如何开始学习人工智能？

我是一名软件工程专业的学生，​​并且是AI的完整入门者。我已经阅读了很多有关如何开始学习AI的文章，但是每篇文章都提出了不同的方法。我想知道你们中的某些专家是否可以帮助我以正确的方式开始。

其他一些具体问题

1. 我应该专注于哪种语言？许多文章建议将Python，C ++或Lisp用于AI。我可以使用Java代替上述任何其他语言吗？

2. 我应该具有什么样的数学背景？在第一年，我做了离散数学，其中包括以下主题：集，矩阵，向量，函数，逻辑和图论（他们简短地讲授了这些主题）。现在还有其他我应该学习的主题吗？例如微积分？

如果可能的话，我将不胜感激，可以使用任何资源或书籍来入门，或者也许你们可以给我提供详细的程序，以便跟上您的水平。

注意：目前，我想专注于神经网络和机器学习。之后，我想探索机器人技术和自然语言处理。

人工智能是一个非常广阔的领域，涵盖了计算机科学，数学，硬件设计乃至生物学和心理学的许多非常深层的领域。至于数学：我认为微积分，统计和最优化是最重要的主题，但是学习尽可能多的数学不会受到伤害。

对于初学者来说，有很多关于AI的免费的免费入门资源。我强烈建议从以下内容开始：http : //aiplaybook.a16z.com/ 他们还发布了两个有关AI通用概念的视频，您可以在Vimeo上找到它们：“ AI，深度学习和机器学习：入门”。 ”和“人工智能的承诺”

一旦对基本的AI术语和方法有了清楚的了解，就必须弄清楚自己的目标是什么。您想开发哪种AI软件？您对哪些行业感兴趣？您有什么机会参与大公司的项目？当您确切地知道要实现的目标时，选择合适的工具会更容易。

对于大多数人工智能新手来说，最有趣的领域是深度学习。为了明确起见，机器学习之外有很多AI领域，而深度学习之外还有很多机器学习领域。（人工智能>机器学习>深度学习）最近的发展和大肆宣传的新闻都是关于DL的。

如果您也对深度学习感兴趣，则必须从学习人工神经网络的概念开始。幸运的是，了解基础知识并不是很困难，并且网络上有很多教程，代码示例和免费的学习资源，并且有许多开放源代码框架可供尝试。

最受欢迎的此类深度学习框架是TensorFlow。它得到了Google的支持。爱它或恨它，它是一个基于Python的框架。还有许多其他基于Python的框架。教程中也经常提到Scikit-learn，Theano，Keras。（提示：如果使用Windows，则可以下载包含所有这些框架的WinPython。）

关于Java框架，不幸的是没有太多选择。DL最杰出的Java框架是Deeplearning4j。它是由一家小型公司开发的，其用户群比TensorFlow周围的人群小得多。此框架的项目和教程较少。但是，行业专家说，基于Java的框架最终可以与基于Java的大数据解决方案更好地集成，并且它们可以提供更高级别的可移植性和更容易的产品部署。只是一个旁注：NASA的喷气推进实验室将Deeplearning4j用于许多项目。

如果您决定顺其自然，并且想开始更多地了解TensorFlow，建议您查看YouTube频道“ DeepLearning.TV”，“ sentdex”和“ Siraj Raval”。他们有不错的教程和一些很棒的演示。如果您决定进行更深入的研究，则可以在udacity或Coursera上注册在线课程。

您可能还很感兴趣地知道，还有其他Java语言虚拟机的深度学习框架以及其他语言，例如Clojure。（Clojure是LISP的一种方言，它是由约翰·麦卡锡（John McCarthy）发明的，他是创造“人工智能”一词的同一位计算机科学家。换句话说，有更多现代和流行的编程语言和工具，但是它仍然是可能的，而且还是很酷的。 /使用最初为AI设计的AI语言。位于Boulder的ThinkTopic和位于汉堡的Freiheit是两家将Clojure用于AI项目的公司。如果您想看到一些很棒的东西，可以激发在AI和机器人技术中使用Clojure的灵感，我建议您观看YouTube视频“ OSCON 2013：Carin Meier，《带Clojure的飞行机器人的乐趣》”。

（+++如果我说错了任何人都可以纠正我。+++）

您会发现微积分和线性代数在AI / ML技术中都有一定的应用。从许多意义上讲，您可以辩称大多数ML都归结为线性代数，而在其中使用了微积分。用于训练神经网络的反向传播算法。

您也可以参加一两门概率和统计学课程。

IMO对编程语言的选择不太重要。您几乎可以使用任何主流语言和许多非主流语言来进行AI / ML。最大的区别在于性能和库/工具的可用性。例如，C ++通常要胜过Java或Python，它可以让您“贴近现实”，从而真正实现硬件功能的最大化。但是，Python具有非常好的FFI，通常与C或C ++结合使用。Python，C ++，Java，R，Octave / Matlab和其他一些语言往往具有许多可用的高质量库，这对您来说可能很重要，具体取决于您要执行的操作。

就是说，您可能不想尝试在例如COBOL或PL / I或RPG / 400之类的机器上进行ML / AI。坚持至少合理受欢迎的东西。在mloss.org上浏览一下，看看哪些库/工具包提供了不同的语言，这应该可以指导您的选择。

当我对AI感兴趣时，我从最基本的东西开始。我的第一本书是罗素和诺维格的《人工智能-一种现代方法》。我认为这是一个不错的起点，即使您对Deep Nets最感兴趣。它不仅处理基本的AI概念和算法（专家系统，深度优先和广度优先搜索，知识表示等），而且还处理基础数学（贝叶斯推理，一阶逻辑，NL n-grams等）。以及一些众所周知的问题（例如，旅行商问题）。

学习统计信息也是个好主意，因为您对ML特别感兴趣。在提到这本书之后，您还应该对下一步要学习的东西有个好主意。

• 不太在乎编程语言。

了解编程本身和相关技术更为重要。了解有关数据结构，算法和不同编程范例（如OOP，函数式编程等）的知识。尝试理解编程背后的逻辑，而不仅仅是一种特定的语言。毕竟，一旦您了解如何编程，学习一门新语言就不那么难了（然后学习一种新语言或多或少就是语法糖）。

这是我发现对了解AI基础知识有用的一些资源

• 吴德华的人工智能讲座系列

• 吴安德在斯坦福商学院的演讲

• Ng Andrew-人工智能的现状

吴恩达（Andrew Ng）是斯坦福大学的客座教授，Coursera的创始人，目前是阿里巴巴的研究主管。上面的视频应该为您（全部）提供有关AI所需的基础知识。

首先要启动AI，首先要了解什么是AI。为什么MNIST的准确性在2012年之后迅速增加。为什么机器学习需要AI来提高其准确性。

要开始使用AI在机器学习上构建应用程序，您不需要数学或某种火箭科学。您迟到了，我的兄弟们为所有机器学习问题（例如包装器）建立了捷径。您只需要将数据传递给方法，方法就可以解决所有问题。从MNIST的问题开始是令人兴奋的。了解MNIST的历史，并在其上使用基本算法。尝试线性回归，Logistic回归，Kmean clusting，KNN。机器学习工具Skite learning（python lib）或Tensorflow（python lib）tflearn（Tensorflow的高级api，如包装器）都是开源的。可以在GitHub上找到示例。开始在GitHub上搜索。您找到了一个很好的例子。对于两个lib。使用kaggel解决问题参与竞争。

当您完成以上所有算法时，请尝试着重于您的错误。现在AI开始了。尝试弄清楚神经网络如何帮助您减少错误并提高准确性。然后尝试一些基本的神经网络，例如Sigmoid，relu和cnn。不要忘记在神经网络中使用辍学。您可以将Tensorflow或keras或Tensorflow与keras一起使用

并排检查3蓝色1布朗的线性代数视频，以改善数学。每天一次，但每天都有一个视频。

现在，专注于逻辑（任何算法）背后的数学，您可以尝试开设机器学习课程。

使用Tensorflow来构建Android应用程序，IOS应用程序，RaspPi Check Tensorflow开发者峰会2016/2017。

或者，如果您需要速成课程，请检查此https://youtu.be/u4alGiomYP4

在进入人工智能之前，应先满足先决条件。没有固定的清单，但是必须掌握各种算法。除此之外，你应该熟悉至少一种编程语言，如C ++或Java。如果您是计算机科学的新手，我不建议您学习人工智能。在您进入人工智能之前，有一定的编程经验将是您的加分点。

开始阅读有关人工智能的文章（博客，论文，学者文章等）。像它一样，它的应用程序，当前状态以及您可以找到的其他内容。首先，开始为井字游戏，数独游戏，黑白棋（Othello）等小型游戏制作AI代码。您可以创建自己的模拟器并构建解决Rubik多维数据集的代码。同样，为模式识别和机器学习编写代码。没有什么比边做边学更好。像LISP和python这样的语言将非常有帮助。以下是两个对您有帮助的答案：ans1和ans2。

如果您是喜欢阅读和学习书籍（例如我）的人，那么可以购买《人工智能：现代方法》（彼得·诺维格和斯图尔特·罗素）。这本书非常好，适合中高级程度。尝试解决书中给出的运动问题。书籍的解决方案pdf可在线获得。对于机器学习，我推荐两本书：模式识别和机器学习（Christopher M. Bishop）和编程集体智能（O'Reilly）。

首先，有一篇关于人工智能和技术奇点的非常好的文章。

文章很长，分为两个部分。如果您对人工智能很认真，我强烈建议您阅读本文。它将为您提供一些很好的见解。

计算理论知识将极大地帮助您。尤其是当您在自然语言处理领域工作时。您可能会感兴趣的AI的其他子领域是机器学习，进化计算，遗传算法，强化学习，深度学习等。更好地了解统计学，对于人工智能将更好。请通过论坛，网站等随时关注该领域的最新动态。开放式AI 网站也是一个很好的来源。