一、前言
現如今，人工智能已成爲最熱門的話題之一。有越來越多的人開始想學習人工智能；那麼對於數學基礎不太好的同學如何入門人工智能？本篇文章分享數學基礎不好是如何入門學習人工智能的，希望能給即將或已經在人工智能路上的你帶來幫助，少走一些彎路。
二、如何學習人工智能
人工智能是很寬廣的，包含了很大的方向；在學習人工智能之前您應該瞭解人工智能有哪些方向，大致可以做什麼，然後在選取一個您適合你的方向來學習，這樣會事半功倍很多。
下面來簡單介紹人工智能的方向。
1.人工智能可以處理哪些數據類型
數值型數據
數值型數據是指在您做人工智能項目的時候，面對需要處理的數據是數值的或者很容易轉換成數值類型的(如性別字段、城市字段、學歷字段這種離散型變量)時候我們通常稱爲數值型數據；常見的數值型數據有金融交易數據、醫療數據、借貸數據等。
文本型數據
文本型數據通常指在文本字段(變量)中提取字段的含義的數據稱爲文本型數據處理，常見的文本型數據有新聞數據、評論數據、貼吧數據等。
圖片型數據
圖片型數據是指在圖片中提取該圖片中的含義，如在圖片中識別出車牌號、圖片中識別貓狗等動物等。
音頻型數據
音頻數據是指識別音頻中的內容。
視頻型數據
視頻型數據是指在視頻文件中通過人工智能算法識別出特點內容。
建議:如果您想學習人工智能建議你先從數值類型數據入門，因爲數值型數據處理起來相對來說最爲簡單。
2.人工智能領域有哪些技術方向
人工智能領域也分爲很多技術方向，接下來總結一下人工智能領域常見的技術方向
機器學習
機器學習(Machine Learning, ML)是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法複雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行爲，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。
它是人工智能的核心，是使計算機具有智能的根本途徑，其應用遍及人工智能的各個領域，它主要使用歸納、綜合而不是演繹。
神經網絡
神經網絡又稱人工神經網絡，是機器學習的一種，是一種應用類似於大腦神經突觸聯接的結構進行信息處理的數學模型。在工程與學術界也常直接簡稱爲“神經網絡”或類神經網絡。
人工神經網絡（人工神經網絡）的計算模型靈感來自動物的中樞神經系統（尤其是腦），並且被用於估計或可以依賴於大量的輸入和一般的未知近似函數。人工神經網絡通常呈現爲相互連接的“神經元”，它可以從輸入的計算值，並且能夠機器學習以及模式識別由於它們的自適應性質的系統。
增強學習
增強學習是機器學習的一種。增強學習是指從動物學習、隨機逼近和優化控制等理論發展而來，是一種無導師在線學習技術，從環境狀態到動作映射學習，使得Agent根據最大獎勵值採取最優的策略；Agent感知環境中的狀態信息，搜索策略（哪種策略可以產生最有效的學習）選擇最優的動作，從而引起狀態的改變並得到一個延遲迴報值，更新評估函數，完成一次學習過程後，進入下一輪的學習訓練，重複循環迭代，直到滿足整個學習的條件，終止學習。
自然語言處理
自然語言處理是計算機科學領域與人工智能領域中的一個重要方向。它研究能實現人與計算機之間用自然語言進行有效通信的各種理論和方法。自然語言處理是一門融語言學、計算機科學、數學於一體的科學。因此，這一領域的研究將涉及自然語言，即人們日常使用的語言，所以它與語言學的研究有着密切的聯繫，但又有重要的區別。自然語言處理並不是一般地研究自然語言，而在於研製能有效地實現自然語言通信的計算機系統，特別是其中的軟件系統。因而它是計算機科學的一部分。
自然語言處理（NLP）是計算機科學，人工智能，語言學關注計算機和人類（自然）語言之間的相互作用的領域。
3.如何入門學習人工智能
上章節我們瞭解到了人工智能的主流技術方向以及處理數據類型，接下我將以我自身的經驗分享一下我是如何學習人工智能。
第一步:你需要掌握一門人工智能領域常用的編程語言，Python或者R語言都可以，掌握其中一種即可；我個人推薦你學習Python語言，因爲Python很火，功能強大；
Python語言可以做很多的事情，如做爬蟲、web開發、人工智能，在這裏你只需要花一週的時間把Python基礎掌握牢固即可，如怎麼樣定義變量、怎麼樣操作元組、怎麼樣自定義函數等；
第二步:確定學習人工智能的方向。人工智能太寬廣，你需要選擇一個人工智能的小分支去學習，等學習好了在往其他技術領域的人工智能去學習；這裏我推薦你以機器學習領域常用的十大算法爲切入，通過機器學習算法常用的十大算法嘗試計算數值型的數據；因爲該領域算法很實用且相對來說也更容易入門。
第三步:建議你去找一門教程或者一本書去學習如何使用機器學習算法，在這裏我推薦你看一門書《機器學習實戰》，假如你剛接觸機器學習即使完成裏面的所有案例，還是不夠了解不要緊，很正常，第三步是爲了讓你熟悉機器學習算法，以及知道機器學習算法具體的代碼實現，後面項目用到了在加深學習。
第四步:掌握數據分析與處理。
包含:缺失值分析、異常值分析、變量相關性分析、連續變量離散化分析等
之所以需要掌握數據分析與處理是因爲，在做機器學習項目的時候，大多數時候給到你的數據都不是完整的，如字段缺失率高、有垃圾數據，數據分析與處理的作用是幫你得到一個乾淨且有效的數據，提供第三步機器學習算法做輸入參數使用。
第五步：當你掌握了數據分析與機器學習算法後這時候你可以在互聯網上下載一些項目數據通過數據分析和機器學習算法去實現和預測結果。
機器學習項目數據建議你去kaggle網站，去下載項目數據。
當您完成上面所有步驟且準確度達到一定程度（如準確率達到75%以及以上）後，恭喜你已經入門了；
當入門之後，後續還有很多事情需要做如模型優化、IT項目對接、文檔記錄等，相信入門之後的你對於後續內容自學問題不大。
總結
人工智能發展的今天有越來越多的人工智能方向的框架出現，門檻也隨之越來越低；所以想學人工智能不要害怕學不會,數學不好的不要緊，先學會去用這些框架和編程語言去完成指定的項目，當會用之後接下來可以嘗試着選擇性的學學常用的高等數學公式。
還有完成一個人工智能的項目分爲很多流程，數學只佔項目的一部；在人工智能項目中假如您數學不好，您還可以去完成其他的流程部分，數學部分可以和數學較好的同事合作完成。
`
關注公衆號:DT數據技術博文， 更多人工智能、大數據、網絡爬蟲教程等着你。