认识达内从这里开始

随着人工智能技术的不断发展，越来越多的程序员都希望通过参加培训或者是自学来掌握相关技术，实现转型发展的梦想。今天，我们就给大家分享了学习人工智能技术的一些学习路线。

1、学习并掌握一些数学知识

高等数学是基础中的基础，一切理工科都需要这个打底，数据挖掘、人工智能、模式识别此类跟数据打交道的又尤其需要多元微积分运算基础

线性代数很重要，一般来说线性模型是你先要考虑的模型，加上很可能要处理多维数据，你需要用线性代数来简洁清晰的描述问题，为分析求解奠定基础

概率论、数理统计、随机过程更是少不了，涉及数据的问题，不确定性几乎是不可避免的，引入随机变量顺理成章，相关理论、方法、模型非常丰富。很多机器学习的算法都是建立在概率论和统计学的基础上的，比如贝叶斯分类器、高斯隐马尔可夫链。

再就是优化理论与算法，除非你的问题是像二元一次方程求根那样有现成的公式，否则你将不得不面对各种看起来无解但是要解的问题，优化将是你的GPS为你指路

有以上这些知识打底，就可以开拔了，针对具体应用再补充相关的知识与理论，比如说一些我觉得有帮助的是数值计算、图论、拓扑，更理论一点的还有实/复分析、测度论，偏工程类一点的还有信号处理、数据结构。

2、掌握经典机器学习理论和算法

如果有时间可以为自己建立一个机器学习的知识图谱，并争取掌握每一个经典的机器学习理论和算法，我简单地总结如下：

1)回归算法：常见的回归算法包括小二乘法(OrdinaryLeastSquare)，逻辑回归(LogisticRegression)，逐步式回归(StepwiseRegression)，多元自适应回归样条(MultivariateAdaptiveRegressionSplines)以及本地散点平滑估计(LocallyEstimatedScatterplotSmoothing);

2)基于实例的算法：常见的算法包括k-NearestNeighbor(KNN),学习矢量量化(LearningVectorQuantization，LVQ)，以及自组织映射算法(Self-OrganizingMap，SOM);

3)基于正则化方法：常见的算法包括：RidgeRegression，LeastAbsoluteShrinkageandSelectionOperator(LASSO)，以及弹性网络(ElasticNet);

4)决策树学习：常见的算法包括：分类及回归树(ClassificationAndRegressionTree，CART)，ID3(IterativeDichotomiser3)，C4.5，Chi-squaredAutomaticInteractionDetection(CHAID),DecisionStump,随机森林(RandomForest)，多元自适应回归样条(MARS)以及梯度推进机(GradientBoostingMachine，GBM);

5)基于贝叶斯方法：常见算法包括：朴素贝叶斯算法，平均单依赖估计(AveragedOne-DependenceEstimators，AODE)，以及BayesianBeliefNetwork(BBN);

6)基于核的算法：常见的算法包括支持向量机(SupportVectorMachine，SVM)，径向基函数(RadialBasisFunction，RBF)，以及线性判别分析(LinearDiscriminateAnalysis，LDA)等;

7)聚类算法：常见的聚类算法包括k-Means算法以及期望大化算法(ExpectationMaximization，EM);

8)基于关联规则学习：常见算法包括Apriori算法和Eclat算法等;

9)人工神经网络：重要的人工神经网络算法包括：感知器神经网络(PerceptronNeuralNetwork),反向传递(BackPropagation)，Hopfield网络，自组织映射(Self-OrganizingMap,SOM)。学习矢量量化(LearningVectorQuantization，LVQ);

10)深度学习：常见的深度学习算法包括：受限波尔兹曼机(RestrictedBoltzmannMachine，RBN)，DeepBeliefNetworks(DBN)，卷积网络(ConvolutionalNetwork),堆栈式自动编码器(StackedAuto-encoders);

11)降低维度的算法：常见的算法包括主成份分析(PrincipleComponentAnalysis，PCA)，偏小二乘回归(PartialLeastSquareRegression，PLS)，Sammon映射，多维尺度(Multi-DimensionalScaling,MDS),投影追踪(ProjectionPursuit)等;

12)集成算法：常见的算法包括：Boosting，BootstrappedAggregation(Bagging)，AdaBoost，堆叠泛化(StackedGeneralization，Blending)，梯度推进机(GradientBoostingMachine,GBM)，随机森林(RandomForest)。

3、掌握一种编程工具，比如Python

一方面Python是脚本语言，简便，拿个记事本就能写，写完拿控制台就能跑;另外，Python非常高效，效率比java、r、matlab高。matlab虽然包也多，但是效率是这四个里面低的。

4、了解行业新动态和研究成果，比如各大牛的经典论文、博客、读书笔记、微博微信等媒体资讯。

5、买一个GPU，找一个开源框架，自己多动手训练深度神经网络，多动手写写代码，多做一些与人工智能相关的项目。

6、选择自己感兴趣或者工作相关的一个领域深入下去

人工智能有很多方向，比如NLP、语音识别、计算机视觉等等，生命有限，必须得选一个方向深入的专研下去，这样才能成为人工智能领域的大牛，有所成就。

【免责声明】本文系本网编辑部分转载，转载目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题，请在30日内与管理员联系，我们会予以更改或删除相关文章，以保证您的权益!