人工智能学习路线分享
人工智能"六步走"学习路线，供大家参考，具体内容如下
1、学习并掌握一些数学知识
高等数学是基础中的基础，一切理工科都需要这个打底，数据挖掘、人工智能、模式识别此类跟数据打交道的又尤其需要多元微积分运算基础
线性代数很重要，一般来说线性模型是你最先要考虑的模型，加上很可能要处理多维数据，你需要用线性代数来简洁清晰的描述问题，为分析求解奠定基础
概率论、数理统计、随机过程更是少不了，涉及数据的问题，不确定性几乎是不可避免的，引入随机变量顺理成章，相关理论、方法、模型非常丰富。很多机器学习的算法都是建立在概率论和统计学的基础上的，比如贝叶斯分类器、高斯隐马尔可夫链。
再就是优化理论与算法，除非你的问题是像二元一次方程求根那样有现成的公式，否则你将不得不面对各种看起来无解但是要解的问题，优化将是你的GPS为你指路
有以上这些知识打底，就可以开拔了，针对具体应用再补充相关的知识与理论，比如说一些我觉得有帮助的是数值计算、图论、拓扑，更理论一点的还有实/复分析、测度论，偏工程类一点的还有信号处理、数据结构。
2、掌握经典机器学习理论和算法
如果有时间可以为自己建立一个机器学习的知识图谱，并争取掌握每一个经典的机器学习理论和算法，我简单地总结如下：
1) 回归算法：常见的回归算法包括最小二乘法（OrdinaryLeastSquare），逻辑回归（LogisticRegression），逐步式回归（StepwiseRegression），多元自适应回归样条（MultivariateAdaptiveRegressionSplines）以及本地散点平滑估计（LocallyEstimatedScatterplotSmoothing）；
2) 基于实例的算法：常见的算法包括k-NearestNeighbor(KNN),学习矢量量化（LearningVectorQuantization，LVQ），以及自组织映射算法（Self-OrganizingMap，SOM）；
3) 基于正则化方法：常见的算法包括：RidgeRegression，LeastAbsoluteShrinkageandSelectionOperator（LASSO），以及弹性网络（ElasticNet）；
4) 决策树学习：常见的算法包括：分类及回归树（ClassificationAndRegressionTree，CART），ID3(IterativeDichotomiser3)，C4.5，Chi-squaredAutomaticInteractionDetection(CHAID),DecisionStump,随机森林（RandomForest），多元自适应回归样条（MARS）以及梯度推进机（GradientBoostingMachine，GBM）；
5) 基于贝叶斯方法：常见算法包括：朴素贝叶斯算法，平均单依赖估计（AveragedOne-DependenceEstimators，AODE），以及BayesianBeliefNetwork（BBN）；
6) 基于核的算法：常见的算法包括支持向量机（SupportVectorMachine，SVM），径向基函数（RadialBasisFunction，RBF)，以及线性判别分析（LinearDiscriminateAnalysis，LDA)等；
7) 聚类算法：常见的聚类算法包括k-Means算法以及期望最大化算法（ExpectationMaximization，EM）；
8) 基于关联规则学习：常见算法包括Apriori算法和Eclat算法等；
9) 人工神经网络：重要的人工神经网络算法包括：感知器神经网络（PerceptronNeuralNetwork）,反向传递（BackPropagation），Hopfield网络，自组织映射（Self-OrganizingMap,SOM）。学习矢量量化（LearningVectorQuantization，LVQ）；
10) 深度学习：常见的深度学习算法包括：受限波尔兹曼机（RestrictedBoltzmannMachine，RBN），DeepBeliefNetworks（DBN），卷积网络（ConvolutionalNetwork）,堆栈式自动编码器（StackedAuto-encoders）；
11) 降低维度的算法：常见的算法包括主成份分析（PrincipleComponentAnalysis，PCA），偏最小二乘回归（PartialLeastSquareRegression，PLS），Sammon映射，多维尺度（Multi-DimensionalScaling,MDS）, 投影追踪（ProjectionPursuit）等；
12) 集成算法：常见的算法包括：Boosting，BootstrappedAggregation（Bagging），AdaBoost，堆叠泛化（StackedGeneralization，Blending），梯度推进机（GradientBoostingMachine,GBM），随机森林（RandomForest）。
3、掌握一种编程工具，比如Python
一方面Python是脚本语言，简便，拿个记事本就能写，写完拿控制台就能跑；另外，Python非常高效，效率比java、r、matlab高。matlab虽然包也多，但是效率是这四个里面最低的。
4、了解行业最新动态和研究成果，比如各大牛的经典论文、博客、读书笔记、微博微信等媒体资讯。
5、买一个GPU，找一个开源框架，自己多动手训练深度神经网络，多动手写写代码，多做一些与人工智能相关的项目。
6、选择自己感兴趣或者工作相关的一个领域深入下去
人工智能有很多方向，比如NLP、语音识别、计算机视觉等等，生命有限，必须得选一个方向深入的专研下去，这样才能成为人工智能领域的大牛，有所成就。
以上就是本文的全部内容，谢谢作者的分享，希望对大家的学习有所帮助，也希望大家多多支持毛票票。