套用当今AI大神之一吴恩达创办Coursera初衷：希望能够用最简单的方式，让每个普通人都能了解 AI。以我浅显的理解，所有人都可以来了解AI，都能学AI，我也愿意以我个人浅薄的技术与知识去推动中国AI事业的长足发展和进步。
说明：本专栏本着开源分享心态分享AI相关知识与技术，所有相关链接及资料都是免费获取，且不需要关注任何人公众号，qq号，VX号，还有什么套路回复下载。目的就是为了能让更多喜欢AI、关注AI的人都能够直接了当获取到想要学到的知识。

人人都来学AI——基础知识学习路线概览

前言
一、数学基础知识
二、统计学
- 1、入门教材
- 2、推荐视频1
- 3、推荐视频2
三、编程
- 1、Python安装
- 2、 Python入门资料推荐
- 3、补充
总结

前言

在将来不懂人工智能就像现在不懂操作电脑的人一样，会被社会淘汰；而掌握了人工智能技术的人，则可能引领世界。

很多人都想学人工智能，它比黑客技术更加神秘更加吸引人。但其实只要你按照我编写的这一系列学习路线，静下心来一步一步学习，相信你很快就能学会人工智能了。

一、数学基础知识

说到数学，可能很多人都学习人工智能，数学会不会很难，尤其是大学期间的高等数学让不少人都烦恼不已。但其实对于数学来说，大多数人其实不用像一些专门做数学研究的博士一样研究得那么深入。
记得一位纯数学专业学AI算法的朋友说过，如果仅仅是想学好人工智能，不用担心用到高级的数学知识。其实用到纯数内容比较少而且都是容易理解的一部分，老老实实学好高等数学、线性代数、概率论与数理统计这三门就好了，其他延伸的一小部分都是以这三门为基础，这三门课程也是本科必修的。当然如果喜欢数学的话，还可以更加深入去学，比如凸优化、信息论、最优化等。

这里整理了一个简易的数学入门文章：
数学基础：高等数学
https://zhuanlan.zhihu.com/p/36311622
数学基础：线性代数
https://zhuanlan.zhihu.com/p/36584206
数学基础：概率论与数理统计
https://zhuanlan.zhihu.com/p/36584335
上述资料主要是计算机博士黄海广整理的公式汇总等，如果觉得还看不懂或者大多都扔回给老师的话，可以针对下面这些概念重点补一下就好了。

矩阵代数：大多数机器学习模型表示为矩阵和向量.像特征向量和奇异值分解这样的概念遍布各处.
贝叶斯统计：概率,贝叶斯规则,共同分布(例如,beta,Dirichlet,Gaussian)等.
多变量微积分：大多数学习技术使用渐变和Hessians作为其核心来拟合参数. (如果你想获得更好的,请研究数值优化.)
信息论：熵,KL分歧等等.这里只是基础知识.

当然也可以自己到哔站上去找一些学习视频学习哈。反正最后你知道矩阵运算、能用导数计算梯度，了解什么是线性优化和非线性优化，知道先验、后验概率基本就差不多了。别给自己太大压力，除非你是专职深入搞算法研究的，真正只是AI应用的话，用到我们大学学过的数学知识30%都不到，甚至更少。

附上一些供大家参考学习的视频链接（很多名校可供选择），是不是瞬间觉得高大上了，北大清华随便选，还可以快进2倍随心学：

高等数学
线性代数
概率论与数理统计

其它机器学习的数学基础资料下载：

机器学习的数学基础.docx
中文版，对高等数学、线性代数、概率论与数理统计三门课的公式做了总结。
斯坦福大学机器学习的数学基础.pdf
原版英文材料，非常全面，建议英语好的同学直接学习这个材料。
下载链接: 百度网盘
https://pan.baidu.com/s/1LaUlrJzy98CG1Wma9FgBtg
提取码: hktx

二、统计学

在人工智能的研究中，统计学同样不可或缺。基础的统计理论有助于对机器学习的算法和数据挖掘的结果做出解释，只有做出合理的解读，数据的价值才能够体现。数理统计根据观察或实验得到的数据来研究随机现象，并对研究对象的客观规律做出合理的估计和判断。

虽然统计学以概率论为理论基础，但两者之间存在方法上的本质区别。概率论作用的前提是随机变量的分布已知，根据已知的分布来分析随机变量的特征与规律；数理统计的研究对象则是未知分布的随机变量，研究方法是对随机变量进行独立重复的观察，根据得到的观察结果对原始分布做出推断。

用一句不严谨但直观的话讲：数理统计可以看成是逆向的概率论。数理统计的任务是根据可观察的样本反过来推断总体的性质；推断的工具是统计量，统计量是样本的函数，是个随机变量；参数估计通过随机抽取的样本来估计总体分布的未知参数，包括点估计和区间估计；假设检验通过随机抽取的样本来接受或拒绝关于总体的某个判断，常用于估计机器学习模型的泛化错误率。

参考链接：https://blog.csdn.net/m0_37468171/article/details/89374318

其它相关教程：

1、入门教材

深入浅出统计学：
《深入浅出统计学》具有“深入浅出”系列的一贯特色，提供符合直觉的理解方式，让统计理论的学习既有趣又自然。从应对考试到解决实际问题，无论你是学生还是数据分析师，都能从中受益。本书涵盖的知识点包括：信息可视化、概率计算、几何分布、二项分布及泊松分布、正态分布、统计抽样、置信区间的构建、假设检验、卡方分布、相关与回归等等，完整涵盖AP考试范围。本书运用充满互动性的真实世界情节，教给你有关这门学科的所有基础，为这个枯燥领域的学习带来鲜活的乐趣，不仅让你充分掌握统计学的要义，更会告诉你如何将统计理论应用到日常生活中。
参考链接：
https://zhuanlan.zhihu.com/p/67749469?utm_source=cn.wiz.note
在这里插入图片描述

在这里插入图片描述

2、推荐视频1

可汗学院统计学（这是被经常推荐的视频之一），我得多说一句：可汗学院是我目前看到所有线上教育中最佩服的线上教育始祖，而且它还是公益性的，被比尔盖茨、乔布斯大力称赞，我觉得对于一个从没上过学的人，完全可以从上面自学完所有想学的各行各业知识。给它大大点个赞

3、推荐视频2

Stanford : Statistical Learning 斯坦福大学：统计学习
https://www.bilibili.com/video/av19775701
课程介绍：这门课程来自统计学两位超级大佬，全英文字幕（顺便还可以学习学习英文），是公认的统计学系入门课程，使用的教材是《 Introduction to statistical learning》，极力避免深奥的公式推导和复杂的概念，对于数学基础不好的人非常友好。

三、编程

很多学AI的人，都在想我到底选择什么编程语言来学呢？其实入门人工智能领域，首推Python这门编程语言。为什么？看看这两句话就知道了！

“人生苦短，我用Python”

Python 的设计哲学是“优雅”、“明确”、“简单”。

哪怕对于一个从未学过编程0基础的人来说，学习Python，短则15天，长则1-2个月就能基本学懂python，何况学到后面，就知道，python的精髓就在于调库，调来调去就是那几个常见的库：Numpy、Pandas、OpenCV、Matplotlib等等。

1、Python安装

Python安装包，我推荐下载Anaconda，Anaconda是一个用于科学计算的Python发行版，支持 Linux, Mac, Windows系统，提供了包管理与环境管理的功能，可以很方便地解决多版本Python并存、切换以及各种第三方包安装问题。这里必须说下，Anaconda是我目前见过最好的处理python2与3、tensorflow1与2环境不一致的工具，真是谁用谁知道。

下载地址：
https://www.anaconda.com/download/ 这个是官方安装网站，可能比较慢
https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/ 建议用清华镜像
推荐选Anaconda-python 3.7.6版本）

下面是简单Anaconda创建环境（name为你环境名字，自己替换）命令，在你终端内依次输入下面命令，即可创建。然后你就可以飞了，用pip3随便安装各种python包。如果不喜欢，再创建一个，喜欢哪个用哪个，哪个不爽，删哪个。

conda create -n name python==3.7.6
conda activate name

PS：使用Anaconda环境，建议结合下面Pycharm在其中project interpreter中的conda environment中使用。
在这里插入图片描述

IDE：推荐使用pycharm，社区版免费 ，如果是纯用python，社区版的基本够了，不需要去弄专业版的，当然弄专业版的也有很多方法破解哈，破解版建议装2019年的那些版本，容易破解，2020年后的，太难弄了。
官方网站下载地址：https://www.jetbrains.com/
pycharm官网下载+破解补丁+教程：https://www.cnblogs.com/chaogu94/p/12187526.html

安装教程：
Anaconda+Jupyter notebook+Pycharm：
https://zhuanlan.zhihu.com/p/59027692