一份最有效的小白学AI路线图

有很多同学想入门人工智能，或者转行人工智能。网上也有太多给小白学AI的学习建议，但要么零散，要么偏门。

今天，我们就来梳理一下，人工智能完全的从零基础，到进阶的学习路线。

原则是，按照一个985院校，计算机或者模式识别专业的硕士研究生的学习成长路线来的。

其实人工智能是一个很大的方向，人工智能和深度学习的关系是：深度学习是机器学习的一个子集，机器学习是人工智能的一个子集。

现在提到AI，基本上都默认为或者说约等于深度学习方法，但学习机器学习仍然是基础。

小白第一步，搞定Python

入门深度学习，你是必须掌握Python这门编程语言的，主要的原因是很多模型开源的代码都是基于Python实现的。

而且目前针对深度学习的两个主流框架PyTorch和TensorFlow都是支持Python开发的，也就是说深度学习的生态很大一部分是依赖Python的。所以说学习和掌握Python是入门深度学习必须的步骤。

放心，入门Python还是非常简单的，比C++简单，对于有一定编程基础的同学，是可以轻松上手Python的。

Python也有很多很好的开源课程，比如密西根大学的《零基础 Python 入门》课程：https://www.coursera.org/spec...， 口碑非常不错。

如果你觉得看英文课程有困难，那么也可以按照下面我推荐的目录学习，我也在“知识星球——AI知识库”也为你准备了一套课件，可以直接用Jupyter练习。当然，你也可以在知识星球里找到更多AI学习资料，可以通过[这篇文章]()了解。

小白第二步，拾起来数学基础

当你掌握了Python，那么下一步就是去补充基础的数学知识了，因为如果一点数学知识都不知道的话，后面论文中的公式你可能都看不懂，更不用提推导复现模型了。

但是也没必要害怕，深度学习主要用到的数学基础就是线性代数、高等数学和概率论，也就是本科大一大二的学习内容（我知道你都学过，只是忘了）。

有些同学听到这三门数学课的名字可能就头疼了，放心，其实深度学习只用到了，线代中矩阵运算，微积分中偏微分，还有梯度下降。

当然也没必要把这些书从头到尾都看一遍，需要用的时候查一下就行。

小白第三步，机器学习与深度学习

楼要高，底要稳。机器学习与深度学习的基础知识对后续的进阶学习来说是非常重要的。

有了Python编程和基本的线代以及微积分之后，同学们就可以去看看最基本的机器学习和深度学习网络模型了。

机器学习算法主要需要了解的有：线性回归、逻辑回归、KNN、K-Means、SVM、贝叶斯、决策树、随机森林、集成方法等等。

• 推荐周志华老师的《机器学习》西瓜书
• 推荐李航老师的《统计学习方法》第二版

深度学习的基础知识，其实也就是神经网络，包括正向传播、损失函数、梯度下降、反向传播等基本数学概念的理解。

日新月异的深度学习模型，都是在基础模型上的进一步创新和跨领域应用。

对基础神经网络模型的理解，打牢坚实的基础，对于后续理解新模型和创新是非常重要的。

• 推荐吴恩达的机器学习入门课：https://www.deeplearning.ai/c...

• 台大李宏毅老师的课程也很不错：Hung-yi Lee

关注“笑傲算法江湖”也是个不错的选择哦~

小白第四步，CV还是NLP？

到了这里，就到了“统招分专业”的时候了，也相当于本科毕业读研选方向找导师。

AI的主流方向有：计算机视觉（CV）、自然语言处理（NLP）、数据挖掘与推荐系统、强化学习、生成式对抗网络、图神经网络等等。

其中，以CV和NLP最为主流。

计算机视觉算法精读：

1. CNN骨干网络系列：AlexNet->VGG->GoogleNet->ResNet->DenseNet->SeNet
2. RCNN目标检测系列：RCNN->Fast RCNN->Faster RCNN
3. YOLO目标检测系列：目前已经有了V1到V7版本
4. 图像分割系列：FCN->UNet->SegNet->Deeplab V1-V3 &V3+
5. 目标跟踪Siam系列：SiamFC->SiamRPN->SiamRPN++->SiamMask
6. 点云数据处理系列：PointNet/PointNet++

自然语言处理算法精读：

1. 经典网络系列：RNN->LSTM->GRU
2. 预训练模型系列：Attention->Transformer->BERT

当你读完上面的论文，你就可以去专门的看你自己方向的论文了。

推荐的CV和NLP课程：

• 主攻 CV 方向，可以继续学习斯坦福 CS231n 课程：Convolutional Neural Networks for Visual Recognition

• 主攻 NLP 方向，可以学习斯坦福 CS224n 课程：Natural Language Processing with Deep Learning

小白第五步，追最新论文前沿

深度学习发展日新月异，每年都有新模型提出。

学习路线的最尽头肯定是阅读你所在的方向的最新论文，无论是科研人员，还是已经走上工作岗位打算转行的打工人。

阅读论文的来源一般是各种顶会（CVPR、ICCV、ACL）、顶刊（TPAMI）。如果你嫌麻烦，可以直接去谷歌学术或者arXiv上搜索你关注的内容，在搜索的时候，最好把时间设定在最近几年。

关于顶会顶刊，可以看这篇文章：

另外看看该领域的综述论文，也是一个追踪最新进展的好方法。

小白第六步，动手项目实战

对于计算机与AI这门应用型学科，动手coding怎么能少。

很多同学都说，实验室没有条件，导师没有资源，没有实习机会，不知道如何提升项目经验。

我们也给大家总结好了，从入门到进阶的实战项目，全部项目已上传到“知识星球——AI知识库”。

最后要说的是，动手实战要贯穿学习的从头到尾全过程的哦。

知识星球：AI知识库

想要了解更多机器学习、深度学习、计算机视觉、自然语言处理、数据挖掘与推荐系统、强化学习、自动驾驶等领域干货。欢迎扫码下方二维码，加入“知识星球——AI知识库”（三天内无条件退款）。

日常分享：经典必读、行业报告、推荐书单、学术论文、开源课程、自制课程、数据集、开源项目、面经分享、岗位内推（校招+社招）、科研板块以及其他资源（简历模板和安装教程等）。这里汇聚行业和学术界大佬的智慧，AI尽在掌握中，期待交流！

本文由mdnice多平台发布