人工智能"六步走"學習路線，供大家參考，具體內容如下

1、學習并掌握一些數學知識

高等數學是基礎中的基礎，一切理工科都需要這個打底，數據挖掘、人工智能、模式識別此類跟數據打交道的又尤其需要多元微積分運算基礎
線性代數很重要，一般來說線性模型是你最先要考慮的模型，加上很可能要處理多維數據，你需要用線性代數來簡潔清晰的描述問題，為分析求解奠定基礎
概率論、數理統計、隨機過程更是少不了，涉及數據的問題，不確定性幾乎是不可避免的，引入隨機變量順理成章，相關理論、方法、模型非常豐富。很多機器學習的算法都是建立在概率論和統計學的基礎上的，比如貝葉斯分類器、高斯隱馬爾可夫鏈。
再就是優化理論與算法，除非你的問題是像二元一次方程求根那樣有現成的公式，否則你將不得不面對各種看起來無解但是要解的問題，優化將是你的GPS為你指路
有以上這些知識打底，就可以開拔了，針對具體應用再補充相關的知識與理論，比如說一些我覺得有幫助的是數值計算、圖論、拓撲，更理論一點的還有實/復分析、測度論，偏工程類一點的還有信號處理、數據結構。 

2、掌握經典機器學習理論和算法

       如果有時間可以為自己建立一個機器學習的知識圖譜，并爭取掌握每一個經典的機器學習理論和算法，我簡單地總結如下：

1)       回歸算法：常見的回歸算法包括最小二乘法（OrdinaryLeast Square），邏輯回歸（Logistic Regression），逐步式回歸（Stepwise Regression），多元自適應回歸樣條（MultivariateAdaptive Regression Splines）以及本地散點平滑估計（Locally Estimated Scatterplot Smoothing）；
2)       基于實例的算法：常見的算法包括 k-Nearest Neighbor(KNN), 學習矢量量化（Learning Vector Quantization， LVQ），以及自組織映射算法（Self-Organizing Map ， SOM）；
3)       基于正則化方法：常見的算法包括：Ridge Regression， Least Absolute Shrinkage and Selection Operator（LASSO），以及彈性網絡（Elastic Net）；
4)       決策樹學習：常見的算法包括：分類及回歸樹（ClassificationAnd Regression Tree， CART）， ID3 (Iterative Dichotomiser 3)， C4.5， Chi-squared Automatic Interaction Detection(CHAID), Decision Stump, 隨機森林（Random Forest）， 多元自適應回歸樣條（MARS）以及梯度推進機（Gradient Boosting Machine， GBM）；
5)       基于貝葉斯方法：常見算法包括：樸素貝葉斯算法，平均單依賴估計（AveragedOne-Dependence Estimators， AODE），以及Bayesian Belief Network（BBN）；
6)       基于核的算法：常見的算法包括支持向量機（SupportVector Machine， SVM）， 徑向基函數（Radial Basis Function ，RBF)， 以及線性判別分析（Linear Discriminate Analysis ，LDA)等；
7)       聚類算法：常見的聚類算法包括 k-Means算法以及期望最大化算法（Expectation Maximization， EM）；
8)       基于關聯規則學習：常見算法包括 Apriori算法和Eclat算法等；
9)       人工神經網絡：重要的人工神經網絡算法包括：感知器神經網絡（PerceptronNeural Network）, 反向傳遞（Back Propagation）， Hopfield網絡，自組織映射（Self-OrganizingMap, SOM）。學習矢量量化（Learning Vector Quantization， LVQ）；
10)    深度學習：常見的深度學習算法包括：受限波爾茲曼機（RestrictedBoltzmann Machine， RBN）， Deep Belief Networks（DBN），卷積網絡（Convolutional Network）, 堆棧式自動編碼器（Stacked Auto-encoders）；
11)    降低維度的算法：常見的算法包括主成份分析（PrincipleComponent Analysis， PCA），偏最小二乘回歸（Partial Least Square Regression，PLS）， Sammon映射，多維尺度（Multi-Dimensional Scaling, MDS）,  投影追蹤（ProjectionPursuit）等；
12)    集成算法：常見的算法包括：Boosting， Bootstrapped Aggregation（Bagging），AdaBoost，堆疊泛化（Stacked Generalization， Blending），梯度推進機（GradientBoosting Machine, GBM），隨機森林（Random Forest）。 

3、掌握一種編程工具，比如Python

       一方面Python是腳本語言，簡便，拿個記事本就能寫，寫完拿控制臺就能跑；另外，Python非常高效，效率比java、r、matlab高。matlab雖然包也多，但是效率是這四個里面最低的。

4、了解行業最新動態和研究成果，比如各大牛的經典論文、博客、讀書筆記、微博微信等媒體資訊。

5、買一個GPU，找一個開源框架，自己多動手訓練深度神經網絡，多動手寫寫代碼，多做一些與人工智能相關的項目。 

6、選擇自己感興趣或者工作相關的一個領域深入下去

人工智能有很多方向，比如NLP、語音識別、計算機視覺等等，生命有限，必須得選一個方向深入的專研下去，這樣才能成為人工智能領域的大牛，有所成就。

以上就是本文的全部內容，謝謝作者的分享，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。