隨著2016年Alpha Go在圍棋擊敗李世石，2017年初卡內(nèi)基梅隆大學人工智能系統(tǒng)Libratus在長達20天的鏖戰(zhàn)中，打敗4名世界頂級德州撲克玩家，這標志著人工智能技術又達到了一個新的高峰。人工智能已經(jīng)不再是在各大公司幕后提供各種智能推薦、語音識別算法的工具，它已經(jīng)慢慢走向臺前進入到平常百姓的視野之中。曾經(jīng)有人描述人工智能就向一列緩緩開向人們的火車，一開始非常遙遠而且看起來非常緩慢，它慢慢接近，直到人們清楚看到它的時候，它已經(jīng)呼嘯而過，把人遠遠拋在身后。現(xiàn)在似乎就是人們可以遠遠看到人工智能的時候，它已經(jīng)發(fā)展數(shù)十年，但直到最近才引起廣泛注意，隨著大數(shù)據(jù)的積累、算法的改進、硬件的提升，人工智能可以在很多細分的領域成為專家，輔助人類甚至超過人類。
作為一名初學者，我也是剛剛接觸人工智能和機器學習，希望能夠和大家共同學習。接觸一個領域的第一步是盡快的了解全貌并且搭建出相應的知識體系。大致提綱如下（后續(xù)不斷補充）：
1 - 數(shù)學
線性代數(shù)、微積分
在整個機器學習過程中涉及大量矩陣運算和微積分導數(shù)的概念，因此建議初學者至少要有較為扎實的數(shù)學基礎，對矩陣和微積分的概念了解比較清楚。否則在一些公式推導過程中會遇到較大障礙，而不斷反復回來復習數(shù)學知識。
2 - 編程語言
Python/R/Java/Matlab 7 Steps to Mastering Machine Learning With Python
Python已經(jīng)成為機器學習的第一語言，至于為什么知乎中有非常不錯的解釋。眾多機器學習的框架都支持Python API，所以學習機器學習，Python語言語法估計是繞不過去。
3 - Supervise learning
Linear regression：機器學習知識體系 - 線性回歸
Logistic regression：
延伸閱讀
學習是年輕人改變自己的最好方式