入门人工智能学习路线

吴恩达《机器学习》

这门课基本涵盖了机器学习的主要知识点，例如：线性回归、逻辑回归、支持向量机、神经网络、K-Means、异常检测等等。而且课程中没有复杂的公式推导和理论分析。Ng 的目的是让机器学习初学者能够快速对整个机器学习知识点有比较整体的认识，便于快速入门。网易云课堂里有中文字幕的机器学习视频。

PS：这门课也都有作业，可以去自己编程完成。不过以前吴恩达老师是用octave编程的，但是现在基本都不用octave了，所以GitHub上面有许多大佬改成Python编程了，具体可以去GitHub搜就可以。

台大林轩田《机器学习基石》

中国台湾大学林轩田老师的《机器学习基石》课程由浅入深、内容全面，基本涵盖了机器学习领域的很多方面。其作为机器学习的入门和进阶资料非常适合。而且林老师的教学风格也很幽默风趣，总让读者在轻松愉快的氛围中掌握知识。这门课比 Ng 的《Machine Learning》稍难一些，侧重于机器学习理论知识。

台大林轩田《机器学习技法》

《机器学习技法》课程是《机器学习基石》的进阶课程。主要介绍了机器学习领域经典的一些算法，包括支持向量机、决策树、随机森林、神经网络等等。难度要略高于《机器学习基石》，具有很强的实用性。

学完上面这几门课的话应该可以说是入门了，至少对机器学习人工智能有个比较好的理解。人工智能对于数学特别是线性代数有比较高的要求，毕竟编程的时候会有许多矩阵分析、矩阵变换等，所以要对线性代数有个详细的了解和学习。（上面两门课都在B站上可以看）

Gilbert Strang主讲的线性代数

这门课由麻省理工学院的Gilbert Strang主讲，看下百度百科就知道了，他是个很牛逼的人物。以下是百度百科的介绍：

William Gilbert Strang（威廉·吉尔伯特·斯特朗），1934年11月27日于芝加哥出生，是美国享有盛誉的数学家，在有限元理论、变分法、小波分析及线性代数方面均有所建树。他对教育的贡献尤为卓著，包括所著有的七部经典数学教材及一部专著。斯特朗自1962年至今担任麻省理工学院教授，其所授课程《线性代数导论》、《计算科学与工程》均在麻省理工学院开放式课程计划（MIT Open Course Ware）中收录，并获得广泛好评。

而且相对于国内的线性代数的讲授，Gilbert Strang教授讲的更加有趣，更加深入浅出，不仅仅是死记硬背那些公式，而是从源头上去理解公式是怎么来的，一听他的课你就会豁然开朗而且想一直听下去。你会觉得以前学的线性代数白学了。（网易公开课上有课程）

李沐的《动手深度学习》（pytorch版和tensorflow版）

《动手学深度学习》这本书由亚马逊首席科学家李沐，亚马逊应用科学家阿斯顿·张等大师合作打造，沉淀三年完成。本书采用交互式的学习方法，不但讲授了深度学习算法原理，还给出了代码运行与实现，让你在手调代码的同时理解消化知识。

全书的内容分为3个部分：第一部分介绍深度学习的背景，提供预备知识，并包括深度学习最基础的概念和技术；第二部分描述深度学习计算的重要组成部分，还解释近年来令深度学习在多个领域大获成功的卷积神经网络和循环神经网络；第三部分评价优化算法，检验影响深度学习计算性能的重要因素，并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。

本书同时覆盖深度学习的方法和实践，主要面向在校大学生、技术人员和研究人员。阅读本书需要读者了解基本的Python编程或附录中描述的线性代数、微分和概率基础。

由于现在mxnet比较少人用，所以有大神把这本书里面的代码转化为主流框架Tensorflow和Pytorch，适合读者从零开始学习这两种框架。

tensorflow版：https://github.com/TrickyGo/Dive-into-DL-TensorFlow2.0

Pytorch版：https://github.com/ShusenTang/Dive-into-DL-PyTorch

学完上述课程之后就可以细分领域了，NLP、计算机视觉、强化学习等，可以根据自己的领域去找一些视频教程。下面是计算机视觉的一些教程。

斯坦福大学的李飞飞的CS231n计算机视觉识别

李飞飞也是华人之光，可以跟吴恩达媲美的人工智能大牛，她主讲的计算机识别也是计算机视觉很好的入门课程。课程在网易云课堂上有。

周志华《机器学习》西瓜书

周志华老师的《机器学习》，自2016年1月底出版以来，首印5000册一周售罄，并在8个月内重印9次，累计72000册。先后登上了亚马逊，京东，当当网等的计算机类畅销书榜首。西瓜书身边学习机器学习的小伙伴可谓是人手一本。

针对西瓜书部分公式推倒太难的问题，GitHub上有个开源项目，由开源组织Datawhale发起，得到了周志华老师的认同，下面是GitHub链接：

https://github.com/datawhalechina/pumpkin-book

李航《统计学习方法》

本书全面系统地介绍了统计学习的主要方法，特别是监督学习方法，包括感知机、k 近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与支持向量机、提升方法、EM 算法、隐马尔可夫模型和条件随机场等。每章介绍一种方法，叙述从具体问题或实例入手，由浅入深，阐明思路，给出必要的数学推导，便于读者掌握统计学习方法的实质，学会运用。

github上有个项目，将《统计学习方法》中每一章的算法用python实现一遍，下面附上链接：

https://github.com/WenDesi/lihang_book_algorithm