????????學(xué)好人工智能并非易事，需要循序漸進(jìn)，階段性的學(xué)習(xí)，先入門后進(jìn)階，一步一腳印，那么怎樣的 學(xué)習(xí)路線適合初級(jí)者，下面簡(jiǎn)單分享：

????????分為五個(gè)階段：

第一階段：數(shù)學(xué)包括三科，也都是考研的三科：高等數(shù)學(xué)／線性代數(shù)／概率論；

第二階段：編程python工具庫(kù)實(shí)戰(zhàn)／python網(wǎng)絡(luò)爬蟲；

第三階段：機(jī)器學(xué)習(xí)也就是基礎(chǔ)知識(shí)，機(jī)器學(xué)習(xí)導(dǎo)論，機(jī)器學(xué)習(xí)入門／機(jī)器學(xué)習(xí)提升；

第四階段：數(shù)據(jù)挖掘?qū)崙?zhàn)，只有掌握了數(shù)據(jù)挖掘處理，才能知道機(jī)器如何處理大數(shù)據(jù)的數(shù)據(jù)挖掘入門／數(shù)據(jù)分析實(shí)戰(zhàn)；

第五階段：深度學(xué)習(xí)，深度學(xué)習(xí)神經(jīng)算法、深度學(xué)習(xí)網(wǎng)絡(luò)與框架／深度學(xué)習(xí)項(xiàng)目實(shí)戰(zhàn)。

具體的學(xué)習(xí)，可以按照以下7方面：

1．學(xué)習(xí)或者回憶一些數(shù)學(xué)知識(shí)

因?yàn)橛?jì)算機(jī)能做的就只是計(jì)算，所以人工智能更多地來說還是數(shù)學(xué)問題[1]。我們的目標(biāo)是訓(xùn)練出一個(gè)模型，用這個(gè)模型去進(jìn)行一系列的預(yù)測(cè)。于是，我們將訓(xùn)練過程涉及的過程抽象成數(shù)學(xué)函數(shù)：首先，需要定義一個(gè)網(wǎng)絡(luò)結(jié)構(gòu)，相當(dāng)于定義一種線性非線性函數(shù)；接著，設(shè)定一個(gè)優(yōu)化目標(biāo)，也就是定義一種損失函數(shù)（loss function）。

而訓(xùn)練的過程，就是求解最優(yōu)解及次優(yōu)解的過程。在這個(gè)過程中，我們需要掌握基本的概率統(tǒng)計(jì)、高等數(shù)學(xué)、線性代數(shù)等知識(shí)，如果學(xué)過就最好，沒學(xué)過也沒關(guān)系，僅僅知道原理和過程即可，有興趣的讀者可以涉獵一些推導(dǎo)證明。

2．掌握經(jīng)典機(jī)器學(xué)習(xí)理論與基本算法

這些基本算法包括支持向量機(jī)、邏輯回歸、決策樹、樸素貝葉斯分類器、隨機(jī)森林、聚類算法、協(xié)同過濾、關(guān)聯(lián)性分析、人工神經(jīng)網(wǎng)絡(luò)和BP算法、PCA、過擬合與正則化等。[2]

在本書“實(shí)戰(zhàn)篇”的第8章到第13章的例子中也有貫穿這些算法知識(shí)，保證讀者可以用它寫出一個(gè)小的TensorFlow程序。

3．掌握一種編程工具（語(yǔ)言）

Python語(yǔ)言是一種解釋型、面向?qū)ο?、?dòng)態(tài)數(shù)據(jù)類型的高級(jí)程序設(shè)計(jì)語(yǔ)言。Python是很多新入門的程序員的入門編程語(yǔ)言，也是很多老程序員后來必須掌握的編程語(yǔ)言。我們需要重點(diǎn)掌握使用線性代數(shù)庫(kù)和矩陣的操作，尤其是Numpy、Pandas第三方庫(kù)，也要多試試機(jī)器學(xué)習(xí)的庫(kù)，如sklearn，做一些SVM及邏輯回歸的練習(xí)。這對(duì)直接上手寫TensorFlow程序大有裨益。

有些工業(yè)及學(xué)術(shù)領(lǐng)域的讀者還可能擅長(zhǎng)MATLAB或R，其實(shí)現(xiàn)算法的思想和Python也很類似。

同時(shí)考慮到許多讀者是使用C++、Java、Go語(yǔ)言的，TensorFlow還提供了和Python“平行語(yǔ)料庫(kù)”的接口。雖然本書是主要是基于Python講解的，對(duì)于其他語(yǔ)言的原理和應(yīng)用API也都非常類似，讀者把基礎(chǔ)掌握后，只需要花很短的時(shí)間就能使用自己擅長(zhǎng)的語(yǔ)言開發(fā)。另外對(duì)于Java語(yǔ)言的同學(xué)，本書第18章會(huì)講解TensorFlowOnSpark，第19章會(huì)講到TensorFlow的移動(dòng)端開發(fā)。

4．研讀經(jīng)典論文，關(guān)注最新動(dòng)態(tài)和研究成果

一些經(jīng)典論文是必讀的。例如，要做手寫數(shù)字識(shí)別，若采用LeNet，要先閱讀一下LeNet的學(xué)術(shù)論文；要做物體目標(biāo)檢測(cè)的訓(xùn)練，若選定MSCNN框架，可以先讀MSCNN相關(guān)的論文。那么，論文從哪里找呢？那么多論文應(yīng)該讀哪篇呢？

下面以GoogleNet的TensorFlow實(shí)現(xiàn)為例。在GitHub[3]上，一般在開頭的描述中就會(huì)說明這個(gè)模型所依據(jù)的論文，如圖所示。

順著這篇論文閱讀，可以大致了解這個(gè)網(wǎng)絡(luò)的實(shí)現(xiàn)原理，對(duì)迅速上手應(yīng)用有很大的作用。同時(shí)，我在第6章也會(huì)對(duì)LeNet、AlexNet、ResNet這幾個(gè)常見的網(wǎng)絡(luò)進(jìn)行講解，幫助讀者舉一反三。

很多做模式識(shí)別的工作者之所以厲害，是因?yàn)樗麄冇羞^很多、很深的論文積累，對(duì)模型的設(shè)計(jì)有很獨(dú)到的見解，而他們可能甚至一行代碼也不會(huì)寫，而工程（寫代碼）能力在工作中很容易訓(xùn)練。許多工程方向的軟件工程師，工作模式常常在實(shí)現(xiàn)業(yè)務(wù)邏輯和設(shè)計(jì)架構(gòu)系統(tǒng)上，編碼能力很強(qiáng)，但卻缺少論文積累。同時(shí)具有這兩種能力的人，正是硅谷一些企業(yè)目前青睞的人才。

讀者平時(shí)還可以閱讀一些博客、筆記，以及微信公眾號(hào)、微博新媒體資訊等，往往一些很流行的新訓(xùn)練方法和模型會(huì)很快在這些媒體上發(fā)酵，其訓(xùn)練神經(jīng)網(wǎng)絡(luò)采用的一些方法可能有很大的啟發(fā)性。

5．自己動(dòng)手訓(xùn)練神經(jīng)網(wǎng)絡(luò)

接著，就是要選擇一個(gè)開源的深度學(xué)習(xí)框架。選擇框架時(shí)主要考慮哪種框架用的人多。人氣旺后，遇到問題很容易找到答案；GitHub上關(guān)于這個(gè)框架的項(xiàng)目和演示會(huì)非常多；相關(guān)的論文也會(huì)層出不窮；在各個(gè)QQ群和微信群的活躍度會(huì)高；雜志、公眾號(hào)、微博關(guān)注的人也會(huì)很多；行業(yè)交流和技術(shù)峰會(huì)討論的話題也多；也能享受到國(guó)內(nèi)外研究信息成果的同步。

目前這個(gè)階段，TensorFlow因?yàn)楸晨抗雀韫具@座靠山，再加上擁有龐大的開發(fā)者群體，而且采用了稱為“可執(zhí)行的偽代碼”的Python語(yǔ)言，更新和發(fā)版速度著實(shí)非?？?。目前TensorFlow已經(jīng)升級(jí)到1.0版，在性能方面也有大幅度提高，而且新出現(xiàn)的Debugger、Serving、XLA特性也是其他框架所不及的。此外，一些外圍的第三方庫(kù)（如Keras、TFLearn）也基于它實(shí)現(xiàn)了很多成果，并且Keras還得到TensorFlow官方的支持。TensorFlow支持的上層語(yǔ)言也在逐漸擴(kuò)大，對(duì)于不同工程背景的人轉(zhuǎn)入的門檻正在降低。

在GitHub[4]上有一個(gè)關(guān)于各種框架的比較，從建模能力、接口、模型部署、性能、架構(gòu)、生態(tài)系統(tǒng)、跨平臺(tái)等7個(gè)方面進(jìn)行比較，TensorFlow也很占綜合優(yōu)勢(shì)。截至2017年1月，TensorFlow的star數(shù)已經(jīng)超過了其他所有框架的總和，如圖1-8所示。

因此，從目前來看，投身TensorFlow是一個(gè)非常好的選擇，掌握TensorFlow在找工作時(shí)是一個(gè)非常大的加分項(xiàng)。

接下來就是找一個(gè)深度神經(jīng)網(wǎng)絡(luò)，目前的研究方向主要集中在視覺和語(yǔ)音兩個(gè)領(lǐng)域。初學(xué)者最好從計(jì)算機(jī)視覺入手，因?yàn)樗幌裾Z(yǔ)音等領(lǐng)域需要那么多的基礎(chǔ)知識(shí)，結(jié)果也比較直觀。例如，用各種網(wǎng)絡(luò)模型來訓(xùn)練手寫數(shù)字（MNIST）及圖像分類（CIFAR）的數(shù)據(jù)集。

6．深入感興趣或者工作相關(guān)領(lǐng)域

人工智能目前的應(yīng)用領(lǐng)域很多，主要是計(jì)算機(jī)視覺和自然語(yǔ)言處理，以及各種預(yù)測(cè)等。對(duì)于計(jì)算機(jī)視覺，可以做圖像分類、目標(biāo)檢測(cè)、視頻中的目標(biāo)檢測(cè)等；對(duì)于自然語(yǔ)言處理，可以做語(yǔ)音識(shí)別、語(yǔ)音合成、對(duì)話系統(tǒng)、機(jī)器翻譯、文章摘要、情感分析等，還可以結(jié)合圖像、視頻和語(yǔ)音，一起發(fā)揮價(jià)值。

更可以深入某一個(gè)行業(yè)領(lǐng)域。例如，深入醫(yī)學(xué)行業(yè)領(lǐng)域，做醫(yī)學(xué)影像的識(shí)別；深入淘寶的穿衣領(lǐng)域，做衣服搭配或衣服款型的識(shí)別；深入保險(xiǎn)業(yè)、通信業(yè)的客服領(lǐng)域，做對(duì)話機(jī)器人的智能問答系統(tǒng)；深入智能家居領(lǐng)域，做人機(jī)的自然語(yǔ)言交互；等等。

7．在工作中遇到問題，重復(fù)前六步

在訓(xùn)練中，準(zhǔn)確率、壞案例（bad case）、識(shí)別速度等都是可能遇到的瓶頸。訓(xùn)練好的模型也不是一成不變的，需要不斷優(yōu)化，也需要結(jié)合具體行業(yè)領(lǐng)域和業(yè)務(wù)進(jìn)行創(chuàng)新，這時(shí)候就要結(jié)合最新的科研成果，調(diào)整模型，更改模型參數(shù)，一步步更好地貼近業(yè)務(wù)需求。

以上學(xué)習(xí)路線雖然有點(diǎn)復(fù)雜，但堅(jiān)信世上無難事，只怕有心人。