Andrew Ng 的」機器學習「在線課程是一個很好的開始~

當前人工智慧正受到越來越多的關注，隨著「新基建計劃」把人工智慧作為一個重點發展內容，人工智慧領域也將獲得更多的資源支撐，所以當前不論是學生還是職場人，學習人工智慧都是不錯的選擇。當前人工智慧正處在發展的初期，當前積極擁抱人工智慧也會有更多的機會來獲取人工智慧前期的發展紅利。

長期以來，人工智慧領域的人才培養一直以研究生教育為主，一方面原因是人工智慧是一個典型的交叉學科，涉及到數學、控制學、計算機、神經學、語言學等諸多學科，另一方面原因是人工智慧技術體系尚不成熟，有大量的研究課題需要攻克。目前隨著人工智慧領域的技術體系逐漸被建立起來，不少高校在本科階段也連續開設了人工智慧專業，相信未來會有更多的高校，包括普通本科高校也會開設人工智慧專業。

隨著人工智慧平臺開始逐漸落地應用，人工智慧領域對於人才的需要也將逐漸多元化，將逐漸從研髮型（創新型）人才嚮應用型和技能型人才覆蓋，這就會在很大程度上促使更多人開始學習人工智慧技術。未來學習人工智慧技術的渠道也會越來越多，普通人也完全可以通過自學的方式來學習基本的人工智慧技術。

對於普通人來說，學習人工智慧技術可以先從編程語言開始學起，比如從Python開始學起就是不錯的選擇。Python語言目前在人工智慧領域有非常廣泛的應用，不論是計算機視覺領域，還是自然語言處理領域和機器人領域，Python語言都是非常重要的工具之一。

學習Python語言完全可以自學，即使沒有任何編程基礎的人，也可以通過自學來掌握，但是在學習資料的選擇上，普通人要盡量選擇知識量適中的書籍，盡量不要在學習的初期就選擇那種知識量非常大（非常厚）的書籍，這些書籍並不適合基礎比較薄弱的初學者，普通人在沒有專業人士的指導下，也很難理解其中的一些專業講解。對於基礎比較薄弱的初學者來說，可以重點關注一下這本書：

我從事互聯網行業多年，目前也在帶計算機專業的研究生，主要的研究方向集中在大數據和人工智慧領域，我會陸續寫一些關於互聯網技術方面的文章，感興趣的朋友可以關注我，相信一定會有所收穫。

如果有互聯網、大數據、人工智慧等方面的問題，或者是考研方面的問題，都可以在評論區留言，或者私信我！

人工智慧」一詞最初是在1956 年Dartmouth學會上提出的。從那以後，研究者們發展了眾多理論和原理，人工智慧的概念也隨之擴展。人工智慧（Artificial Intelligence），英文縮寫為AI。它是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。人工智慧是計算機科學的一個分支，它企圖瞭解智能的實質，並生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。人工智慧從誕生以來，理論和技術日益成熟，應用領域也不斷擴大，可以設想，未來人工智慧帶來的科技產品，將會是人類智慧的「容器」。

人工智慧不像其他編程一樣，需要一種特定的計算機語言去開發它。人工智慧這塊領域包含了很多計算機這方面的技術。且聽我一一道來。

很多人知道，不管學習哪種編程，你的數學知識一定要好，而搞演算法的那一羣工程師數學水平則更是要猶有過之。

階段一-高等數學

人工智慧的基礎，其中高等數學是必需必會的。而高等數學則包括數據分析、概率論、線性代數及矩陣、凸優化等。良好的數學基礎，也是有利於以後同學們在後續的課程中更好的理解機器學習和深度學習的內容。同時對於AI研究尤為重要，例如人工智慧中的智能很大一部分依託「概率論」實現的。

階段二-python的高級應用

需要對python的高級應用。python語言在人工智慧上有著不可或缺的地位。機器學習則是非常的複雜龐大，通常會涉及組裝工作流和管道、設置數據源及內部和雲部署之間的分流。而python則能更好地對其中的數據管道進行處理。使得我們能在學習機器學習的時候更加的輕鬆。

階段三-機器學習

開始進行機器學習。而機器學習中則涉及到很多複雜的演算法，通過演算法對數據進行分析和進行學習。然後對現實的情況作出判斷並對其進行回應。比如說語音識別，從外部用戶身上獲取語音數據，然後進行演算法分析，最後識別為文字顯示在你的設備上。

階段四-數據挖掘

進行數據挖掘對數據進行收集分析。顧名思義，數據挖掘就是對數據進行挖掘，通過演算法對數據進行收集然後分析，模擬人的原始學習形態。而數據挖掘涉及到了很多的知識，比如資料庫技術、機器學習、統計學、數據倉庫技術等。

階段五-深度學習

深度學習。深度學習則是機器學習的一個分支，是實現機器學習的技術，同時深度學習也給機器學習帶來了很多實際的應用。從TensorFlow、BP神經網路、深度學習概述、CNN卷積神經網路、遞歸神經網、自動編碼機，序列到序列網路、生成對抗網路，孿生網路，小樣本學習技術等方面講解深度學習相關演算法。

階段六-自然語言

自然語言的處理。自然語言的處理一直是計算機科學和人工智慧領域一個重要的方向。自然語言就是如漢語、英語這樣的語言。這類語言一直是我們人類的獨有的特權。而這階段的自然語言處理就是讓機器能聽懂並能處理自然語言。

階段七-圖像處理

圖片處理就是計算機通過獲取圖像並對圖像進行去除雜訊、增強、復原、分割、提取特徵等處理的方法和技術。已經廣泛地應用到各個領域。

收尾

而學習人工智慧或者任何其他的東西，不是一朝一夕能學成的。只是幫你們梳理梳理思路，不至於讓你們走岔路。而真正想要學精通，推薦千鋒好程序員線下學習大數據人工智慧，也需要你們自身的不懈努力和堅持。

去找一些課程啦，但是千萬別去報班，報班的那些賊坑人，垃圾點的會坑你好幾萬

想要進入人工智慧領域方向是好的，現在ai都寫進教科書了，還不搞ai，你什麼時候再搞！

反正這種東西，林林總總就是那麼回事兒，一個風口出現，總是會把一大堆豬吹起來，然後跟著走的喫瓜羣眾也能嘗點甜頭，但是基本上你能夠瞭解到的都是營銷號吹給你看的，更深層次的東西，就需要你自己去研究了

多看書，多動手，多實踐，多上github，要想提高自己的水平，一定要學會沉下心來慢慢學習，不要被那些高工資什麼的帶偏了

報什麼班啊，報班沒用的，他們那些培訓機構也都是為了賺你的錢

想學的話，我這裡有一些資料，我也學了一段時間人工智慧，積累了一些資料，應該能對你有一些幫助

---

不要報班，自己學就ok，那些東西本來就不是一兩天能學會的，還不如自己多打一些基礎，基礎打牢了，之後慢慢自己寫一些demo，慢慢的找一些這些公司，看看他們的招聘要求，僅僅靠你自己往那裡學，進步很慢的，進步最快的方式就是動手，沒有之一

我也在學這方面的東西，現在在一線互聯網公司當代碼狗，一直在打基礎，平時也研究一些大佬寫的演算法，慢慢積累吧，學習本來就是個緩慢的過程

我也積累了不少資料，有需要的參考下圖找我來拿

from PIL import Image, ImageDraw, ImageFont

class Image_unread_message:

def open(self,path):

self.im=Image.open(path)

return True

def __init__(self):

self.fnt=None

self.im=None

def setFont(self,font_path,size):

self.fnt=ImageFont.truetype(font_path,size)

return True

def draw_text(self,position,str,colour,fnt):

draw=ImageDraw.Draw(http://self.im)

draw.text(position,str,fill=colour,font=fnt)

self.im.show()

self.im.save(str+num+.jpg)

return True

test=Image_unread_message()

test.open(1.png)

test.setFont(ahronbd.ttf,80)

test.draw_text((200,-20),4,(255,0,0),test.fnt)

---

人工智慧學習，零基礎的話還是要下功夫的，

如今市面上有很多人工智慧培訓班，都是紙上談兵，學不到真正人工智慧技術

建議你到企業中去實習學習

我就知道幾家比較大的人工智慧企業有人才培養：

百度和東軟合作的人才培養，還有交大和深蘭科技合作的人才培養（好像叫交大人工智慧中心，具體可以搜一下）、寒武紀、漢王都有相關的人才培養，請參考

如果是教室裏培訓的那種就不建議你去了

---

推薦閱讀：