7.24 Tensorflow，TFSlim，Tensorlayer（六） - 对象检测例子分析
第8章 贝叶斯分类器
8.1 贝叶斯决策论
8.2 极大似然估计
8.3 朴素贝叶斯分类器
8.4 半朴素贝叶斯分类器
8.5 贝叶斯网
8.5.1 结构
8.5.2 学习
8.5.3 推断
8.6 EM算法
第9章 集成学习
9.1 个体与集成
9.2 Boosting
9.3 Bagging与随机森林
9.3.1 Bagging
9.3.2 随机森林
9.4 结合策略
9.4.1 平均法
9.4.2 投票法
9.4.3 学习法
9.5 多样性
9.5.1 误差--分歧分解
9.5.2 多样性度量
9.5.3 多样性增强
第10章 聚类
10.1 聚类任务
10.2 性能度量
10.3 距离计算
10.4 原型聚类
10.4.1 k均值算法
10.4.2 学习向量量化
10.4.3 高斯混合聚类
10.5 密度聚类
10.6 层次聚类
第11章 降维与度量学习
11.1 k近邻学习
11.2 低维嵌入
11.3 主成分分析
11.4 核化线性降维
11.5 流形学习
11.5.1 等度量映射
11.5.2 局部线性嵌入
11.6 度量学习
由于篇幅原因，小编就给大家简单介绍到这里，如果你需要这套自学教程的话
转发+关注并私信小编：“资料”，就可以免费领取学习啦！
分享也是一种美德！感谢