分享

我希望分享一些偏技术性的干货。作为一名工科博士生，昨天在一个线下交流群中讨论了大约6个小时这一代人工智能的关键技术原理，在这里与大家分享，我认为自己掌握人工智能解决实际问题已经很容易了，具体步骤如下：

1.数学基础：

1.1线性代数的加减乘除运算表示，（特征根与特征向量作为提高要求，非必须）

1.2最优化理论，知道目标函数，约束，优化过程大体原理即可，不需深入掌握。

2.编程基础：

2.1python，大家普遍提及的tensorflow就是基于python，只许简单掌握条件语句，循环语句即可，剩下的想用的时候再查。

2.2tensorflow，真是越来越亲民了，现在windows平台也支持了。

2.3keras，是tensorflow上层的封装，目的是使得代码更加简单易学，并且省去了大量调参操作，新手必备。

2.4sklearn，大多数机器学习方法，sklearn上都有实现，调用程序即可，代码极为简单。

3.理论基础：

这里指机器学习的理论，讲四个我认为最重要的。

3.1CNN

深度学习中应用最广泛的一种网络，理解起来不难，唯一难点是这里需要稍稍理解一下卷积运算。

3.2LSTM

深度学习的一种网络，用来处理时序信号，网络设计能够记忆较长时间之前的输入，这样就相当于网络有了记忆。

3.3Xgboost

目前在有监督学习领域，除了深度神经网络之外，就是Xgboost最好，这个需要现行学习决策树理论，也要对优化理论有一定了解，属于稍难理解一些的方法。

3.4增强学习

这个最难理解，需要了解马尔科夫链，以及最优化理论，这个坑很深，但个人认为用处最大，打败李世石用的主要就是这个。值得深入学习。

4.学习方法：

谷歌，百度

youtube上有视频演示，容易理解

有能力看论文的，可以搜论文看

我涉及人工智能技术不到一年，总体体会是，想应用，门槛很低，想进行底层理论创新，还是比较难的，因为有太多的封装，应用便捷了，但人就懒得创新了。

希望对想进行深入技术学习的人有所帮助。