目前人工智能相关的课题极为的火爆，很多人不知道的该如何入手研究人工智能，本文为新手小白做了人工智能的介绍以及需要学习地相关课程推荐。
参考课程：
人工智能的阶段
第一阶段：人工智能必备基础
1）python 基础教程（第三版）
2）数学之美（吴军，第三版）
3）利用python进行数据分析（python 实战，numpy,pandas）
第二阶段：机器学习
1）算法理论：统计学习方法、机器学习西瓜书、机器学习公式详解南瓜书
2）实战部分：阿里云天池大赛，赛点解析，机器学习篇
第三阶段：深度学习
1）神经网络与深度学习（深度学习原理）
2）动手学深度学习（动手部分，）
3）NLP:自然语言处理综述
4）计算机视觉算法与应用（CV计算机视觉）
第四阶段：论文
笔记
1.1 人工智能是什么
是什么:人工智能，是研究如何模拟、延伸并扩展人类智能的一门科学艺术
诞生背景:传统计算机编程可以解决"确定性问题”(最短距离计算, 偏微分方程求解…但对于不确定性问题(手写文字识别，垃圾邮件识别，听声辨人..难以解决)
主要目的:促使计算机像人一样,
1)会听:语音识别
2)会看:图像、文字识别
3)会说:语音合成，人机对话
4)会思考:人机对弈,定理证明
5)会学习:知识表示
6)会行动:机器人，自动驾驶
.
常见应用:推荐算法(知乎,浏览器等) ;手写体识别(邮件地址,发票) ;人脸识别(门禁) ;
安全中的应用:病毒文件检测;垃圾邮件检测;可疑域名检测;代码漏洞检测;异常行为......
2.1 发展历史
.
基本概念
通过已知数据，去学习数据中蕴含的规律或者判断规则。
已知数据主要用作学习的素材，而学习的目的是推广，也就是把学到的规则应用到未来新的数据上并做出判断或者预测。
基本流程:
1）数据获取;
2）数据预处理;
3）特征工程z;
4）机器学习(模型训练);
5）模型评估(效果预测)
1)数据获取:自己采集；公开的数据集； (数据要具有代表性,广泛性)
2)数据预处理:归一化，离散化，去除共线性; (清洗数据，提高算法的效果)
3)特征工程:筛选显著特征，摒弃无用特征; (数据和特征工程决定了机器学习的结果上限，算法只是让模型尽可能逼近上限)
4)机器学习(模型训练):选模型;调参优化; (不同模型以及不同参数,在同一数据集效果预测差异显著)
5)模型评估(效果预测):过拟合,欠拟合;精准率(P),召回率(F); (高性能的模型对于数据具有较好的泛化性以及精确性)
.
3.1 机器学习算法分类
.
1）监督学习:数据集全部包含标签;标签在学习过程起到监督作用。
2）无监督学习:数据集全部没有标签;自主学习数据映射关系。(没有标签主要是因为数据太乱、标注成本高、区分难度大等)
3）半监督学习:部分数据集包含标签;对小部分数据起到监督作用。(通过已知标签的小部分数据,使用所有数据样本)
4）强化学习:基于环境的反馈行动，通过不断与环境交互,最终完成特定目标或使得整体行动收益最大化(不需要数据标签,但需要每一步行动环境给予的反馈,是奖励还是惩罚，基于反馈调整训练对象行为)
4.1 机器学习的适用场景
适用的场景:
1)有大量的经验数据或者特征可以借鉴;
2)应用的场景和条件简单清晰，比如下棋规则;
3)找寻最优解比较慢或者复杂的时候;
4)文本翻译等感知性问题;
不适用的场景:
1)缺乏数据训练系统，比如密码数据;
2)找寻最优解比较快的时候，比如信息查表;
3)逻辑证明，比如数学定理证明;
4)准确计算，比如微积分计算等
.
总的来说，机器学习适用于感知性的问题场景，而不适用于准确性的逻辑场景;适用于最优解获取复杂的问题场景，不适用于最优解获取简单的问题场景。
5.1 AI的落地过程
.
6.1 深度学习
机器学习与深度学习的区别？
DL VS ML,优劣比较:
1）端到端VS分阶段;学习能力更强，对特征工程要求更低
2）数据依赖: DL广泛的假设空间，依赖更广泛的样本
3）算力依赖: DL对计算能力要求极高，GPU必不可少
4）可解释性差:DL判断原理类似黑箱，经典的获得可解释性的方法，是通过ML模拟DL模型(蒸馏)，进而获取可解释性;
7.1 深度学习兴起的关键
数据+算力
.
.
7.1深度学习的经典应用范围，有哪些?
计算机视觉 (CV) ，自然语言处理(NLP)
1）CV方面：
常见的研究领域有：图像生成、图像识别、生成对抗网络、图像预处理、边缘检测、纹理分析、光流、图像分割、变化检测、跨域学习、小样本学习、域适应、半监督学习、无监督学习、自监督学习、注意力机制、图卷积网络、元学习、目标检测、异常检测等等。
2）NLP方面：
常见的研究领域有：词义消解、指代消解、语义角色标注、中文分词、问答系统、情感倾向性分析、推荐系统、阅读理解、知识图谱、隐喻机器处理、命名实体识别、关系挖掘、事件提取、文本分类、信息检索、信息抽取、机器翻译等。
常用的NLP模型有: RNN、Seq2Seq、Transformer、 GRU、GPT、LSTM、 Bert系列、Elmo、XLNet等 。