首发：适合初学者入门人工智能的路线及资料下载
本文为AI入门提供了一个简易的学习路线，并提供了代码和数据集下载。（黄海广）
一、前言
AI以及机器学习入门，初学者遇到的问题非常多，但最大的问题就是：
资料太多！！！看不完！！！不知道如何取舍！！！人的精力有限！！！
我曾经写了一篇初学者入门的文章：《机器学习简易入门-附推荐学习资料》，这篇文章给初学者指明了学习的方向，受到广大初学者好评。
在此基础上，结合本站已经发过的文章，以及自己的学习过程，整理出一个AI的入门路线，并整合到一个github仓库，所有代码和数据集都提供了下载方式。
本路线适合本科、硕士以及刚接触机器学习的博士。
根据这个github仓库学完以后，就基本入门了。
入门以后，遇到问题能上网搜索解决了，也知道接下来应该学什么。
二、学习路线的github
该仓库拥有者黄海广，致力于帮助机器学习初学者入门，帮助学习者更好地成长。仓库主要内容由黄海广原创，另一部分由其他公益组织创作。
仓库链接：
https://github.com/fengdu78/Data-Science-Notes
你不是一个人在战斗！
三、仓库目录及概述
- 0.math 数学基础
- 1.python-basic python基础
- 2.numpy numpy基础
- 3.pandas pandas基础
- 4.scipy scipy基础
- 5.data-visualization 数据可视化基础
- 6.scikit-learn scikit-learn基础
- 7.machine-learning 机器学习入门
- 8.deep-learning 深度学习入门
- 9.feature-engineering 特征工程入门
四、学习路线说明
这个目录其实是一个学习路线：
0——>1——>2——>3——>4——>5——>6——>7——>8——>9
1-5是个整体，6和7的顺序可以交换也可以同时学习，8属于选学部分（深度学习），9放在最后学习。
五、学习路线和内容
第一部分，数学基础学习：
目录名称：0.math
数学基础：数学基础内容太多，很容易把人劝退，其实先把高等数学、概率论与数理统计和线性代数这三门课学熟了，大部分机器学习问题是能解决的。数学基础部分我放了三个资料。
第一个是当时考研和考博士复习的。数学基础，我把机器学习的部分，提炼出来。
第二、三个是今年刚翻译的CS229的线性代数和概率论，这部分是斯坦福所有人工智能有关的课程的数学基础复习材料，非常实用。
这部分内容曾经有文章介绍（查看文章）
第二部分，python学习
目录名称：1.python-basic
python基础：这里有个代码练习：两天入门python
目录名称： 2.numpy
numpy基础：这里有2个代码练习
- 一、适合初学者快速入门的Numpy实战全集
- 二、Numpy练习题100题-提高你的数据分析技能
目录名称： 3.pandas
pandas基础：这里有3个代码练习
- 一、《十分钟搞定pandas》：10-Minutes-to-pandas，这是十分钟搞定pandas 10 minutes in pandas的中文翻译。
- 二、《pandas练习题》：Pandas_Exercises，这个是pandas的练习题。
- 三、《pandas入门教程-2天学会pandas》：pandas_beginner
目录名称： 4.scipy
- scipy基础：scipy的示例代码
目录名称： 5.data-visualization
数据可视化基础：这里有2个代码练习
- 一、matplotlib学习之基本使用
- 二、数据可视化的利器-Seaborn简易入门
第三部分，机器学习基础
目录名称：6.scikit-learn
scikit-learn基础：PyParis 2018: Machine learning using scikit-learn的代码翻译（截图如下：）
图：代码截图
目录名称：7.machine-learning
机器学习入门，推荐4份教程，着重推荐1、2部分。
- 一、斯坦福大学2014（吴恩达）机器学习教程中文笔记及资源 内容介绍（点击查看文章）
- 二、李航《统计学习方法》的代码实现 内容介绍（点击查看文章）
- 三、周志华老师的《机器学习》的解答--南瓜书PumpkinBook 内容介绍（点击查看文章）
- 四、台大林轩田《机器学习基石》系列课程教材的习题解答 内容介绍（点击查看文章）
目录名称：8.deep-learning
深度学习入门，推荐3份教程
- 一、深度学习教程中文笔记 内容介绍（点击查看文章）
- 二、《python深度学习》的代码翻译版 内容介绍（点击查看文章）
- 三、 强烈推荐的TensorFlow、Pytorch和Keras的样例资源 内容介绍（点击查看文章）
目录名称：9.feature-engineering
特征工程入门，这个是项目实战部分。
- 一、面向机器学习的特征工程 内容介绍（点击查看文章）
总结
本文提供了适合初学者入门AI的路线及资料下载，以上内容都整合到一个仓库：
仓库链接：
https://github.com/fengdu78/Data-Science-Notes
备注：github下载太慢的话，关注我的公众号：“机器学习初学者”，回复“学习路线”即可下载本仓库的镜像文件，整个仓库压缩成一个iso。
机器学习初学者
黄海广博士创建的公众号，黄海广博士个人知乎粉丝22000+，github排名全球前120名（31000+）。本公众号致力于人工智能方向的科普性文章，为初学者提供学习路线和基础资料。原创作品有：吴恩达机器学习个人笔记、吴恩达深度学习笔记等。
往期精彩回顾