有很多小夥伴問過我零基礎要怎麼入門機器學習或者人工智慧，今天來提煉一下，方便志同道合的朋友們參考。

記得我剛入此山洞準備修煉的時候，就 Google 了好多這類的問題，那時候覺得大家的建議好多呀，這條路看起來真長，那麼多東西要學，那麼多書要看，那麼多有用的課程要學。

現在我可以就自己走過的坑坑包包來推薦一條簡單粗暴的路徑。

［step 1： 方向］

在行動之前，先想好這幾個最基本的問題，如果自己想不全都可以去搜一下，知乎上很多大拿的回答：

－－1.為什麼要學習機器學習或者人工智慧呢？

我的話，很實在地說，就是不想被淘汰呀！最開始就是這麼一個感覺。
官方一點的話，就是可以提高效率呀。
廣泛的需求我並沒有去想，只是想解決一下自己的需求。
譬如，不想做家務，就弄個機器人給我做；不想做瑣事，就弄個智慧助理給我做。

所以大家在開始入洞之前，也要先想幾分鐘這個問題：

eg：是想做資料科學還是人工智慧開發呢？
if Data Science：就多做 kaggle 上偏分析的專案
if AI：再想想是自然語言處理還是影象識別呢？

我覺得 NLP 和 CV 是最基礎的技術，AI 主要還是看應用領域，現在比較火的：自動駕駛，聊天機器人，ARVR，智慧家居，智慧教育，等等，最基礎的就是看和理解麼，當然對於每個具體的方向，肯定是涉及到更多技術和具體的細節知識需要去學的，不過入門的話，這倆是基礎。可以選其一，有興趣也可以選倆。AI 主要還是跟實際應用場景關聯起來意義才大，醫療，生物，氣象，教育，交通目前比較火，對某個領域感興趣可以專攻更深。

－－2.機器學習，人工智慧，資料科學的關係？

為了確立明確的入口，最好是知道這三者的關係，方便大家做計劃時更專注一些
大家可以去多看幾篇這樣的文章，可以很快地瞭解一下大綱。

從這個圖看，機器學習的基礎還是要看滴，雖然現在深度學習很流行，類似 Tensorflow 等平臺也可以直接把資料仍進去，呼叫多種模型，變換網路的層次等引數，它就輸出結果，不過神經網路模型是隻是機器學習的一種，不是全部。當然開始的話，完全可以跨過ML課程，去學用TF訓練一個聊天機器人，分析情緒，翻譯器等等。

－－3.多長時間後想達到什麼樣的目標？

eg：1 年後找到 ML 工作
then：簡歷上需要相關專案 or 學歷背景
對於很多已經工作的夥伴，學歷如果不容易實現的話，可做好專案這一欄。
then：在拉勾網等招聘網站上面找到感興趣的工作，去看相關工作描述，提取出需求的技能，列入學習清單，學習時間緊時可以挑相關的先重點學。

［step 2: 路線－步驟］

第一步確立方向後，假設你想做人工智慧，並且是自然語言處理，以此為例：

入門路線的話，一點我只推薦一個吧，簡單不會被嚇到，也是我經驗覺得比較高效的：

－－1.語言：

推薦 python
入門書：learn python the hard way
pkg 教程網站：python scikit-learn
當然還需要 numpy，matplotlib，pandas 等常用包，scikit 是介紹演算法多一些，可直接看

－－2.課程：

Coursera 上吳恩達的是我覺得比較基礎且系統的，但它用matlab，大家可以直接換成 python 去敲程式碼。Udacity 上的機器學習課程是用 Python 做的。

－－3.書：

周志華的西瓜書《機器學習》

－－4.自然語言處理基礎：

課程：cs224d
如果是影象處理，課程：cs231n

－－5.小專案：

資料科學：Kaggle 上很多好玩的比賽，開腦洞＋實戰
人工智慧：建議找個感興趣的小方向，實際做出來一個，例如做一個自動會創作音樂的小程式

－－6.螺旋式升級：

我覺得最有意思的就是在第5步，這期間就會發現還有好多關聯東西需要學，所以就邊學邊戰吧

［Tips］

2017 可以給自己定個小目標，一個月拿下一步，升一級，醬紫至多 5 個月後你就可以有自己的AI了。

上面幾步，大家完全可以根據自己的喜好，在搜尋引擎提供的結果中，選擇適合自己的資源和節奏。

我覺得最有效的就是從實戰中學習，但是理論也是必不可少的。

每一步先只選一個，適合自己的資源，就開始好好學。

上面只是一小步，離精深還遠。

［關於阻礙］

大家擔心比較多的問題就是，數學不記得了還能學麼？

我覺得，暫時不要緊，可以直接看 scikit，裡面有程式碼的 demo，知道套路可以用，先用上就會很有成就感。
裡面文件不懂得，例如哪些引數什麼意思呀，怎麼調呀，也可以找搜尋引擎幫助。
不過面試的話，對模型的原理，推導，細節還是要把握好的。

大家都說成長最快的方式，就是找這個領域的牛人學習。對於這種學習，如果沒辦法做到直接的，線上的，看他的書呀，聽他的課呀，都算是學習。