初学者如何从零学习人工智能？看完你就懂了

刺骨的言语ヽ痛彻心扉 2022-05-31 02:25 211阅读 0赞

此文是想要进入人工智能这个领域、但不知道从哪里开始的初学者最佳的学习资源列表。

## 一、机器学习 ##

有关机器学习领域的最佳介绍，请观看Coursera的[Andrew Ng机器学习课程][Andrew Ng]。 它解释了基本概念，并让你很好地理解最重要的算法。

*  有关ML算法的简要概述，查看这个TutsPlus课程“[Machine Learning Distilled][]”。
 *  “[Programming Collective Intelligence][]”这本书是一个很好的资源，可以学习ML 算法在Python中的实际实现。 它需要你通过许多实践项目，涵盖所有必要的基础。

这些不错的资源你可能也感兴趣:

1.  Perer Norvig 的[Udacity Course on ML][]（ML Udacity 课程）
2.  Tom Mitchell 在卡梅隆大学教授的 [Another course on ML][]（另一门ML课程）
3.  YouTube上的机器学习教程 [mathematicalmonk][]

## 二、深度学习 ##

关于深度学习的最佳介绍，我遇到最好的是 [Deep Learning With Python][]。它不会深入到困难的数学，也没有一个超长列表的先决条件，而是描述了一个简单的方法开始DL，解释如何快速开始构建并学习实践上的一切。它解释了最先进的工具（Keras，TensorFlow），并带你通过几个实际项目，解释如何在所有最好的DL应用程序中实现最先进的结果。

在Google上也有一个[great introductory DL course][]，还有Sephen Welch的[great explanation of neural networks][]。

之后，为了更深入地了解，这里还有一些有趣的资源：

1.  Geoffrey Hinton 的coursera 课程“[Neural Networks for Machine Learning][][”][Neural Networks for Machine Learning]。这门课程会带你了解 ANN 的经典问题——MNIST 字符识别的过程，并将深入解释一切。
2.  MIT [Deep Learning][]（深度学习）一书。
3.  [UFLDL tutorial by Stanford][] （斯坦福的 UFLDL 教程）
4.  [deeplearning.net教程 ][deeplearning.net]
5.  Michael Nielsen 的 [Neural Networks and Deep Learning][]（神经网络和深度学习）一书
6.  Simon O. Haykin 的[Neural Networks and Learning Machines][] （神经网络和机器学习）一书

## 三、人工智能 ##

“[Artificial Intelligence: A Modern Approach (AIMA)][Artificial Intelligence_ A Modern Approach _AIMA]” （人工智能：现代方法） 是关于“守旧派” AI最好的一本书籍。这本书总体概述了人工智能领域，并解释了你需要了解的所有基本概念。

来自加州大学伯克利分校的 [Artificial Intelligence course][]（人工智能课程）是一系列优秀的视频讲座，通过一种非常有趣的实践项目（训练AI玩Pacman游戏 ）来解释基本知识。我推荐在视频的同时可以一起阅读AIMA，因为它是基于这本书，并从不同的角度解释了很多类似的概念，使他们更容易理解。它的讲解相对较深，对初学者来说是非常不错的资源。

### 大脑如何工作 ###

如果你对人工智能感兴趣，你可能很想知道人的大脑是怎么工作的，下面的几本书会通过直观有趣的方式来解释最好的现代理论。

1.  Jeff Hawkins 的 [On Intelligence][]（[有声读物][Link 1]）
2.  [Gödel, Escher, Bach][G_del_ Escher_ Bach]

我建议通过这两本书入门，它们能很好地向你解释大脑工作的一般理论。

### 其他资源： ###

1.  Ray Kurzweil的 [How to Create a Mind][] （如何创建一个头脑Ray Kurzweil） ([有声读物][Link 2]).
2.  [Principles of Neural Science][] （神经科学原理）是我能找到的最好的书，深入NS。 它谈论的是核心科学，神经解剖等。 非常有趣，但也很长 – 我还在读它。

## 四、数学 ##

以下是你开始学习AI需要了解的非常基本的数学概念：

### 微积分学 ###

1.  [Khan Academy Calculus videos][]（可汗学院微积分视频）
2.  MIT lectures on [Multivariable Calculus][]（MIT关于多变量微积分的讲座）

### 线性代数 ###

1.  [Khan Academy Linear Algebra videos][]（可汗学院线性代数视频）
2.  [MIT linear algebra videos][] by Gilbert Strang（Gilbert Strang的MIT线性代数视频）
3.  [Coding the Matrix][] （编码矩阵） – 布朗大学线程代数CS课程

### 概率和统计 ###

1.  可汗学院 [Probability][]（概率）与 [Statistics][]（统计）视频
2.  [edx probability course][] （edx概率课程）

## 五、计算机科学 ##

要掌握AI，你要熟悉计算机科学和编程。

如果你刚刚开始，我建议阅读 [Dive Into Python 3][] （深入Python 3）这本书，你在Python编程中所需要的大部分知识都会提到。

要更深入地了解计算机编程的本质 – 看这个经典的 [MIT course][] （MIT课程）。这是一门关于lisp和计算机科学的基础的课程，基于 [CS][] -结构和计算机程序的解释中最有影响力的书之一。

## 六、其他资源 ##

1.  [Metacademy][]  – 是你知识的“包管理器”。 你可以使用这个伟大的工具来了解你需要学习不同的ML主题的所有先决条件。
2.  [kaggle][]  – 机器学习平台

[Andrew Ng]: https://www.coursera.org/course/ml
[Machine Learning Distilled]: http://code.tutsplus.com/courses/machine-learning-distilled
[Programming Collective Intelligence]: http://www.amazon.com/Programming-Collective-Intelligence-Building-Applications/dp/0596529325
[Udacity Course on ML]: https://www.udacity.com/course/cs271
[Another course on ML]: http://www.cs.cmu.edu/~tom/10701_sp11/lectures.shtml
[mathematicalmonk]: http://www.youtube.com/playlist?list=PLD0F06AA0D2E8FFBA
[Deep Learning With Python]: https://machinelearningmastery.com/deep-learning-with-python/
[great introductory DL course]: https://www.youtube.com/playlist?list=PLOU2XLYxmsIIuiBfYad6rFYQU_jL2ryal
[great explanation of neural networks]: http://lumiverse.io/series/neural-networks-demystified
[Neural Networks for Machine Learning]: https://www.coursera.org/learn/neural-networks
[Deep Learning]: http://www.iro.umontreal.ca/~bengioy/dlbook/
[UFLDL tutorial by Stanford]: http://deeplearning.stanford.edu/wiki/index.php/UFLDL_Tutorial
[deeplearning.net]: http://deeplearning.net/tutorial/
[Neural Networks and Deep Learning]: http://neuralnetworksanddeeplearning.com/
[Neural Networks and Learning Machines]: https://www.amazon.com/Neural-Networks-Learning-Machines-Edition/dp/0131471392
[Artificial Intelligence_ A Modern Approach _AIMA]: http://www.amazon.com/Artificial-Intelligence-Modern-Approach-Edition/dp/0136042597
[Artificial Intelligence course]: https://www.youtube.com/channel/UCshmLD2MsyqAKBx8ctivb5Q/videos
[On Intelligence]: https://www.amazon.com/On-Intelligence-Jeff-Hawkins/dp/0805078533
[Link 1]: http://www.audible.com/pd/Science-Technology/On-Intelligence-Audiobook/B002V8LKTE/ref=a_search_c4_1_1_srTtl?qid=1469789110&sr=1-1
[G_del_ Escher_ Bach]: https://www.amazon.com/G%C3%B6del-Escher-Bach-Eternal-Golden/dp/0465026567
[How to Create a Mind]: http://www.amazon.com/How-Create-Mind-Thought-Revealed/dp/0143124048/
[Link 2]: http://www.audible.com/pd/Science-Technology/How-to-Create-a-Mind-Audiobook/B009S7OKJS/ref=a_search_c4_1_1_srTtl?qid=1469788482&sr=1-1
[Principles of Neural Science]: http://www.amazon.com/Principles-Neural-Science-Fifth-Kandel/dp/0071390111/ref=sr_1_1?ie=UTF8&qid=1469789160&sr=8-1&keywords=principles+of+neural+science
[Khan Academy Calculus videos]: http://www.youtube.com/playlist?list=PL19E79A0638C8D449
[Multivariable Calculus]: http://ocw.mit.edu/courses/mathematics/18-02sc-multivariable-calculus-fall-2010/index.htm
[Khan Academy Linear Algebra videos]: http://www.youtube.com/playlist?list=PLFD0EB975BA0CC1E0
[MIT linear algebra videos]: http://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/video-lectures/
[Coding the Matrix]: https://cs.brown.edu/video/channels/coding-matrix-fall-2014/?page=2
[Probability]: http://www.youtube.com/playlist?list=PLC58778F28211FA19
[Statistics]: http://www.youtube.com/playlist?list=PL1328115D3D8A2566
[edx probability course]: https://www.edx.org/course/introduction-probability-science-mitx-6-041x#.VJfS2LQAKc
[Dive Into Python 3]: http://www.diveintopython3.net/
[MIT course]: https://www.youtube.com/watch?v=2Op3QLzMgSY&list=PLE18841CABEA24090#t=253
[CS]: http://www.amazon.com/Structure-Interpretation-Computer-Programs-Engineering/dp/0262510871
[Metacademy]: http://www.metacademy.org/
[kaggle]: http://www.kaggle.com/