导读：我国政府高度重视人工智能的技术进步与产业发展，人工智能已上升国家战略。《新一代人工智能发展规划》提出“到2030年，使中国成为世界主要人工智能创新中心”。自2006年深度学习算法被提出，人工智能技术应用取得突破性发展。2012年以来，数据的爆发式增长为人工智能提供了充分的“养料”，深度学习算法在语音和视觉识别上实现突破，令人工智能产业落地和商业化发展成为可能。人工智能市场前景巨大，预计到2025年人工智能应用市场总值将达1270亿美元。

100G入门进阶AI资源包+论文指导/论文发刊+kaggle带队拿牌+技术问题答疑

关注vx公众号：咕泡AI发送211 领取

咨询【AI交叉学科、SCI、CCF-ABC、期刊、会议、本硕博论文、在职论文指导、 润色发刊】等论文辅导+kaggle带队拿牌+技术问题答疑+公开课直播

---

 第一、学习并掌握数学知识（人工智能必备的基础） 

 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最先要考虑的模型，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。

一、数据分析

1）常数e 2）导数  3）梯度  4）Taylor

5）gini系数 6）信息熵与组合数 7）梯度下降 8）牛顿法

二、概率论

1）微积分与逼近论 2）极限、微分、积分基本概念  3）利用逼近的思想理解微分，利用积分的方式理解概率 4）概率论基础 5）古典模型

6）常见概率分布 7）大数定理和中心极限定理  8）协方差(矩阵)和相关系数  9）最大似然估计和最大后验估计

 三、线性代数及矩阵

1）线性空间及线性变换  2）矩阵的基本概念  3）状态转移矩阵  4）特征向量  5）矩阵的相关乘法

6）矩阵的QR分解  7）对称矩阵、正交矩阵、正定矩阵  8）矩阵的SVD分解  9）矩阵的求导  10）矩阵映射/投影

四、凸优化

1）凸优化基本概念  2）凸集  3）凸函数

4）凸优化问题标准形式  5）凸优化之Lagerange对偶化  6）凸优化之牛顿法、梯度下降法求解

第二、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。机器学习人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。 

一、机器学习

1）机器学习概述 

机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

二、监督学习

1）逻辑回归  2）softmax分类  3）条件随机场  4）支持向量机svm

5）决策树  6）随机森林  7）GBDT  8）集成学习

 三、非监督学习

1）高斯混合模型  2）聚类  3）PCA 4）密度估计

5）LSI  6）LDA  7）双聚类

 四、数据处理与模型调优

1）特征提取 2）数据预处理 3）数据降维

4）模型参数调优 5）模型持久化 6）模型可视化

第三、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最低的。

1、了解行业最新动态和研究成果，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。

2、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。

3、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。

一、容器

1）列表:list 2）元组:tuple 3）字典: dict 4）数组: Array

5）切片 6）列表推导式 7）浅拷贝和深拷贝

 二、函数

1）lambda表达式 2）递归函数及尾递归优化

3）常用内置函数/高阶函数  4）项目案例：约瑟夫环问题

 三、常用库

1）时间库 2）并发库  3）科学计算库（Numpy）

4）Matplotlib可视化绘图库  5）锁和线程 6）多线程编程

数据分析处理库-Pandas、可视化库-Matplotlib、可视化库-Seaborn等学习资料都可找我领取

第四、深度学习

深度学习是一种机器学习的方法，它试图使用包含复杂结构或由多重非线性变换构成的多个处理层(神经网络)对数据进行高层抽象的算法。深度学习可以理解为神经网络的发展，神经网络是对人脑或生物神经网络基本特征进行抽象和建模，可以从外界环境中学习，并以与生物类似的交互方式适应环境。 

具体内容可以阅读小编先前发布的文章深度学习基础知识（人工智能））

第五、自然语言处理

自然语言处理是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言,所以它与语言学的研究有着密切的联系，但又有重要的区别。自然语言处理并不是一般地研究自然语言，而在于研制能有效地实现自然语言通信的计算机系统，特别是其中的软件系统。因而它是计算机科学的一部分。

 1）词（分词，词性标注）代码实战 
2）词（深度学习之词向量，字向量）代码实战 
3）词（深度学习之实体识别和关系抽取）代码实战 
4）词（关键词提取，无用词过滤）代码实战

5）句（句法分析，语义分析）代码实战
6）句（自然语言理解,一阶逻辑）代码实战
7）句（深度学习之文本相似度）代码实战

 第六、图像处理

图像处理（image processing）又称为影像处理，是用计算机对图像进行达到所需结果的技术。应用广泛，多用于测绘学、大气科学、天文学、美图、使图像提高辨识等

图像处理是对图像进行分析、加工、和处理，使其满足视觉、心理以及其他要求的技术。图像处理是信号处理在图像域上的一个应用，目前大多数的图像是以数字形式存储，因而图像处理很多情况下指数字图像处理。
 

 1、位图和矢量图

2、常见的图像文件格式

3、图像像素基本属性：像素深度、分辨率

4、图像的质量：

与清晰度相关的主要因素

• 模糊
• 对比度
• 颜色饱和度
• 亮度
• 图像尺寸大小

5、图像处理基本术语

图像拓扑：常用于二值图像并借助形态学

领域：围绕一个给定像素的周围构成它的领域，4领域 8领域

邻接；通路；连接性；组元

6、数字图像处理的硬件 

7、图像数字化：（时间或者空间）采样、（幅度上）量化 

8、图像的颜色

颜色的形成
颜色的三要素

颜色的三基色原理（加色系统和减色系统)

RGB模型     

CIE模型

---

100G入门进阶AI资源包+论文指导/论文发刊+kaggle带队拿牌+技术问题答疑

关注vx公众号：咕泡AI发送211 领取

资料包：1、超详细AI学习路线

2、OpenCV、Pytorch、YOLO等框架教程

3、AI快速入门视频教程合集（Python基础、数学基础、NLP）附源码课件数据

4、机器学习算法+深度学习神经网络基础教程

5、人工智能必看书籍（花书、西瓜书、蜥蜴书等）

6、上千篇CVPR、ICCV顶会论文

7、研究生及SCI论文攻略及润色资料包

咨询【AI交叉学科、SCI、CCF-ABC、期刊、会议、本硕博论文、在职论文指导、 润色发刊】等论文辅导+kaggle带队拿牌+技术问题答疑+公开课直播