注：ctrl+点击进入超链接查看网页；crtl +k查看超链接指向url（部分链接请复制打开）。
一、总体学习架构
二、各部分讲解及资料
2.1 编程
2.1.1 语言
需要良好的编程能力，重点是python，其次是C++和java，C学过就不提了，经常出现在github里的lua和新兴的julia有余力者也要看下，最后是现在有点过气的MATLAB和R。
特别需要注意的是，在线教程是很好的资源，当然书籍也不错。但编程永远是以实战为上，不是死读书本，更不是看完了书和教程再写代码。此外，学会代码调试也非常重要。
2.1.2 写代码工具
2.1.2.1 IDE
体系化开发，提示全面快捷，但比较笨重。可安装个性化插件，比如pycharm的Save Actions、Rainbow Brackets、YAPF、Material Theme UI等，安装方式很容易。
pycharm面向python，IDEA面向Java，Clion面向c和c++，微软的visual studio万能但是很笨重。前三者都是jetbrains公司的产品，学生可利用学校的学生邮箱在有效期内申请注册教育账号，然后免费使用专业版。
2.1.2.2 文本编辑器
轻巧便捷，万能开发且自定义，但提示一般不全。可安装大量个性化插件。
vscode是微软开源的工具，罕见的微软良心。
atom很美观，但是插件安装需要番羽土啬。
sublime text很简洁。
2.1.3 框架
- TensorFlow、torch、keras是深度学习框架。
- sklearn是机器学习框架。
- caffe也是深度学习框架，但主要面向计算机视觉。
- matplotlib是画图工具。
安装指南：
win10系统人工智能框架安装指南及常见问题解决方案——anaconda、python27、python35、numpy、tensorflow-gpu、matplotlib、caffe及中间的相关插曲
ubuntu系统人工智能框架安装指南及常见问题解决方案——numpy、sklearn、TensorFlow、opencv、caffe2、caffe及中间的相关插曲
使用指南：
入门推荐莫凡python，深入推荐官网教程，比如TensorFlow、torch、caffe（见参考目录下“Caffe官方教程中译本”）、matplotlib。
2.1.4 重要工具
- git是版本控制工具，可以参见廖雪峰的教程。github上有很多有意思的代码项目，但下载速度较慢。可以从码云上引入已有的github项目，通过国内网络传输，下载速度在github十倍之上。
- office是基本的操作。word的排版，excel的公式、ppt的排版都是基础。对于word和excel需要不会就多学，而且要和同学多交流。此外，有一个很好的冯注龙的ppt教程。
- latex，重要的论文书写工具，教程见参考目录下“一份不太简短的 LaTeX2ε 介绍”。
- 画图软件可用于ppt和文档中，良好的构图可以起到极佳的讲解作用。Visio是最通用的，processon比较便捷，亿图很漂亮，要花钱买，但也可以破解。
- anaconda是管理多个python的工具，附上使用教程。
- 正则表达式可以从字符串中抓取到需要的部分，另外还有在线验证正则表达式的网站。
- 数据库操作的核心是SQL语句，其次需要熟练数据库与常用语言如python的API接口，最后是数据的管理操作。当然数据库界面操作工具Navicat是肯定少不了的。
- 爬虫是获取数据的重要手段，有一个北理的教程可以快速入门，进阶的话需要学习scrapy，以及尝试在微信公众号、抖音app这样的复杂环境下爬虫。
- 安卓模拟器，比如夜神安卓模拟器，是用来辅助爬虫的好工具，比如无破解加密的爬取抖音的数据。
- 网络抓包工具用于分析网络报文，推荐使用fiddler。
- 多线程操作主要是掌握python的多线程，类似博客很多。
- linux操作系统主要是学习ubuntu系列，16.04或18.04皆可。不用盯着书死看，80%时间下会用的东西其实不到全部的20%，所以要抓重点，不会的再查。常用的操作包括文件操作比如复制移动删除，权限管理，用户管理，进程管理，磁盘挂载，apt换源加速下载、pip换源加速下载（windows也可换pip源）等。
- gpu主要是环境搭建（可参照之前的2.1.3 框架一节的两个链接）和查看管理，一般深度学习框架如torch，TensorFlow（直接安装TensorFlow-GPU即可）已经高度封装了这些操作，所以比较简单。当然，没有gpu一切都是白搭。这是表示gpu性能的天梯图。
- everything是一款给本地所有文件建立索引的快速查询工具，迅速查找本机所有文件。
- xmind8是一款极好的思维导图工具，可以辅助理清ppt、演讲、项目等系统的思路。csdn上有破解方法。
- 看paper可能需要标注，福昕编辑器是一个不错的pdf编辑器。csdn上有破解方法。
- 对linux服务器的操作，可以使用xshell命令行操作，通过winscp传输文件。当然，atom、vscode和jetbrains的产品比如pycharm也有远程同步、执行代码的操作。
2.2 数学
对数学如何重视都是不足为过的，AI或者更广义的计算机，其基础都是建立在数学的基础上的。因此务必强化数学的学习。但由于本人的数学基础有限，无法给出比较全面的介绍，仅将推荐教材列出，并辅助简单讲解。
2.2.1 基础
微积分、线性代数、概率论、离散数学，跟着学校的教材走就好了。唯一重要的是，课后题都做了，并且认真改错总结。除此之外，扎实数学基础别无它法。
2.2.2 进阶
2.3 计算机基础
2.3.1 基础
课堂的学习是很重要的，比如数据结构与算法、操作系统、计算机网络和计算机组成成原理这四门计算机核心基础课程。比起教材，这四门课更重要的是理解，数据结构与算法重点要理清数据结构模型和常用算法原理，操作系统要建立进程调度执行的概念，计算机网络要建立网络架构和通信协议的概念，计算机组成原理要建立模型机的静态组成模型和动态运行过程。教材就学校的教材即可，好好听课。
2.3.2 进阶
2.4 人工智能
本章将机器学习、深度学习和应用三部分的资源进行整合。
从事AI需要一定的数学、计算机、编程和英语能力。
首先，不推荐初学者看周志华的《机器学习》，也就是西瓜书。AI入门需要对机器学习的基础知识有一个良好的全面认识，不求深，也一定要求广——既了解全局，也为之后的研究找准感兴趣的方向。因此，初学者推荐百面机器学习 算法工程师带你去面试。
在对基础知识和基本算法有了基本了解后，就需要深入了解算法背后的原理，因此，推荐李航的统计学习方法（出第二版了）。对于还不太清楚的数学，可以快速查阅图像处理中的数学修炼中的相关数学知识。
再之后，可以根据自己的兴趣方向了解深度学习、强化学习、知识图谱，或者自己感兴趣的具体方向，比如视觉（cs231n）、自然语言处理（cs224n）等。
科研的话，可以了解一下各大AI会议。查询的话，可以利用谷歌学术，谷歌，dblp或者中国知网（校内ip免费下载paper）查找自己感兴趣的paper。
至于各种应用，既可以去github上搜项目，也可以去csdn、博客园等网站上看大佬教程。此外，还有一些科研前沿的观察统计网站，具有极高的价值，常见的比如机器之心，清华的Aminer。还有就是要关注下知乎上的大佬们，指导AI科研学习和数据挖掘竞赛等，比如鱼遇雨欲语与余，zibuyu9（清华刘知远教授）、Ivan Yan等，可以关注一波，看看他们在干啥，与时俱进，不断学习。
参考书目百度云盘地址
链接：https://pan.baidu.com/s/1C0ZVDROVD-REuK94_a9n9Q
提取码：u91f