如何从零开始学习人工智能

  以下内容仅仅是我个人的见解，如果有说的不合适的地方，希望各位读者评论或私信指出，如果有不同的观点，也可以与我一起讨论。
  近几年来，随着人工智能的发展，越来越多的人希望走进AI的大门，从事人工智能的相关工作，不论是人工智能的哪一行业，其基础都是机器学习，以下就是我个人学习及从事机器学习相关工作三年来，得出的一些经验。

1 . 该从哪里入门

  不管是学什么，入门都是最重要的，也就是说，你第一步学什么，如果第一步选的不好，那么很可能就从入门到放弃了，所以，走好第一步，也是非常重要的。
  学习机器学习，基本上全网公认的就是先学python，这个我没有异议，并不是说学别的语言就不能做机器学习，但是，没有一门其他的语言能像python那样，为你提供足够的便利，节省你在代码语法上浪费的时间。
  很多人学习机器学习，上来第一步就直接从深度学习开始，以至于看了很多的视频，书籍，资料，最后还是懵懵懂懂，只是学会了照猫画虎，并未真正的理解算法的数学原理，有的人干脆放弃，有的即使学下去，也是根基不稳，只是停留在简单的应用。
  我个人认为，学会了python之后，第一件事不是直接就开始做机器学习，不仅仅是深度学习，我认为传统的机器学习算法，也不应该操之过急。学完python之后，我觉得应该先花一些时间，重点学习两个数据处理的算法库，numpy和pandas，如果这两个东西学的不好，在后面做数据整理的时候，真的是举步维艰。
  numpy和pandas基本掌握之后，后面该学的是什么呢，该机器学习了吗？我觉得不是，还有一些重要的数学算法需要去学习，不然你就会在后面看大佬们告诉你，梯度下降，紧邻匹配等等这些名词，你又不知道这是干嘛的，所以下一步，就是学习传统的算法，要做到自己用数学原理，去完成对少量数据的训练，这样对以后理解深度学习的原理，大有裨益。
  简单说一下要学习的内容，包括但不限于，线性回归，多项式拟合，最小二乘法拟合，分类，聚类，决策树，随机森林，支持向量机，朴素贝叶斯等等，这其中包含的原理，对后续的学习尤为重要。

2. 开始深度学习

  到此为止，正戏开始，终于到了学深度学习的时候，深度学习，很多人看了之后都是一头雾水，这很正常，我也曾经是这样，我自己自学了很久，都没能掌握重点，最后还是在前辈的点播之下找到了方向。以下是我的个人经验
  第一步，简单看一遍原理，包括神经元，前向传播，反向传播，损失函数等等，看完一遍就够了，然后可以自己试试写个神经元，然后以卷积神经网络作为重点学习，我之所以推荐卷积神经网络，是我觉得卷积神经网络相对容易理解，而且是现在深度学习应用最广泛的东西。
  首先要深刻的理解卷积是什么概念，不论是网上的资料还是书上的讲解，一定要知道卷积是怎么计算的，卷积的原理是什么，卷积都包括什么，简单提示一下，要重点了解一下卷积的分离，感受野。
  卷积之后呢，就要好好的学习一下深度的概念，深度的概念是指卷积的层数，但是每一层深度之间所流动的参数，也是非常重要的，刚开始的时候一定要好好明确这些参数，要看看在每次卷积池化的变化之后，参数和变量都会有哪些变化，然后损失函数反向传播这些东西是需要这样去学。

3.开始写模型

  基础打完了，接下来才是开始写模型的时候，我个人有一个方法，可以先从简单的模型入手，比如手写数字的识别，这个模型通常只有两三层，个人建议自己手打一遍，跑通成功之后，可以尝试着去更改参数，观察中间变量以及最终结果会产生什么变化，然后试着自己做了个小模型，这便于充分的理解。
  最后，要将深度学习的一些经典模型统统扣一遍，不是简简单单的看一遍原理然后把模型跑通就可以了，一定要像我之前说的那样，跑通模型之后，要尝试着去改变参数，改变模型，观察变量和结果，最后自己仿写一个，如果能将经典的模型都吃透，那么后面的路，就想怎么走怎么走，不管是什么样的模型，万变不离其宗。
  从今天开始 ，我会每天更新一些知识点，把我学习应用深度学习的经验分享给大家，我也不是大佬，我每做一个知识点，对我来说也是一次重新学习，共同进步。