人工智能学习知识点分享

人工智能成为了 IT 行业未来几十年极其重要的学科。

1. 机器学习

首先要学习机器学习算法，这是人工智能的核心，也是重中之重。

在学习机器学习算法理论同时，建议大家使用scikit-learn 这个python 机器学习的库，

试着完成一些小项目。同时关注一下能否各种算法结合使用来提高*结果准确率。在学习 的过程中不必强求自己能够完全掌握各种算法推导，抓住重点理解算法，然后把算法用起来 才是王道。

掌握一种编程工具，比如说 PyCharm 或者 Jupyter Notebook，当然工具掌握不难，大约只需要 30 分钟。

建议大家不要盲目的去看各种市面上的书籍和博客，有的对于大家来说过于理论，推导 太多还有些跳步显得过于深奥，有的又太浮于表面了不涉及算法原理细节，建议选择详细的内容作为学习材料，**有算法的理解，算法的推导，算法的应用，非常适合大学生和入门学习的人使用，从一开始就即有算法的逐步深入，又有算法的实战。给自己成为一个数 据挖掘工程师，算法工程师打好基础。

上面提到的机器学习算法譬如有监督学习回归算法中多元线性回归，Lasso 回归，岭回归。分类算法中逻辑回归，支持向量机，决策树，随机森林，GBDT，Adaboost，XGBOOST。无监督学习聚类算法中 K 均值聚类，密度聚类，谱聚类。降维算法中 PCA 降维，FM 因式分解，SVD 奇异值分解。推荐算法中协调过滤，ALS 交替最小二乘。还有机器学习里面的大招多层感知机，神经网络。关联分析的算法 Apriori，FP-Growth。最后研究朴素贝叶斯，贝叶斯网络，隐含马尔科夫模型，条件随机场。

对于人工智能专业不了解的同学，建议大家学习一下预科阶段，对于整个行业，技术体 系，就业方向，未来职业发展都会有个基本的认识和了解。

2. 深度学习

深度学习是当今非常热门的一个领域，是机器学习算法神经网络的延申，是把机器学习 的拟人更加发扬光大的领域。深度学习工程师也是各大公司需要的人才。

学习深度学习可以从 Google 开源的 tensorflow 框架开始学习如何完成 DNN（深度神经网络）的构建以及应用。然后还是使用 tensorflow 框架来学习如何完成 CNN（卷积神经网络）的构建以及应用。最后来使用 tensorflow 框架来学习如何完成 RNN（循环神经网络）的构建以及应用。

学习建议：大家在学习过程中可以试着利用构建的 DNN 来完成机器学习算法做的分类和回归的案例，对比看看结果是否有提升， 从而体会深度学习的奥妙。也可以利用 CNN 来完成一些图像识别任务，和利用 RNN 来完成一些 NLP（自然语言处理）任务。CNN 和RNN 不仅限于这两个领域，但是目前来看它们在这两个领域各有优势。

Tensorflow 框架是深度学习框架*，但不是**，Keras 框架也是一个非常优秀的框架，大家有兴趣也可继续学习 Keras 框架。代码量会比 TensorFlow 更少一些，更适合去做一些实验。

3. Python 数据分析模块
Python 当今作为数据科学的**语言，熟练掌握 numpy、scipy、pandas、matplotlib 等数据分析的模块不光是作为数据分析师*须的，也是作为人工智能工程师所*须的， 如果大家认为自己的 python 语言掌握的不够熟练，可以从学习这些基础的模块开始，来锻炼自己。因为 scikit-learn 机器学习算法库是基于 numpy、scipy、matplotlib 开发的，所以大家掌握好了这些基础库，对于分析别人封装的算法源代码，甚至日后自己开发一些算法也 有了可能性。 学习建议：在学习这些数据分析模块的同时，可以补补 python 语言的基础语法，重复一遍基础语法即可，不要跑偏到 python 其他比如什么 web 开发，爬虫等领域里面去。Python培训哪里好

4. Spark MLlib 机器学习库
如果说当今有什么是算法工程师的加分项，那么分布式计算框架 Spark 中算法库MLlib 就是一个，如果想掌握 Spark MLlib

首先需要会使用 spark 计算框架， 建议大家还是使用 python 语言** pyspark 来学习，在掌握了前面的机器学习部分后，这里再来学习里面的算法使用将变得异常容易。

学习建议：大家要抓住重点， 千万不要钻到集群搭建里面，甚至是大数据各种框架里面，因为对于我们来说，spark 计算框架只是一个工具，帮助我们来更好的做数据预处理，和帮助我们将算法使用分布式集群来完成海量数据场景下结果的计算。在公司里面，有运维的人员管理集 群，在一些大公司，有专门给算法工程师配备数据预处理的工程师。

5. 做一个人工智能项目
学了这么多，也做了一些小项目，最后一定要做一些个大项目整合一下自己的知识。做一些个人工智能领域的譬如医疗图像识别、人脸识别、自动聊天机器人、推荐系统、用户画 像等的大项目才是企业很需要的经验。可以将理论结合实际的运用也是成为高手的必经之路， 也是在企业工作所需要的能力。

6. 数学

数学是一个误区，很多人说自己的数学不够好，是不是做不了算法工程师？面对这样的问题，公司里面的算法工程师谁又敢说自己的数学真的好？数学是在学习机器学习阶段算法推导用的到的，但是这里的推导你又不需要非要一步步扣数学计算过程，举个例子，2+2=4， 那么数据基础是 1+1=2，但是咱们需要证明 1+1=2 吗？不需要，对吧，所以在机器学习阶段算法推导这里更重要的还是理解算法证明的思想，能够把讲的算法推导理清楚足够了，而这在讲的过程中如何有好的引导，又何须非自己没头绪的补数学然后走那个弯路呢？

学习建议：很多数学符号只是一种表达而已，在学习过程中稍微补一下即可，不需要花大量时间前期准备数学知识，最重要的是，企业中人工智能工程师没人天天抱着数学公式推 导。所以同学们在大学期间数学学的不错的同学恭喜你，你在机器学习算法学习时会稍微轻 松一些，相反，在大学期间数学学的不行的同学也恭喜你，因为数学不是决定能否成为一个 企业所需算法工程师的鸿沟！