随着人工智能的发展，越来越多的空白等待着我们，吸引着我们，也诱惑着我们向这个领域转型。相信很多朋友和刘茂一样，都难免会问自己，“普通程序员是怎么转向人工智能的？” 现在，我想在这篇文章中告诉刘茂自己的答案。
1.小介绍：
刘茂给这篇文章的目的是告诉大家一个简单、流畅、易于实现的学习方法，帮助“普通”程序员踏入AI领域。
在这里，我对普通程序员的定义是：
因此，这篇文章更像是一个“从零开始”的 AI 入门教程。
2、AI领域介绍：
AI 或人工智能不仅包括机器学习。虽然符号和逻辑曾经被认为是实现人工智能的关键，但今天基于统计的机器学习占主导地位。最近火热的深度学习只是机器学习的一个子项。
目前可以说学习AI主要是学习机器学习。但是，人工智能不等于机器学习，进入这个领域必须要认清。关于AI领域发展史的介绍，推荐阅读周老师撰写的《机器学习导论》。
接下来的问题是：AI的大门容易过吗？它实际上非常糟糕。让我们以机器学习为例。在学习过程中，你会面临大量复杂的公式，而在实际项目中人工智能自学 知乎，你会面临数据匮乏、参数调整困难等问题。
如果只是因为你觉得这个方向以后会“火爆”，那么这些困难很容易让人放弃。考虑到普通程序员的特点，这么难的科目就没有办法学吗？答案是否定的。只要找到正确的学习方式。
三、学习方法：
只需回答以下问题即可设置学习方法：
这三个问题可以概括为：
制定学习政策后，您可以制定学习计划，也称为学习路线。以下是学习路线的介绍。
4.学习路线
我推荐的学习路线如下，如下图：
AI领域常用的学习路线图
我们对所有的学习路径进行总结和抽象，得到学习路径如下：
先了解这个领域，建立全面的视野，培养足够的兴趣，然后开始学习机器学习的基础知识。在这里，选择一个由浅入深的课程来学习，课程最好有足够的实验来进行实战。打好基础后，你对机器学习有了足够的了解，可以用机器学习解决一个实际问题。在这一点上，机器学习方法仍然可以被视为一个黑匣子。积累实践经验后，可以考虑继续深造。这时候有两种选择，深度学习或者继续机器学习。深度学习是目前最火的机器学习方向，其中一些方法已经不同于传统的机器学习，可以单独研究。除了深度学习，机器学习还包括统计学习、集成学习等实用方法，如果条件充分，两者都可以同时学习，有些规律是两者共有的。学习之后，你已经有了很强的知识储备，可以进入更难的实战。这个时候，有两种选择。业内人士可以选择看开源项目，阅读代码，达到改代码的目的；学术界的人可以看特定领域的论文，想发表论文解决问题。不管是哪一种，都需要很强的知识和较强的编码能力，所以测试和锻炼水平非常好。经过这个阶段，可以说是进入AI领域的大门。“师父引门，
在学习任何科目之前，第一步是回答以下三个问题：
了解了这些问题后，就可以培养兴趣，兴趣是最好的引导，学习的动力和毅力可以让你应对接下来的阶段。
2.知识准备
如果你已经离开学校很久了，或者觉得基础不牢，最好提前做一些准备和复习工作。“工人要做好工作，首先要磨砺自己的工具。” 下面的准备工作不多，但是对于后期的学习来说已经足够了。
3.机器学习
机器学习的第一门课程是 Andrew Ng 的机器学习。本课程具有以下特点：难度适中，同时实例足够多，非常适合初次学习的人。我这里不推荐cs229这门课，为什么，原因如下：
在这里，刘茂良心推荐 Coursera。上面提到的一切在这里都得到了完美的解决。是一种难得的优质资源。当然还有我们的MOOC网络，也是领先的良心资源。
4.练习做项目
学完基础课程后，你对机器学习有了基本的了解。
现在使用它们是没有问题的，你可以把机器学习算法当成一个黑盒子，把数据放进去人工智能自学 知乎，你就会有结果。在实战中，更需要关心如何获取数据，如何调整参数。如果你有时间，最好自己做一个简单的动手项目。这里需要选择一个应用方向，无论是图像（计算机视觉）、音频（语音识别），还是文本（自然语言处理）。建议在这里选择图像字段。开源项目很多，入门也比较简单。OpenCV可用于开发，已经实现了神经网络、SVM等机器学习算法。项目完成后可以开源到Github，然后不断完善。实际项目完成后，你可以继续深造。这时候有两种选择，深度学习和继续机器学习；
5. 深度学习
深度学习：深度学习是目前最热门的研究方向。它具有以下特点：知识更新快，比较零散，没有系统的全书讲解。因此，学习资源比较分散。以下是一些资源介绍。不推荐的部分不代表不好，而是不适合这个初学者阶段：
6.继续机器学习
深度学习未来可能不是某个主流，至少一些大牛是这样认为的。传统机器学习有以下特点，知识比较系统，有比较经典的书籍。其中，统计学习（代表SVM）和集成学习（代表adaboost）是在实践中使用较多的技术。以下是相关资源：
7. 开源项目
当知识储备比较充足时，可以再次将学习转移到实践阶段。这个时候，实践还是可以分为两个步骤，学习经典开源项目或者发表高质量论文。开源项目的学习要尽可能的以优化为目标，只为看代码而学习的效果往往不好。好的开源项目可以在 Github 中搜索。这是一个深度学习的例子。有很多优秀的深度学习开源库，比如torch、theano等，这里有两个：
8. 会议论文
更好的课程会给你推荐一些论文。一些众所周知的技术和方法往往诞生在一些重要的会议上。因此，查看前几年的会议论文是深入的方法。
此时，一些论文的内容会驱使你去研究你不擅长的部分数学。有时你觉得自己的数学知识还不够，所以经常需要学习一些补充课程。
在你阅读了足够多的论文之后，在这个阶段，如果你是学生，你可以选择某个主题进行学习和研究，以发表论文为目的。一般来说，论文是工作的产物。有时，基于实验的论文会要求您编写代码或基于开源项目。
因此，开源项目的研究与会议论文的工作之间存在相关性。两者都可以同时学习。关于论文在哪里看，可以看一下CCF推荐排名，了解该领域有哪些优秀的会议。以下是图像和机器学习领域的两个知名顶级会议：
8. 免费学习
免费学习：在这里，可以说是进了这扇门。以下根据兴趣免费学习。上一阶段不推荐的学习资源，也可以随意学习。以下是评论：
5.我写了这么多的小总结：
刘茂写这篇文章的目的，就是帮助对AI领域不太了解，但又想进入这扇门的小伙伴。我这里只谈步入，因为这个领域很难专攻，需要多年的积累和努力。
在进行实地考察之前，充分了解自己的特点并制定合适的学习方法非常重要：
首先，你必须对这个领域有充分的了解，培养自己的兴趣。学习时，保持循序渐进的学习方针，不要急于学习太难的资源；将学习和实践与互补的策略相结合，不要只是只读，当你真正去做时，你会有成就感。学习某种资源时，要有足够的目的，不是为了学习开源项目而读代码，而是为了阅读开源项目；不是写论文来发表论文，而是写论文来做事。
如果一个学习资源对你来说太难了，并不一定是你的问题，可能是学习资源的演讲者或作者的问题。能简单解释困难问题的人，才是真正熟练的人。所以，一定要学习优质资源，不要乱学。最后，记得带着兴趣去学习。学习时间很长，过程很艰难，只有兴趣才是你坚持和克服困难的最好帮助。
谨以此文献给那些共同前行的朋友。谢谢你耐心看完这么多字。