听完这12次分享，你应该完成了AI小白的蜕变

专栏《AI白身境》正式完结了，在这一个专题中，我们给大家从Linux的基本知识，讲到了深度学习中必备的数学基础，从基本工具VIM和编译命令，讲到了常用的库OpenCV，从AI在工业界的各个研究方向，应用方向，讲到了AI领域的代表性人物，虽然知识本身的难度不高，但是覆盖范围非常广泛，这一次我们来重新回顾一下。

作者 | 言有三

编辑 | 言有三

01

为什么要用Linux

我刚从学校步入职场的时候，也经历过一段从Windows转向Linux的时期，虽然在大学很早的时候就用过Linux，但是毕竟

所在专业不是计算机等专业，因此Linux并非刚需。

但是，如果要正式进入AI行业发展，Linux就是必备的操作系统，“软”兵器，Windows基本上可以彻底放弃。

我们简单阐述了Linux固有的一些优点和Windows的缺陷，原文在此。

02

Linux基本工具

Linux下一个熟练的工程师，会比Windows下工作效率高很多，主要得益于若干工具，比如shell、vim和git。

shell命令是Linux的操作基础，也是学习使用Linux的开始，而慢慢熟悉高级的shell命令在将来的工作中会带来很大的效率提升。

vim是Linux下最常用的编辑器，从小白到高手都可以使用，而它的列编辑，查找替换，自动补全等功能都是效率的保证，或许从visual studio等环境切换过来的同学刚开始会有些许不适应，但是时间久了就会越来越明白VIM的好。

git是程序员必备的素养，慢慢学会维护几个自己的代码库，等到将来出问题的时候就明白了。

03

python基础

在编程界，现在没有什么语言比python更火，尤其在机器学习届，python可谓是一骑绝尘。

学习python需要掌握好基础的语法包括函数，类设计，掌握大量的开源矩阵库Numpy等，图像基础库OpenCV等，以及可视化工具包matplotlib，前后端框架Flask等，原文在此：

04

图像基础

咱们暂时还是一个计算机视觉号，所以数字图像基础是必备的。从数字图像的表示，包括位数，彩色空间，分辨率，数字图像的基本属性，包括直方图，对比度清晰度等，都是未来进军深度学习计算机视觉处理的基石。

05

OpenCV基础

如果说图像处理领域有什么库是绕不过去的，那一定是OpenCV，这一个开源计算机视觉库堪称最优秀的计算机视觉库，不仅可以学术和商业免费使用，而且跨平台，高性能。需要掌握的基础内容包括：如何部署，基本数据结构的熟悉与使用，基本模块的了解。

以后我们还会专门开一系列课来讲OpenCV，现在先做一个铺垫和科普。

06

Linux编译基础

python是脚本语言，而当前大量的AI算法都部署在移动端嵌入式平台，需要使用c/c++/java语言，而g++，CMake和Makefile正是Linux下编译C系代码的工具。

07

爬虫基础

深度学习最重要的是什么，可能很多人的答案就是一个好的数据集。但是通常情况下我们并没有大量的数据，因此有必要掌握一定的爬虫知识，学会自己从头开始准备建立数据集。

从前端网页的简单基础，到python爬虫库的基本使用，原文在此：

08

数据可视化

爬取完数据之后就应该进行处理了，一个很常用的手段是数据可视化。在深度学习项目中，常需要的数据可视化操作包括原始图片数据的可视化，损失和精度的可视化等。

熟练掌握低维，高维数据的可视化是必备的基础，同时也要了解一些好用的可视化框架以提高工作效率，原文在此：

09

数学基础

没有数学基础，永远只能在门外徘徊。从线性代数，概率论与统计学到微积分和最优化，都是需要掌握的。

数学的学习是一个非常漫长的过程，不要急于求成，也不要在一开始就被吓退，对于大部分的工程人员来说，要求并不高，每个人都可以学会，原文在此：

10

计算机视觉研究方向

在前面这些基础都掌握好了，就差不多可以入行了，首先就要好好了解一下计算机视觉的各大研究方向及其特点。

从图像分类，分割，目标检测，跟踪，到图像滤波与降噪，增强，风格化，三维重建，图像检索，GANs，相信总有你喜欢的。

11

AI的应用方向

我们学习，最终总是为了求职得到满意的工作，尤其是AI已经渗入到了我们生活的方方面面。从自动驾驶汽车、图像美颜，到聊天机器人，金融支付等，因此好好了解下当前AI在各大领域的应用没错的。

12

认识学术大咖

最后的最后，要想真正融入行业圈子，紧跟技术发展，就必须要时刻了解大佬们的状态，他们就是行业发展的风向标。

不管是学术界还是工业界，不管是老师傅还是青年才俊，让我们一起见贤思齐吧。

最后发一个通知，2019年有三AI培养计划出炉了，一个季度一期噢，可以扫码阅读或者直接阅读。

总结