一、前言

現如今，人工智慧已成為最熱門的話題之一。有越來越多的人開始想學習人工智慧；那麼對於數學基礎不太好的同學如何入門人工智慧？本篇文章分享數學基礎不好是如何入門學習人工智慧的，希望能給即將或已經在人工智慧路上的你帶來幫助，少走一些彎路。

二、如何學習人工智慧

人工智慧是很寬廣的，包含了很大的方向；在學習人工智慧之前您應該瞭解人工智慧有哪些方向，大致可以做什麼，然後在選取一個您適合你的方向來學習，這樣會事半功倍很多。

下面來簡單介紹人工智慧的方向。

1.人工智慧可以處理哪些資料型別

數值型資料

數值型資料是指在您做人工智慧專案的時候，面對需要處理的資料是數值的或者很容易轉換成數值型別的(如性別欄位、城市欄位、學歷欄位這種離散型變數)時候我們通常稱為數值型資料；常見的數值型資料有金融交易資料、醫療資料、借貸資料等。

文字型資料

文字型資料通常指在文字欄位(變數)中提取欄位的含義的資料稱為文字型資料處理，常見的文字型資料有新聞資料、評論資料、貼吧資料等。

圖片型資料

圖片型資料是指在圖片中提取該圖片中的含義，如在圖片中識別出車牌號、圖片中識別貓狗等動物等。

音訊型資料

音訊資料是指識別音訊中的內容。

視訊型資料

視訊型資料是指在視訊檔案中通過人工智慧演算法識別出特點內容。

建議:如果您想學習人工智慧建議你先從數值型別資料入門，因為數值型資料處理起來相對來說最為簡單。

2.人工智慧領域有哪些技術方向

人工智慧領域也分為很多技術方向，接下來總結一下人工智慧領域常見的技術方向

機器學習

機器學習(Machine Learning, ML)是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、演算法複雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的效能。
它是人工智慧的核心，是使計算機具有智慧的根本途徑，其應用遍及人工智慧的各個領域，它主要使用歸納、綜合而不是演繹。

神經網路

神經網路又稱人工神經網路，是機器學習的一種，是一種應用類似於大腦神經突觸聯接的結構進行資訊處理的數學模型。在工程與學術界也常直接簡稱為“神經網路”或類神經網路。
人工神經網路（人工神經網路）的計算模型靈感來自動物的中樞神經系統（尤其是腦），並且被用於估計或可以依賴於大量的輸入和一般的未知近似函式。人工神經網路通常呈現為相互連線的“神經元”，它可以從輸入的計算值，並且能夠機器學習以及模式識別由於它們的自適應性質的系統。

增強學習

增強學習是機器學習的一種。增強學習是指從動物學習、隨機逼近和優化控制等理論發展而來，是一種無導師線上學習技術，從環境狀態到動作對映學習，使得Agent根據最大獎勵值採取最優的策略；Agent感知環境中的狀態資訊，搜尋策略（哪種策略可以產生最有效的學習）選擇最優的動作，從而引起狀態的改變並得到一個延遲迴報值，更新評估函式，完成一次學習過程後，進入下一輪的學習訓練，重複迴圈迭代，直到滿足整個學習的條件，終止學習。

自然語言處理

自然語言處理是電腦科學領域與人工智慧領域中的一個重要方向。它研究能實現人與計算機之間用自然語言進行有效通訊的各種理論和方法。自然語言處理是一門融語言學、電腦科學、數學於一體的科學。因此，這一領域的研究將涉及自然語言，即人們日常使用的語言，所以它與語言學的研究有著密切的聯絡，但又有重要的區別。自然語言處理並不是一般地研究自然語言，而在於研製能有效地實現自然語言通訊的計算機系統，特別是其中的軟體系統。因而它是電腦科學的一部分。
自然語言處理（NLP）是電腦科學，人工智慧，語言學關注計算機和人類（自然）語言之間的相互作用的領域。

3.如何入門學習人工智慧

上章節我們瞭解到了人工智慧的主流技術方向以及處理資料型別，接下我將以我自身的經驗分享一下我是如何學習人工智慧。

第一步:你需要掌握一門人工智慧領域常用的程式語言，Python或者R語言都可以，掌握其中一種即可；我個人推薦你學習Python語言，因為Python很火，功能強大；
 Python語言可以做很多的事情，如做爬蟲、web開發、人工智慧，在這裡你只需要花一週的時間把Python基礎掌握牢固即可，如怎麼樣定義變數、怎麼樣操作元組、怎麼樣自定義函式等；

第二步:確定學習人工智慧的方向。人工智慧太寬廣，你需要選擇一個人工智慧的小分支去學習，等學習好了在往其他技術領域的人工智慧去學習；這裡我推薦你以機器學習領域常用的十大演算法為切入，通過機器學習演算法常用的十大演算法嘗試計算數值型的資料；因為該領域演算法很實用且相對來說也更容易入門。

第三步:建議你去找一門教程或者一本書去學習如何使用機器學習演算法，在這裡我推薦你看一門書《機器學習實戰》，假如你剛接觸機器學習即使完成裡面的所有案例，還是不夠了解不要緊，很正常，第三步是為了讓你熟悉機器學習演算法，以及知道機器學習演算法具體的程式碼實現，後面專案用到了在加深學習。

第四步:掌握資料分析與處理。
包含:缺失值分析、異常值分析、變數相關性分析、連續變數離散化分析等
之所以需要掌握資料分析與處理是因為，在做機器學習專案的時候，大多數時候給到你的資料都不是完整的，如欄位缺失率高、有垃圾資料，資料分析與處理的作用是幫你得到一個乾淨且有效的資料，提供第三步機器學習演算法做輸入引數使用。

第五步：當你掌握了資料分析與機器學習演算法後這時候你可以在網際網路上下載一些專案資料通過資料分析和機器學習演算法去實現和預測結果。

   機器學習專案資料建議你去kaggle網站，去下載專案資料。
   當您完成上面所有步驟且準確度達到一定程度（如準確率達到75%以及以上）後，恭喜你已經入門了；
   當入門之後，後續還有很多事情需要做如模型優化、IT專案對接、文件記錄等，相信入門之後的你對於後續內容自學問題不大。

總結

   人工智慧發展的今天有越來越多的人工智慧方向的框架出現，門檻也隨之越來越低；所以想學人工智慧不要害怕學不會,數學不好的不要緊，先學會去用這些框架和程式語言去完成指定的專案，當會用之後接下來可以嘗試著選擇性的學學常用的高等數學公式。
   還有完成一個人工智慧的專案分為很多流程，數學只佔專案的一部；在人工智慧專案中假如您數學不好，您還可以去完成其他的流程部分，數學部分可以和數學較好的同事合作完成。

`

關注公眾號:DT資料技術博文， 更多人工智慧、大資料、網路爬蟲教程等著你。