人工智能學(xué)習(xí)路線？

2017.12.04

謝邀！

能在大二這個年紀(jì)提出這樣的問題真讓我們這些80后汗顏，我們大二的時智能手機(jī)還沒有開始普及，而現(xiàn)在人工智能已經(jīng)開始逐步進(jìn)入生活的各個領(lǐng)域。2017年可以說是人工智能的發(fā)展迎來了一個拐點(diǎn)，國家層面確定人工智能的發(fā)展戰(zhàn)略及方向。未來兩年，人工智能應(yīng)用層面將出現(xiàn)爆發(fā)式增長，進(jìn)而出現(xiàn)大量的AI應(yīng)用人才缺口，所以現(xiàn)在對于一個大二學(xué)生來講，還能有什么比這更幸運(yùn)？

學(xué)習(xí)人工智能，我建議參考一下步驟循序漸進(jìn)：

學(xué)習(xí)并掌握好數(shù)學(xué)知識

高等數(shù)學(xué)是學(xué)習(xí)人工智能的基礎(chǔ)，一起理工科都需要這個打底，數(shù)據(jù)挖掘、人工智能、模式識別此類跟數(shù)據(jù)打交道的又尤其需要多元微積分運(yùn)算基礎(chǔ)。線性代數(shù)很重要，現(xiàn)行模型是你最先考慮的模型，未來很可能還要處理多維數(shù)據(jù)，需要用線性代數(shù)來簡潔清晰的描述問題，為分析求解奠定基礎(chǔ)。

概率論、數(shù)理統(tǒng)計、隨機(jī)過程更是少不了，涉及數(shù)據(jù)的問題，不確定性幾乎是不可避免的，引入隨機(jī)變量順理成章，相關(guān)理論、方法、模型非常豐富。

再就是優(yōu)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(xiàn)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(yōu)化將是你的GPS為你指路。

有了以上基礎(chǔ)就可以開始機(jī)器學(xué)習(xí)的理論和算法了，以后再具體針對某一個應(yīng)用補(bǔ)充相關(guān)的知識與理論，比如數(shù)值計算、圖論、拓?fù)涞取?/p>

學(xué)習(xí)機(jī)器學(xué)習(xí)的理論和算法

機(jī)器學(xué)習(xí)無疑是當(dāng)前數(shù)據(jù)分析領(lǐng)域的一個熱點(diǎn)內(nèi)容。很多人在平時的工作中都或多或少會用到機(jī)器學(xué)習(xí)的算法。機(jī)器學(xué)習(xí)的算法很多。很多時候困惑人們都是，很多算法是一類算法，而有些算法又是從其他算法中延伸出來的。

回歸算法：常見的回歸算法包括：最小二乘法（Ordinary Least Square），邏輯回歸（Logistic Regression），逐步式回歸（Stepwise Regression），多元自適應(yīng)回歸樣條（Multivariate Adaptive Regression Splines）以及本地散點(diǎn)平滑估計（Locally Estimated Scatterplot Smoothing）

基于實(shí)例的算法：常見的算法包括 k-Nearest Neighbor(KNN), 學(xué)習(xí)矢量量化（Learning Vector Quantization， LVQ），以及自組織映射算法（Self-Organizing Map ， SOM）

正則化方法：正則化方法是其他算法（通常是回歸算法）的延伸，根據(jù)算法的復(fù)雜度對算法進(jìn)行調(diào)整。正則化方法通常對簡單模型予以獎勵而對復(fù)雜算法予以懲罰。常見的算法包括：Ridge Regression， Least Absolute Shrinkage and Selection Operator（LASSO），以及彈性網(wǎng)絡(luò)（Elastic Net）。

決策樹學(xué)習(xí)：決策樹算法根據(jù)數(shù)據(jù)的屬性采用樹狀結(jié)構(gòu)建立決策模型，決策樹模型常常用來解決分類和回歸問題。常見的算法包括：分類及回歸樹（Classification And Regression Tree， CART）， ID3 (Iterative Dichotomiser 3)， C4.5， Chi-squared Automatic Interaction Detection(CHAID), Decision Stump, 隨機(jī)森林（Random Forest），多元自適應(yīng)回歸樣條（MARS）以及梯度推進(jìn)機(jī)（Gradient Boosting Machine， GBM）

貝葉斯算法：貝葉斯方法算法是基于貝葉斯定理的一類算法，主要用來解決分類和回歸問題。常見算法包括：樸素貝葉斯算法，平均單依賴估計（Averaged One-Dependence Estimators， AODE），以及Bayesian Belief Network（BBN）。

基于核的算法：最著名的莫過于支持向量機(jī)（SVM）了。基于核的算法把輸入數(shù)據(jù)映射到一個高階的向量空間，在這些高階向量空間里，有些分類或者回歸問題能夠更容易的解決。常見的基于核的算法包括：支持向量機(jī)（Support Vector Machine， SVM），徑向基函數(shù)（Radial Basis Function ，RBF)，以及線性判別分析（Linear Discriminate Analysis ，LDA)等。

聚類算法：聚類算法通常按照中心點(diǎn)或者分層的方式對輸入數(shù)據(jù)進(jìn)行歸并。所以的聚類算法都試圖找到數(shù)據(jù)的內(nèi)在結(jié)構(gòu)，以便按照最大的共同點(diǎn)將數(shù)據(jù)進(jìn)行歸類。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）。

關(guān)聯(lián)規(guī)則學(xué)習(xí)：關(guān)聯(lián)規(guī)則學(xué)習(xí)通過尋找最能夠解釋數(shù)據(jù)變量之間關(guān)系的規(guī)則，來找出大量多元數(shù)據(jù)集中有用的關(guān)聯(lián)規(guī)則。常見算法包括 Apriori算法和Eclat算法等。

人工神經(jīng)網(wǎng)絡(luò)：人工神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)的一個龐大的分支，有幾百種不同的算法。（其中深度學(xué)習(xí)就是其中的一類算法，我們會單獨(dú)討論），重要的人工神經(jīng)網(wǎng)絡(luò)算法包括：感知器神經(jīng)網(wǎng)絡(luò)（Perceptron Neural Network）, 反向傳遞（Back Propagation）， Hopfield網(wǎng)絡(luò)，自組織映射（Self-Organizing Map, SOM）。學(xué)習(xí)矢量量化（Learning Vector Quantization， LVQ）

深度學(xué)習(xí)：深度學(xué)習(xí)算法是對人工神經(jīng)網(wǎng)絡(luò)的發(fā)展。很多深度學(xué)習(xí)的算法是半監(jiān)督式學(xué)習(xí)算法，用來處理存在少量未標(biāo)識數(shù)據(jù)的大數(shù)據(jù)集。常見的深度學(xué)習(xí)算法包括：受限波爾茲曼機(jī)（Restricted Boltzmann Machine， RBN）， Deep Belief Networks（DBN），卷積網(wǎng)絡(luò)（Convolutional Network）, 堆棧式自動編碼器（Stacked Auto-encoders）。

降低維度算法：降低維度算法是以非監(jiān)督學(xué)習(xí)的方式試圖利用較少的信息來歸納或者解釋數(shù)據(jù)。這類算法可以用于高維數(shù)據(jù)的可視化或者用來簡化數(shù)據(jù)以便監(jiān)督式學(xué)習(xí)使用。常見的算法包括：主成份分析（Principle Component 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（Projection Pursuit）等。

集成算法：集成算法的主要難點(diǎn)在于究竟集成哪些獨(dú)立的較弱的學(xué)習(xí)模型以及如何把學(xué)習(xí)結(jié)果整合起來。這是一類非常強(qiáng)大的算法，同時也非常流行。常見的算法包括：Boosting， Bootstrapped Aggregation（Bagging）， AdaBoost，堆疊泛化（Stacked Generalization， Blending），梯度推進(jìn)機(jī)（Gradient Boosting Machine, GBM），隨機(jī)森林（Random Forest）。