一、機器學習

· 對於機器學習領域最好的介紹，請在Coursera上觀看Andrew Ng 的Machine Learning course。這門課解釋了該領域的基本概念，並且能讓學者很好的理解重要演算法。

·《集體智慧程式設計》一書是學習 ML 演算法在 Python 中實際運用的好資源。這本書涉及所有必要的基本原理，會帶你體驗很多實踐課題。

可能你會對這些重要資源也感興趣：

· 湯姆·米切爾在卡內基梅隆大學上的另一門《ML課程》

二、深度學習

我之前遇到過的關於深度學習最好的介紹是Deep Learning With Python。這門課沒有深入解釋數學難題，不需要很多的預備知識，而是簡單介紹了開始學習 DL 的方式，解釋瞭如何快速開始建設並且在實踐中學習所有知識。它解釋了最高階的工具（ Keras, TensorFlow ），而且帶你體驗不同的實踐課題，解釋如何通過那些最好的 DL 應用來達到藝術效果。

在 Google 上也有DL 課程的介紹，而且有 Sephen Welch 對於神經網路的詳細介紹。

之後，如果想獲得更多深層次的資源，這裡有一些很有趣：

· Geoffrey Hinton 的coursera 課程“機器學習中使用的神經網路”。這門課程會帶你瞭解 ANN 的經典問題——MNIST 字元識別，並且深入解釋所有問題。

· Michael Nielsen 的《神經網路和深度學習》一書

三、人工智慧

·《人工智慧：一種現代方法（AIMA）》是一本關於“守舊派” AI最好的書籍。這本書總體概述了人工智慧領域，解釋了所有讀者需要知道的基本概念。

· UC Berrkeley 的

大腦如何工作

如果你對人工智慧感興趣，你可能很想知道人的大腦是怎麼工作的，下面的幾本書會通過一種直觀、有趣的方式解釋最好的現代理論。

我建議通過這兩本書入門，這兩本書能很好地向你解釋大腦工作的一般理論。

其他資源

·《Principles of Neural Science》

四、數學

學習人工智慧，這裡有你需要了解的最基本的數學概念：

微積分學

線性代數

· Gilbert Strang的 MIT線性代數視訊課

· Coding the Matrix —  布朗大學關於為電腦科學專業開設的線性代數課程

概率與統計

· 可汗學院概率和統計視訊課

五、電腦科學

要想掌握人工智慧，你需要熟悉電腦科學和程式設計。

如果你剛剛開始瞭解，我建議你讀一讀《Dive Into Python 3》這本書。這本書很棒，能夠讓你學到在 Python 中程式設計所需要的大多數知識。

六、其它資源

·Metacademy —  是你知識的“管理器大禮包”。你可以利用這個工具來了解學習 ML不同課程需要的所有預備知識。

因為我正在學習更多關於 AI 和 ML 的知識，所以我會不斷對這份列表進行補充。 如果你有好的建議，你可以點選這裡留言，或者給我發郵件[email protected]Gmail.com。

如果你對學習人工智慧和深度學習感興趣，你可以訂閱我的部落格，我會在這裡釋出所有與人工智慧和深度學習有關的有趣文章。