此文是想要進入人工智能這個領域、但不知道從哪里開始的初學者最佳的學習資源列表。

第一、數(shù)學。

數(shù)學基礎必須扎實。以下是你開始學習AI需要了解的非?；镜臄?shù)學概念：

微積分

線性代數(shù)

概率統(tǒng)計：是應用在機器學習領域里最重要的數(shù)序分支。應用比如：條件概率、相關系數(shù)、最大似然、大數(shù)定律、馬爾可夫鏈等等。

矩陣論：數(shù)字圖像本身就是以矩陣的形式呈現(xiàn)的，多個向量組成的樣本也是矩陣這種形式非常常見，大多機器學習算法里每個樣本都是以向量的形式存在的，多個矩陣疊加則是以張量(tensor)的形式存在google深度學習庫tensorflow的字面意思之一。具體應用，比如：世界坐標系->相機坐標系->圖像坐標系之間的轉(zhuǎn)換，特征值、特征向量，范數(shù)等。

凸優(yōu)化：這個需要單獨拎出來說一下。因為太多問題（尤其機器學習領域）都是優(yōu)化問題（求最優(yōu)），凸優(yōu)化是里面最簡單的形式，所以大家都在想辦法怎么把一般的優(yōu)化問題轉(zhuǎn)化為凸優(yōu)化問題。至于單純的凸優(yōu)化理論，好像已經(jīng)比較成熟了。在機器學習里，經(jīng)常會看到什么求對偶問題、KKT條件等，潛下心花兩天學一學。

建議備一份高校關于凸優(yōu)化的教學課件，大家對這一塊畢竟比較生，缺乏系統(tǒng)感。比如北大的《凸優(yōu)化》課程。

第二、計算機基礎知識。

要掌握AI，你要熟悉計算機科學和編程。

編程語言：python（python基礎教程、廖雪峰python教程、python核心編程）

數(shù)據(jù)分析：sql、python中numpy、pandas等（利用python進行數(shù)據(jù)分析）

數(shù)據(jù)結構和算法：算法第4版、算法導論

要更深入地了解計算機編程的本質(zhì) – 看這個經(jīng)典的 MIT course （MIT課程）。這是一門關于lisp和計算機科學的基礎的課程，基于 CS -結構和計算機程序的解釋中最有影響力的書之一。

python基礎一定要扎實，會C++更好

第三、機器學習

有關機器學習領域的最佳介紹，請觀看Coursera的Andrew Ng機器學習課程。 它解釋了基本概念，并讓你很好地理解最重要的算法。建議多看幾遍。

• 有關ML算法的簡要概述，查看這個TutsPlus課程“Machine Learning Distilled”。

• “machine learning in action”這本書是一個很好的資源，可以學習ML 算法在Python中的實際實現(xiàn)。 它需要你通過許多實踐項目，涵蓋所有必要的基礎。

這些不錯的資源你可能也感興趣:

1. 統(tǒng)計機器學習，李航（必看）

2. 機器學習，周志華（必看）

3. Pattern Recognition and Machine Learning（建議看）

第四、深度學習

關于深度學習的最佳介紹，我遇到最好的是 Deep Learning With Python。它不會深入到困難的數(shù)學，也沒有一個超長列表的先決條件，而是描述了一個簡單的方法開始DL，解釋如何快速開始構建并學習實踐上的一切。它解釋了最先進的工具（Keras，TensorFlow），并帶你通過幾個實際項目，解釋如何在所有最好的DL應用程序中實現(xiàn)最先進的結果。在Google上也有一個great introductory DL course，還有Sephen Welch的great explanation of neural networks。之后，為了更深入地了解，這里還有一些有趣的資源：

1.Geoffrey Hinton 的coursera 課程“Neural Networks for Machine Learning”。這門課程會帶你了解 ANN 的經(jīng)典問題——MNIST 字符識別的過程，并將深入解釋一切。

2.Tensorflow實戰(zhàn)和Tensorflow:實戰(zhàn)Google深度學習框架兩本書（選一本必看）

3.MIT Deep Learning（深度學習）一書。

4.Michael Nielsen 的 Neural Networks and Deep Learning（神經(jīng)網(wǎng)絡和深度學習）一書

5.Simon O. Haykin 的Neural Networks and Learning Machines （神經(jīng)網(wǎng)絡和機器學習）一書

第五、人工智能

“Artificial Intelligence: A Modern Approach (AIMA)” （人工智能：現(xiàn)代方法） 是關于“守舊派” AI最好的一本書籍。這本書總體概述了人工智能領域，并解釋了你需要了解的所有基本概念。如果你對人工智能感興趣，你可能很想知道人的大腦是怎么工作的，下面的幾本書會通過直觀有趣的方式來解釋最好的現(xiàn)代理論。

1. Jeff Hawkins 的 On Intelligence（有聲讀物）

2. G?del, Escher, Bach

其他資源：

1. Ray Kurzweil的 How to Create a Mind （如何創(chuàng)建一個頭腦Ray Kurzweil） (有聲讀物).

2. Principles of Neural Science （神經(jīng)科學原理）是我能找到的最好的書，深入NS。

第六、其他資源

1. github。尋找適合你的開源項目。
   

2. kaggle、天池等?大數(shù)據(jù)比賽

3. hadoop、scala等大數(shù)據(jù)工具（官方文檔）

4. 結構之法、算法之道系列博客

最后-------------------選好方向

大數(shù)據(jù)AI方向有很多，選擇感興趣的方向深入研究即可，列舉一些學習資源如下：

自然語言處理：

(1) 統(tǒng)計自然語言處理（第2版）宗成慶 著

(2) 語音與語言處理（英文版 第2版）Daniel Jurafsky, James H. Martin 著

(3) 計算語言學（修訂 版）劉穎 著

(4) 自然語言處理簡明教程 馮志偉 著

(5) 自然語言處理的形式模型 馮志偉 著

(6) Natural Language processing with Python 很實用

(7) 本體方法及其應用 甘健侯 等 著

(8) 本體與詞匯庫（英文影印版）典居仁（Chu-Ren Huang）等 編

另外超星學術視頻 (網(wǎng)絡上可以找到資源)：

(9)自然語言理解 宗成慶(中科院)

(10) Stanford 的 NLP 課程（Youtube）

Dan Jurafsky & Chris Manning: Natural Language Processing

(11) Michael Collins 的Coursera課程 和 主頁

Michael Collins：Natural Language Processing

計算機視覺：

(1) 數(shù)字圖像處理，岡薩雷斯，阮秋琦（譯）

(2) opencv基礎篇，于仕琦，劉瑞禎

(3) Learning OpenCV computer vision with the opencv library, Gary Bradski, Adrian Kaebler, O'REILLY

(4) 模式識別，邊肇琪

(5) 模式分類，Richard O. Duda, 機械工業(yè)出版社

(6) Computer Vision: Algorithms and Applications， Richard szeliski

等等。。。