人工智慧入行三個要點：英語、理論、工程。
經典教材全部為英語1)翻譯總是不通順，不如原著容易理解
2)lost in translation
最重要的科研成果全部英文
1)翻譯永遠趕不上新知識產生的速度
2)有能力創新的ai人才也都會用英語發表自己的成果
社群都是英語環境
1)github
2)stackoverflow
人工智慧領軍企業的工作環境裡不開英文
線性代數(推薦 the matrix cookbook)
1）理解非線性系統的主要方式依然是通過區域性線性化
2）machine learning 演算法涉及大量的矩陣運算
概率論（初級線性代數和入門概率論應該足夠了）
1）統計機器學習基礎是概率論
2）理解複雜非線性系統的統計特性對於分析deep learning演算法至關重要
計算機演算法（推薦：the art of computer programming）
1）ai不僅僅只有deep learning
大規模資料的預處理，抽取，etc.
嵌入式系統，資源頻寬受限
2）演算法優化
訓練3天完成vs10天完成vs30天完成直接影響科研或產品投放
gpu是否跑滿，io是否是瓶頸
3）數值計算概念
收斂性，收斂速度
機器學習理論（經典bible：pattern recognition and machine learning）
1）雖然deep learning一統江湖，但是經典機器學習理論還是要知道個大概。
linear regression/classification(svm, lasso, kernel, etc)
clustering(k-means, etc)
dimensionality reduction(pca, etc)
probabilitic modeling(mixture model, em)
adaboost,etc
2）經典機器學習得到的insight在deep learning裡一再出現
restricted boltzman machine
denoising nn
機器學習理論可深可淺
1）實用不需要太深的理**底
2）理**底在科研中不可缺少
intuition比理論推導重要，但是好的intuition**於紮實的理**底。
動手很重要
1）dnn的理論框架基本確定（除非量子計算機量產，否則短期變化不大）
2）tensorflow問世，從此不用再求導數
3）模型design需要大量的實驗驗證
4）google作為大公司，堅持一切核心系統全部自主研發，擁有完善的code review 系統。
如何學習人工智慧
從基礎的資料分析 線性代數及矩陣等等入門，只有打好了基礎，後面才好學，不能沒有邏輯的看一塊學一塊。python具有豐富和強大的庫，能夠把用其他語言製作的各種模組 尤其是c c 很輕鬆地聯結在一起。比如3d遊戲中的圖形渲染模組，效能要求特別高，就可以用c c 重寫，而後封裝為python可以呼叫的擴充...
如何學習人工智慧？
1.人工智慧，涉及的範圍廣。當我們在網上搜尋資料學習時很容易走彎路，陷入漩渦迷失自己。所以第一步要確立學習路徑。2.認真學習。勤加練習，多做筆記，與人分享學習成果和心得。學習的道路是枯燥和漫長的，若不給自己找點樂子，又怎麼堅持的下去呢？3.和小夥伴溝通，一起做出一些案例，和專案。網上有些付費的課程其...
人工智慧系統
人工智慧系統 我做了乙個夢，夢中看到人如果想長生不老只要保留其思想和智慧型，並不要保留其肉體，或者是因為看了 怒火攻心2 高壓電 才做的夢，其實留下乙個大腦存在就算是永生嗎？見到仇人一定會生氣，僅此而已，那麼永生又有什麼意義？不過這不是夢的全部。在夢中我看到為了實現對農業自動噴淋系統，需要在水管入口...