本文適用於有下面情況的同學們：
- 對 AI 感興趣
- 非科班
- 數學基礎不好
- 對算法抗拒
- 研究生一下學歷
近幾年，AI 很火，在很多領域都取得了突破性的成果。這吸引了很多人的目光，我從幾年前決定投入到 AI 的懷抱中，過程很艱苦，走了很多彎路，希望此文能帶給新人一些提示。
數學問題
很多同學擔心自己數學底子薄，所以要不要入 AI 考慮了很久，還不敢下定決心。
我也是本科畢業，大學荒廢了數學。
後來，我是怎麼學的呢？
起初，我在淘寶網買了整套二手的數學教材，看的很喫力。看了 1 個月後，進度很慢。
後來，偶然的渠道，我看了網絡上的考研數學視頻。
那些老師講的都很好，比自己大學老師講的好多了。
於是，我就開始學。
每天上班在路上學。
午休時也學。
上廁所時也拿出手機學。
睡覺前還是學。
反反覆覆後，把很多概念喫透了，某一天竟然有了頓悟的感覺。
後來，遇到實際問題需要數學時，我就會看網絡上大家對於某個數學概念的解讀，每次收穫也很大。
反正，我現在也在不停的學數學。
你可以試試這樣：
看考研的數學教學視頻
- 買《程序員的數學》這類書
- B 站上很多免費的數學教學視頻
- 網絡上收費的數學專欄
- 吳軍的《數學之美》
你如果覺得數學不會成爲你的攔路虎後，那麼你就可以選擇 AI 了。
機器學習入門
吳恩達的視頻是個好的入門途徑。
李航的《統計學習方法》也是應該人手一本的。
但是，我覺得對於新手最友好的應該是《機器學習實戰Python版》，也就是人民郵電出版社那個版本。
它是 Python 寫的，並且書很薄，一週時間就可以搞定。
爲什麼首推這本書呢？
因爲絕大多數初學者只對 AI 感興趣，但是並無具體上的概念。
跟着這本書的代碼敲一遍，可以形成初步的印象，激發學習成就感。
我估計有好多的初學者，被那些枯燥的理論書給折磨了興致。
機器學習確實需要推到公式，我建議根據知識體系，一個一個突破，不要急於求成，遇到不懂的地方，網絡上看別人的理解，反覆搞幾次，我相信你會有頓悟的那一天。
另外，說回李航《統計學習方法》這本書，很多次我感覺是一本冷血沒有溫度的書，雖然很薄，但是沉下心來喫透它，你將收穫頗豐。
當然，等你不再對一些基礎概念畏懼時，可以看看《百面機器學習》這本書，非常棒。
深度學習
深度學習目前最火熱的應該是 CV 和 NLP。
我是搞 CV 相關的，也就是機器視覺。
深度學習，我首推的是《深度學習入門–基於Python的理論與實踐》，齋藤康毅著陸宇傑譯。
符合日本人的寫作風格，短小精悍，通俗易懂，關鍵是理論和實例兼顧的很好。
我很佩服這位作者。
我討厭花書，你們現在可以噴我了！
入門用吳恩達的深度學習視頻也是挺好的。
深度學習要進階，我覺得論文要看。
AlexNet、GoogLeNet、VGG、ResNet 等等這些經典的神經網絡的論文要學習。
再之後，像 Batch Norm 這種優化手段的論文也需要學習。
然後，就可以往專業領域進階了。
比如，我是搞機器視覺方面的。
所以，我會研究 YOLO、SSD、R-CNN 系列論文。
初學者可以選擇 Pytorch 入門。
如果非要用 Tensorflow 的話，先從它的 keras 版本開始吧。
我討厭 Tensorflow，你們可以噴我了
最後。
搞深度學習一定要學會自己去構建、優化神經網絡，如果脫離了這個你將永遠停留在別人的教程DEMO 這個水平之下，具體可以看我這篇博文《用 PyTorch 從零創建 CIFAR-10 的圖像分類器神經網絡，並將測試準確率達到 85%》。
有一個容易忽略的問題就是，很多時候，你覺得自己懂了，可能是因爲看別人的文章時別人講的很通順，讓你產生了自己也這麼思維清晰的錯覺。學技術你應該多動手，多親自思考，這樣纔會真正的理解深刻和產生長足的進步。
等你具備了基礎的入門能力，就要學會自己去探索問題，多看看行業最新學術動態和工業成果，不斷打磨自己的技術。
我想說的是，不要把學歷的問題遮擋你自己，如果你真愛某個東西，用心用力做好有什麼需要顧慮的呢？
很多時候，我們並沒有自己想象中的那麼笨。
相信我，你可以的。