其实认识我的朋友都知道，我有从事过很多编程领域的开发
对于人工智能，我也有很多年的研究
为什么人工智能如此火爆？
首先做一个AI发展至今的历途
1980~2012年 属于传统AI
2012~2019年 属于深度学习
2019至今 属于LLM大模型 多模态
其实AI已经经过三次起起伏伏，技术层面其实已经算是比较成熟的状况
我们已知的AI技术科技：
智能家居
无人驾驶汽车
远程工作
各大计算机领域岗位
精准医疗
在线教育（数字人老师）
驾校AI教练
...
也就是说，这些我们已知的人工智能普及到位需要多长时间？
答案是：三年内引爆技术革命！
这个是一定要做出的重大科技改革
产业趋势分析：
在之前，我们熟知的人脸识别、指纹识别、AI问答等等，这些属于产业+AI
现在，办公、写代码、无人驾驶、机器人医生这些的出现，已经完完全全的代替掉了很多岗位对于人力的需求，所以现在是AI+产业
珍妮纺纱机=蒸汽机+纺纱机
电动车=电力+自行车
AI+传统行业=三年内技术革命
这意味着什么呢？
意味着，AI就业岗位，已经不局限于所有的传统行业！
今天，我将关于AI的学习路径及我所参考的资料全部免费分享出来，虽然机器冰冷，但希望在学习AI的路径上让大家感受到温暖！
在我学习人工智能的过程中，主要有以下两个途径：
- 首先是B站。
- 第二是书籍。视频的讲解难免会不全面，很多时候我们需要翻阅书籍对知识进行查漏补缺、透彻理解。本文提及所有书籍在文末可免费获取电子版。
书籍推荐
这里给大家推荐两本学习必备书籍。《Python编程》中每个知识点下都有对应示例，非常直观。入门后，《流畅的Python》可以帮你精通，完成从小白到大神的进阶。
原文链接：告别无用功|人工智能该如何学习
很多同学看到数学就头疼，其实模型通用的基本数学原理并不难，难的公式在之后的模型中遇见时再逐个击破即可。
切记前期不要深陷到数学知识中去深挖！！
首先大家不要惧怕数学。在遇到我们不会的数学公式时，我们要更多的思考这个公式能解决什么问题，而不是一直纠结公式的推导与计算。
比如梯度下降和反向传播的根本原理就是求导，全局最优解就是极值点，所以最优解一定在导数的某一个拐点处，类似的很多知识都是高中就学过的。
在深度学习中，线代最重要的应用就是高维数据相乘运算，可以大大提升运算速度。
- 首先要明白矩阵各维度所代表的意义
- 其次清楚矩阵的运算规则
概率论的知识在AI体系中看似不那么重要，但却无处不在。从数据预处理、建模、模型参数初始化及归一化，到最后的结果分析都与概率论息息相关。
常用指标很多是大家耳熟能详的，比如均值、方差。如果你之前没有很强的概率论功底，建议你掌握常用知识后，在实际中遇到不懂的问题时要养成查阅的习惯。这部分知识不会太难，但是对理解模型与过程十分的重要：
- 比如为什么树模型一般不需要进行数据归一化？
- 而逻辑回归、神经网络、PCA中就必须进行数据归一化？
-
人工智能必备数学基础全套课程：此课程将高数、概率论、线代知识进行浓缩，针对人工智能领域开发的数学综合课程，都是入门必备和模型中常见的数学知识。
-
网易可汗学院统计学公开课：统计学入门课程，涵盖统计学所有的主要知识。
原文链接：告别无用功|人工智能该如何学习
在具备一定的编程能力与数学功底后，我们就可以对实际问题进行分析与挖掘。
很多同学问算法工程师需要学爬虫吗？我的回答是：算法的重点在于建模，算法工程师掌握基本爬虫知识就好，因为单位一般都有专门的采集工程师。
但是数据分析师一定需要学。因为数据分析师需要具备自主获取数据的能力，从而进行数据分析。
不论你做数分还是算法，、和都是必须掌握的。但这部分内容很杂，没必要进行系统学习，就好像中的函数一样。
-
【莫烦】Numpy&Pandas ：此视频一共只有3小时，但是可以以最快的速度了解三剑客的基本使用。
-
Numpy中文官方网站
-
Pandas中文官方网站
-
Matplotlib中文官方网站
大家可以网上找一些常用方法多浏览浏览，脑子里留个印象就行，在实际使用的时候再去查具体怎么用。就算没印象，我也建议大家在实际使用时先去官网上查有没有对应的内置方法，如果没有再自己写函数实现。
后续我也会总结三剑客的高频使用方法。
原文链接：告别无用功|人工智能该如何学习
从机器学习开始就正式进入到了人工智能的领域。涉及的算法都是白盒算法，使用可解释的数学公式去拟合数据、学习参数然后进行预测，最后对模型进行评估。
-
吴恩达机器学习：此教程以理论为主，对小白极为友善，就算没有基础，也能以最快的速度入门机器学习。
-
菜菜的sklearn：此教程以实践为主，从数据处理、特征工程、到模型算法都会给予代码进行实操讲解，并将每个参数都讲的非常细致。
这里推荐两本学习必备书籍。周志华老师的《机器学习（西瓜书）》与李航老师的《统计学习方法》。
这两本书非常经典，讲述了机器学习核心数学理论与模型推导全过程，是夯实理论的不二选择。强烈推荐将书籍与上述推荐视频相结合进行学习。
原文链接：告别无用功|人工智能该如何学习
深度学习是黑盒算法，不具可解释性，初学者通常会觉得它比较神秘。但它的基础神经网络，可以说是由众多个逻辑回归函数组成，所以在学机器学习时一定要将逻辑回归彻彻底底学明白。
这部分给大家推荐书籍《图解深度学习》与《深度学习》。前者用图解的方式剖析了深度学习的原理，适合初学者；后者是深度学习领域奠基性的经典教程。
- 浙大研究生课程：浙大老师上课录像，板书推导神经网络的原理，看完后你会入门深度学习，并感受到它的神奇与魅力。（P19-P24为神经网络）
-
吴恩达深度学习：首推荐还是吴恩达老师的课程：
- 不论往哪个方向发展，都先看神经网络部分
- 如果你之后想学图像方向，就接着看计算机视觉部分，然后对序列模型进行了解
- 如果准备往自然语言或推荐方向发展，则推荐先看计算机视觉部分，掌握的基本常识后，再去学习序列模型全部内容
-
白板推导系列：机器学习与深度学习数学原理板书推导，极为硬核。
在学完理论知识后，我们就可以找一些项目进行实战了。
我本人是算法工程师，在此对自然语言处理方向推荐几个入门练手小项目：
-
实体识别：此项目使用了多种不同的模型（、、、）来解决中文命名实体识别问题。
-
对话机器人：此项目为医疗对话问答机器人，主要基于知识图谱实现。
在对进行初步了解后，大家可以根据自身情况在上多找一些感兴趣的相关项目进行研究，不仅仅要知道代码实现细节，更要思考它能实际解决的业务问题
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；
第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；
第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；
• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；
• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。
👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓