大家好，我是 herosunly。985院校硕士毕业，现担任算法研究员一职，热衷于机器学习算法研究与应用。曾获得阿里云天池安全恶意程序检测第一名，科大讯飞恶意软件分类挑战赛第三名，CCF恶意软件家族分类第4名，科大讯飞阿尔茨海默综合症预测赛第4名，Datacon大数据安全分析比赛第五名，科大讯飞事件抽取挑战赛第七名。拥有六项发明专利。对机器学习和深度学习拥有自己独到的见解。今天给大家分享的是保姆级人工智能学习成长路径，希望能对大家有所帮助，特别是处于迷茫期的同学们。
最近有很多小伙伴想学习人工智能，其中不少同学渴望从事相关职业。虽然网上的资料很多，但是很多内容不够接地气，导致他们看不懂，所以很迷茫，不知何去何从。作为获得AI比赛Top名次的老司机，就给大家讲讲如何系统学习人工智能，最终达到一名合格的算法工程师。希望大家能够跟随我一步步迈进人工智能的殿堂，一起冲鸭~~~
先简单说一下学习的最大误区就是一上来闷头看视频。看视频是非常低效的学习方式，相比于阅读来说，在同样的时间内看视频学习到的知识量是远远小于阅读的。当然，国内外著名大学的经典视频有时间也可以看看。所以在后续的每个阶段学习中，都会介绍重点的学习教材。
在IT届，最让人朗朗上口的谚语是：Talk is cheap, show me the code。这也充分表明了在计算机领域中代码的重要性了。而人工智能作为计算机领域的分支，同样满足实践是检验真理唯一标准。推荐Python语言作为学习人工智能领域的入门语言。一来是因为Python简单易学，二来是因为在人工智能领域中，很多库和框架可以通过Python语言来调用。
在这里推荐两个课程：简明Python教程和Python官方教程，前者比较适合完全零基础的同学，后者更适合具有了一定基础的初学者。之所以推荐官方教程，是因为官网教程和论文都是最权威的一手资料。
为了帮助初学者更快的入门，特意将几大学习重点列举如下，从而方便初学者学习：
- Python基础语法（如基本类型、选择循环等语句等）
- Python编程规范
- Python函数
- Python面向对象
- Python异常处理
- Python文件操作
- Python正则表达式
- .... 除此之外，还需要花费一些时间学习机器学习常用的库，比如Numpy(numpy.array的基本操作、Fancy Indexing)、Pandas(Series、DataFrame的基本操作)、scikit-learn(数据划分、常用模型、交叉验证等内容)、imblearn(不均衡数据的处理)、梯度提升树（最常用的如XGBoost、LightGBM、CatBoost）、NLP常用库(jieba：中文分词、nltk：英文文本处理、Gensim：获取词向量、CountVectorizer：获取n-gram表示)。
对于新手来说，学习过程中最重要的是不断重复学习，但需要注意的是单纯的重复是没有任何意义的。最忌讳的是无脑的重复。那什么是有效的学习呢？就是在每次重复翻看时，都有新的思考，并且通过查阅资料和代码实践后有新的收获。
学习完Python语言后，就需要进一步学习机器学习的基本理论。推荐的学习教材是李航老师的统计学习方法。其中的常用模型包括：
- 感知机
- K近邻法
- 朴素贝叶斯
- 决策树
- 逻辑回归
- 支持向量机
- 提升树
- 隐马尔科夫
- 条件随机场
- 其他模型
作为一名老司机，先介绍初学者最容易犯的误区，仅仅关注于学习机器学习模型，而忽略了对机器学习核心概念和核心思想的理解，可以通过下列几个问题来进行大概的判断：
- 如何有效划分数据集
- 如何解决过拟合现象
- 模型之间的关联和区别是什么
- 规则和模型如何选择
- 如何根据业务场景选择合适的算法
如果课本内容已经学的很明白，建议同学可以阅读或者动手实现模型代码。大家对上述问题不是很清晰的话，如果反响热烈，后续也会通过系列专栏的形式来讲解这一部分。
学习完机器学习基本理论后，就需要进一步学习深度学习的理论与实战。这是由于在工业界中的数据集数量庞大，只有使用拟合能力更强的深度学习才能取得更好的效果。在此推荐邱锡鹏老师的神经网络与深度学习。在学习过程中重点把握不同神经网络的结构和适用场景。比如最常用的三种神经网络结构：
- 前馈神经网络
- 卷积神经网络
- 循环神经网络
随着技术的演进，注意力机制开始在各个领域中大放异彩。它相比于循环神经网络而言，更好的解决了长程依赖问题。而现在如火如荼的Transformer模型也是在注意力机制的基础上发展而来的。
与此同时，一定要动手使用深度学习框架来完成实践项目，比如使用深度学习框架(Tensorflow或者Pytorch)完成简单的分类或者回归的任务。然后再逐渐深入，从而加深对神经网络和深度学习的理解。
再进一步就是选择细分领域进行学习了，相对主流的几大方向和细分方向分别是：
-
计算机视觉（CV）：图像分类、目标检测、关键点检测（如人体姿态估计）、图像分割、OCR等。主要提取的是颜色、形状和纹理等特征。
-
自然语言处理（NLP）：文本分类、命名实体识别、事件抽取、文本摘要、阅读理解等。主要提取的是词汇、语义等特征。
-
推荐系统：热门推荐、Feed流、猜你喜欢等。
-
金融风控等：客户群体筛选、欺诈风险鉴别、信用评定等。
之前的几个阶段都可以通过教材的方式进行学习，而这一阶段的学习方式为工作或者比赛。如果没有合适的工作机会，但也想拿到进入人工智能领域的入场券，最简单直接的方式就是打比赛拿到top名次。
建议大家可以学习各类Al比赛（Kaggle、阿里云天池、科大讯飞等）前几名队伍的成功经验，方向虽然很多，包含NLP，CV、语音、时序预测、等等方向。但建议大家学习时抓住一个方向进行努力，然后再拓展到其他方向。通过学习前排大佬的经验分享，就可以学习到很多实用的比赛tricks ，从而更好的帮助新手入门数据科学竞赛。
如果我们想成为人工智能领域的大佬，就不能局限于某个细分领域了。因为很多领域之间其实是互相借鉴，互相成就的。举两个例子，一个是在NLP大杀四方的Transformer模型也被迁移到了CV领域，同样实现了佛挡杀佛。另外一个是先在CV领域中实现效果较好的simCLR(对比学习)，后面被NLP领域借鉴实现了simCSE，也取得了极佳的效果。
最后再简单介绍下需要长期培养的几大能力，祝大家早日实现自己的梦想：
- 实际业务建模
- 论文阅读与复现
- 代码阅读与优化