從零開始如何學習人工智慧？

2017-12-10推薦

說說我自己的情況：我接觸AI的時候，是在研一。那個時候AlphaGo戰勝圍棋世界冠軍李世石是大新聞，人工智慧第一次出現我面前，當時就想搞清楚背後的原理以及這些技術有什麽作用。

就開始找資料，看視訊。隨著了解的深入，對AI的興趣就越大。這兒總結一些我學習的心得、學習路徑以及資源，幫助大家快速入門，少走彎路。

在智慧化時代，越來越多的人想要學習人工智慧，提高自己的核心競爭力。

人工智慧是什麽？

人工智慧（AI），是「Artificial Intelligence」的縮寫。是一種人類創造出來的擁有才智的東西，讓機器模擬人類的行為、思維，來處理人類面臨的特定問題。

現階段學習人工智慧學什麽？

AI展現出的能力越來越多，在某些方面的能力能媲美甚至超過人類。現在學習人工智慧，在我看來可以分為兩個方向：

一個是學習人工智慧的原理，比如學習自然語言處理（NLP）、機器學習（ML）、深度學習（DL）；

二是學習AI的套用工具，比如現在很火的各種大模型 。

現在有很多大模型，有聊天類的CHATGPT、claude、文心一言等，也有繪畫類的MJ、SD,此外還有很多行業通用大模型。這些大模型將普通人和AI前沿技術之間的距離拉近了很多，大模型也是這次AI技術的主要內容。

大模型可以極大的提高我們工作和學習效率，給大家帶來了很多機會，但要高效使用這些AI大模型，也要給足夠的準確的提示詞。透過不斷的學習，在這次AI技術中賺到更多的技術紅利。

大家可以看看這一門專門講AI大模型的公開課，也是知乎知學堂官方釋出的，【程式設計師的AI大模型進階之旅】公開課也邀請了圈內技術大佬來解讀前沿AI技術，透過兩天的學習，讓大家更加淡定面對AI技術。現在參加還可以領取AI大模型、免魔法就可以使用的AI工具，點選下面的卡片就可以參加：

學習方法

更多關於AI的學習，是想要學習AI的原理，然後拓展自己的技術面。下面這個圖可以說明人工智慧、機器學習、深度學習之間的關系，此外，還有一些其他的分支，比如電腦視覺、自然語言處理等。

整個AI的學習路徑，推薦按著這個步驟來學習：

基礎知識（統計學知識、機率論、程式語言、高數）——演算法和策略（機器學習、深度學習）——基於自己的興趣方法找到深耕方向（電腦視覺、自然語言處理等）

基礎知識

高數

數學是AI 的基石，這些是理解各種演算法的基礎。學習AI需要學習的高數知識主要有：

函式、函式極限（無窮小與無窮大、極限的四則運算、導數）、可導和連續（導數的四則運算、復合函式求導法、高階導數、偏導數）、微分、均值定理、泰勒展開式、不定積分、函式單調性與極值、曲線的凹凸與拐點等。

機率論和統計學知識

AI需要大量的數據和數學模型來分析和決策，統計學可以幫助AI快速來處理這些資訊。下面來舉一些學習AI必須知道的機率論和統計學知識：

1.了解隨機變量的型別，並清楚隨機事件的基本定義、隨機變量的基本概念
2.掌握機率、機率密度的概念及其表示
3.會計算隨機變量的聯合分布、邊緣分布、條件分布
4.掌握先驗機率、後驗機率的基本概念及其計算方法
5.掌握隨機變量的均值、變異數、共變異數、共變異數矩陣、矩、相關系數的基本概念及其計算方法
6.掌握常見的隨機變量的分布函式及其特征
7.掌握統計模型的參數估計的基本方法，重點掌握極大似然估計、最大後驗機率估計等
8.理解假設檢驗的基本概念、作用，掌握進行假設檢驗的基本方法
9.理解多元統計分析與常規統計分析的區別、難點
10.掌握多元高斯隨機變量的均值向量、變異數矩陣、共變異數矩陣、相關系數矩陣的推導
11.掌握隨機過程的基本概念、作用及其統計描述
12.掌握馬爾科夫鏈基本概念、作用及其統計描述
13.掌握馬爾科夫隨機場基本概念、作用及其統計描述

程式語言

AI的程式語言有很多中，不過推薦大家學習python，主要有三個原因：

1.python的語法相對來說比較簡單，更適合零基礎入門；

2.python有很多AI的庫，這些庫極大的方便了AI的學習；

3.在當前的市場上，python的使用面更廣一些。

基礎的python知識主要包括： 基本數據型別、關鍵字、識別元和內建函式、運算子、語句 。

演算法和策略

在有了一定得基礎後，就可以深入學習機器學習、深度學習了。

我在另一個如何學習機器學習得回答中詳細介紹了機器學習的流程、機器學習套用方向、需要哪些知識等等，在這兒就不贅述了。大家可以看看我這個回答：

基於自己興趣繼續深入學習

了解機器學習、深度學習後，有了演算法基礎，就可以根據自己的興趣愛好做更專業的研究了，比如 自然語言處理、電腦視覺 等。

自然語言處理