程序員如何搭上人工智慧的快車？大量學習資料推薦

最新 08-28

如果您對傳統企業互聯網轉型、大數據、智能製造、企業管理等內容的資料、PPT等感興趣，歡迎關注兮易強企閱聞公眾號

作者／chenjj

眼下，人工智慧已經成為越來越火的一個方向。普通程序員，如何轉向人工智慧方向，是大部分程序員的一個需求。

我推薦的學習路線是這樣的，如下圖：

下面是關於每個階段的具體介紹：

0. 領域了解

在學習任何一門知識之前，首先第一步就是了解這個知識是什麼?它能做什麼事?它的價值在什麼地方?了解這些問題後，你才能培養出興趣，興趣是最好的引路人，學習的動力與持久力才能讓你應付接下來的若干個階段。諸如關於機器學習是什麼，能做什麼，它與深度學習以及人工智慧的關係。

1. 知識準備

如果你離校過久，或者覺得基礎不牢，最好事先做一下準備複習工作。以下的準備工作不多，但足以應付後面階段的學習。

數學：複習以下基本知識。線性代數：矩陣乘法;高數：求導;概率論：條件與後驗概率。

英文：常備一個在線英文詞典，能夠不吃力的看一些英文的資料網頁；

FQ：可以隨時隨地上Google，這是一個很重要的工具。不是說百度查的不能看，而是很多情況下Google搜出來的資料比百度搜的幾十頁的資料還管用，尤其是在查英文關鍵字時。節省時間可是很重要的學習效率提升；

2. 機器學習

機器學習的第一門課程首推Andrew Ng（吳恩達，目前百度首席科學家）的機器學習。這門課程有以下特點：難度適中，同時有足夠的實戰例子，非常適合第一次學習的人。

cs229 這門課程我這裡不推薦，為什麼，原因有以下：

時間：cs229 的時間太早，一些知識已經跟不上當今的發展，目前最為火熱的神經網路一筆帶過。

教學：Ng在cs229 時候的教學稍顯青澀，可能是面對網路教學的原因。有很多問題其實他都沒有講清楚，而且下面的人的提問其實也很煩躁，你往往不關心那些人的問題。這點在Coursera上就明顯得到了改善，你會發現Ng的教學水平大幅度改善了，他會對你循循善誘，推心置腹，由淺入深的教學，在碰到你不明白的單詞術語時也會叫你不要擔心，更重要的，推導與圖表不要太完善，非常細緻清晰，這點真是強力推薦；

字幕：cs229 的字幕質量比Coursera上的差了一截。

作業：cs229 沒有作業，雖然你可以做一些，但不會有人看。這點遠不如Coursera上每周有deadline的那種作業，而且每期作業提交上去都有打分。

3. 實踐做項目

這裡需要選擇一個應用方向，是圖像(計算機視覺)，音頻(語音識別)，還是文本(自然語言處理)。這裡推薦選擇圖像領域，這裡面的開源項目較多，入門也較簡單，可以使用OpenCV做開發，裡面已經實現好了神經網路，SVM等機器學習演算法。項目做好後，可以開源到到 Github 上面，然後不斷完善它。實戰項目做完後，你可以繼續進一步深入學習，這時候有兩個選擇，深度學習和繼續機器學習。

4. 深度學習

深度學習：深度學習是目前最火熱的研究方向。有以下特點：知識更新快，較為零碎，沒有系統講解的書。因此學習的資源也相對零散，下面是一些資源介紹。

其中不推薦的部分並不代表不好，而是在這個初學階段不合適：

推薦，UFLDL：非常好的DL基礎教程，也是Andrew Ng寫的。有很詳盡的推導，有翻譯，且翻譯質量很高;

推薦，Deep learning (paper)：2015年Nature上的論文，由三深度學習界的大牛所寫，讀完全篇論文，給人高屋建瓴，一覽眾山小的感覺，強烈推薦。如果只能讀一篇論文了解深度學習，我推薦此篇。這篇論文有同名的中文翻譯;

推薦，Neural networks and deep learning：這本書的作者非常擅長以淺顯的語言表達深刻的道理，雖然沒有翻譯，但是閱讀並不困難;

推薦，Recurrent Neural Networks：結合一個實際案例告訴你RNN是什麼，整篇教程學完以後，會讓你對RNN如何產生作用的有很清晰的認識，而這個效果，甚至是讀幾篇相關論文所沒有的;

不推薦，Neural Networks for Machine Learning – University of Toronto | Coursera：深度學習創始人教的課，最大的問題是太難，而且老先生的吐字有時不是很標準;

不推薦，Deep Learning (book)：同樣也是由深度學習大牛所寫的書，但感覺就像是第二作者，也就是他的學生所寫的。很多內容都講了，但是感覺也沒講出什麼內容來，只是告訴你來自那篇論文，這樣的話可能直接閱讀論文更合適。

不推薦，cs231n：李菲菲的課程，很有名，專門講CNN。但是這門課程有一個最大的問題，就是沒有字幕，雖然有youtube的自動翻譯字幕，但有還不如沒有。

5. 繼續機器學習

深度學習未必就是未來的一定主流，至少一些大牛是這麼認為的。傳統的機器學習有如下特點，知識系統化，有相對經典的書。其中統計學習(代表SVM)與集成學習(代表adaboost)是在實踐中使用非常多的技術。

推薦，機器學習(周志華)：如果是在以前，機器學習方面的經典教材首推PRML，但現在周老師的書出來以後，就不再是這樣了。首先推薦讀周老師的書。這本書有一個特點，那就是再難的道理也能用淺顯精鍊的語言表達出來。正如周老師的名言：「體現你水平的地方是把難的東西講容易了，而不是把容易的東西講難，想把一個東西講難實在太簡單」；

不推薦，Pattern Recognition And Machine Learning：當前階段不推薦。PRML是以貝葉斯的觀點看待很多機器學習方法，這也是它的一大特色。但對於初學者來說，這種觀點其實並無必要。而且此書沒有中文翻譯，當前階段硬啃很容易放棄；

6. 開源項目

當知識儲備較為充足時，學習可以再次轉入實踐階段。這時候的實踐仍然可以分兩步走，學習經典的開源項目或者發表高質量的論文。開源項目的學習應該以盡量以優化為目的，單純為讀代碼而學習效果往往不太好。好的開源項目都可以在Github 里搜索。這裡以深度學習為例。深度學習的開源優秀庫有很多，例如torch，theano等等，這裡列舉其中的兩個：

推薦，DeepLearnToolbox：較早的一個深度學習庫，用matlab語言撰寫，較為適合從剛學習的課程轉入學習。遺憾的是作者不再維護它了；

推薦，tensorflow：Google的開源庫，時至今日，已經有40000多個star，非常驚人，支持移動設備。

7. 會議論文

關於在哪裡看論文，可以看一下CCF推薦排名，了解一下這個領域裡有哪些優秀的會議。