如何自学人工智能

(1)了解一些人工智能的背景知识；

(2)补充数学或编程知识；

(3)熟悉机器学习工具库；

(4)系统学习AI知识；

(5)做一些AI应用；

1了解人工智能背景知识

人工智能中有很多概念，比如机器学习、深度学习、神经网络等等，让初学者觉得人工智能很神秘，很难理解。刚开始学的时候，知道这些名词的大概意思就够了，不用走太远。学了一段时间，自然知道这些概念具体代表什么。

人工智能是一门交叉学科，其中数学和计算机编程是学习人工智能最重要的两个方面。《知云AI专栏》之前的这些文章《了解人工智能》也已经为大家介绍过了。没看过的同学可以去看看。

下图是人工智能学习的大致路线:

2数学或编程的补充知识

对于已经毕业的工程师来说，在系统学习AI之前，一般需要补充一些数学或者编程方面的知识。如果你擅长数学和编程，学人工智能会容易很多。

很多同学一提到数学就害怕，但是学习人工智能可以说数学是绕不过去的。入门阶段不需要太高深的数学，主要是高等数学，线性代数，概率论，也就是说大一大二的数学知识完全够用。如果你想从事机器学习工程师的工作，或者从事人工智能的研究，你应该多学学数学。擅长数学会是你工作的一大优势。

Python在机器学习领域非常流行，可以说是使用最多的编程语言，所以Python编程也是需要掌握的。在众多编程语言中，Python相对来说比较好学好用，学好Python也会受益匪浅。

3熟悉机器学习工具库

现在人们实现人工智能，主要是基于机器学习的一些工具库，比如TensorFlow，PyTorch等等。

推荐你在这里学习PyTorch。PyTorch非常受欢迎，是一个简单易用的机器学习工具库。有人说PyTorch“说不上有多好，但是用起来很舒服”。

当你开始学习人工智能时，你可以运行一个官方网站的例子，比如MNIST手写识别。这样会对人工智能有个感性的认识，消除最初的陌生感。然后你可以看看里面的代码，你会发现神经网络的程序并不复杂，但是有很多关于神经网络的原理和训练的问题。这是好事，因为带着问题学习会更有效果。

4系统学习人工智能

这里的人工智能主要是指机器学习，因为目前人工智能主要是通过机器学习来实现的。

机器学习知识主要有三部分:

(1)传统的机器学习算法，如决策树、随机森林、SVM，称为传统的机器学习算法，是相对于深度学习而言的。

(2)深度学习是指深度神经网络，可以说是目前最重要、最核心的人工智能知识。

(3)强化学习，起源于控制论，有时被翻译成强化学习。深度学习可以与强化学习相结合，形成深度强化学习。

这里需要知道的是，深度学习并不难学。对于一些工科研究生来说，通常只需要几个星期就可以入门，训练一些实用的神经网络。但是深度学习要有深度理解并不容易，一般需要几个月的时间。

传统的机器学习算法有很多种，有些算法有很多数学公式，比如SVM。这些算法不好学，可以先学习深度学习，然后慢慢补充这些传统算法。

强化学习的难度更大，一般要持续学习两三个月才能理解。

5动手做一些人工智能应用

经过几周的深度学习，可以尝试做一些AI应用，比如图像识别、风格转移、文本诗歌生成等等。边练边学会好很多，你会逐渐加深对神经网络的理解。