2021年最完整的人工智能入门指南
這可能是一份中英文世界最好的人工智能學習教程，在充分考慮大家信息獲取難度的情況下制定了幫助你掌握人工智能（AI）和機器學習（ML）的完整指南：無需專業背景！無需學費！
無需額外的時間成本！
只需要掌握以下的方法和渠道，就可以清晰地認識到是人工智能，并了解其前沿發展和行業新聞。
很多同學在學習AI的時候面臨的最大困難“如何開始？”，它具體包括：如何免費開始學AI？什么是人工智能？從什么地方入手？如何去掌握這門技術？零基礎如何學習AI？等等。所以我們在參考了大量國內外資料后決定寫一篇關于如何在2021年【零基礎】【免費】學習機器學習的完整指南，這可能是中文和英文世界中最好的入門教程，希望大家耐心看下去。這篇文章羅列了許多關于機器學習的優質資源，并分享給大家一些學習技巧，我們不僅希望大家能夠方便快捷地入門AI，更希望提高你作為人最重要的學習能力。
如何在2021年成為機器學習專家？
這份學習指南適用于在編程、數學或者機器學習方面基礎比較薄弱的同學。除此之外，成為機器學習專家的方法不是唯一的，只要你有足夠的學習動力，大家也可以自己探索學習方法，從而掌握機器學習。
這篇指南的目標是為不知道“如何開始”的人提供一個進入機器學習的學習路徑。我們都知道，在學習新事物的時候很難找到從哪里開始或者下一步應該怎樣做，尤其是在缺乏他人指導的時候。因此，我們在這里列出了許多優質的學習資源供大家參考。這些學習資源的難度依次遞增，有一定基礎的同學，可以跳過前面的基礎部分。
這里列出來的所有資源都是免費的！當然，也存在一部分付費的在線課程和在線書籍。請記住，這些付費課程為了幫助大家更好地理解和學習，只要你愿意多花一點時間和精力，沒有這些付費課程，你也完全有可能成為機器學習專家。選擇什么樣的學習資源，完全取決于自己，適合自己的才是最好的！
溫馨提示：不要害怕重復播放學習視頻或者在不同的平臺上重復學習相同的概念。請記住，重復是學習新事物的法寶。
目錄（各部分的鏈接）
—開始入門：從簡短的YouTube視頻介紹開始
—?逐步深入學習：關注 YouTube 上的免費課程
?—?閱讀在線文章
?—?閱讀重要書籍
—沒有機器學習的數學背景？看一下這個！
?—?沒有編程背景，沒問題！（適合初學者的編程資源）
?—?關注在線課程
?—?練習，練習，再練習！
?—?更多資源（加入社區,使用備忘單,關注該領域的新聞等等！）
—?如何找到一份機器學習的工作
—?AI倫理
1.開始入門機器學習
觀看簡短的視頻介紹入門，是入門新領域的最佳方式，YouTube和b站上面都有大量的優質視頻介紹關于機器學習的重要概念。我們在這里列出了一些視頻清單，供大家參考。
首先，了解機器學習領域的常用術語，形成初步認識。
（1）YouTube上一位名叫“What’s AI”
（ https://www.youtube.com/WhatsAI） 的博主通過一系列非常短的視頻回答了著名的“什么是AI”的問題，內容涵蓋了了機器學習領域最常用的所有術語。每個視頻的時長在1分鐘左右，你可以在30分鐘以內學習到機器學習的基礎知識，并對該領域有一個整體認識。
大家可以通過以下鏈接訪問該視頻系列：
https://www.youtube.com/playlist?list=PLO4GrDnQanVe6F6MRJg_KO7JEoH-ukFzY
（2）B站up主 “KnowingAI知智”以一種輕松有趣的方式分享了算法模型系列視頻，介紹了機器學習的算法、模型和框架。
大家可以通過以下鏈接訪問該視頻系列：
https://space.bilibili.com/237111975/channel/detail?cid=177611&ctype=0
其次，對機器學習相關概念有一定認知過后，可以更加深入地了解機器學習、深度學習和神經網絡的基礎知識。提醒一下，在入門時了解神經網絡和反向傳播的知識是非常必要的，它可以在你進行深入學習時帶來巨大的先發優勢。
“3Blue1Brown”是由斯坦福大學一位數學系學生Grant創建的科普頻道，主要分享高等數學相關內容，同時也進行計算機相關知識的科普，他被譽為全b站最火的數學科普up主。Grant制作的“深度學習”系列視頻，非常清楚、細致地解釋了反向傳播算法、梯度下降算法、神經網絡等相關概念。這部分視頻可以更加充分地了解機器學習算法是什么，以及它的工作原理，從而為更加深層次的學習奠定基礎。
大家可以通過以下鏈接訪問該視頻系列：
https://space.bilibili.com/88461692/channel/detail?cid=26587
總的來說，YouTube和B站等視頻網站是非常適合自主學習的免費平臺，除了以上所提及的內容之外，大家可以繼續在這些平臺上找尋優質學習資源。
2.逐步深入學習
在上一部分，我們主要通過“1 min”短視頻了解機器學習的相關概念，對機器學習有了一個整體認知。這一部分需要大家投入更多的時間和精力，并提高專注度，進行深入學習。
雖然這一部分的課程會有一定的難度，但它們同時也非常具有吸引力。只要大家能夠說服自己投入學習，一定能夠受益匪淺。
通過精心挑選，我們在這里為大家準備了一份課程列表，根據難度由低到高的順序進行排列。排列在前的課程主要對機器學習的各方面進行簡單介紹，排列在后的課程逐漸深入機器學習的專業領域。大家可以通過這一部分的課程，逐漸適應機器學習的節奏，為接下來的專業化學習打好基礎。
——機器學習導論（斯坦福大學）
授課老師吳恩達（Andrew Ng）是人工智能和機器學習領域國際上最權威的學者之一，同時也是在線教育平臺Coursera的聯合創始人，被譽為人工智能專家和教育先驅。這門機器學習導論課共計20個課時，內容涉及線性回歸、梯度下降、樸素貝葉斯、決策樹等機器學習的重要概念。該課程可以幫助你對機器學習有一個全面而又細致的了解，可以說是入門機器學習必不可少。
大家可以通過訪問斯坦福在YouTube的官方賬號“stanfordonline”，獲取學習資源。訪問鏈接如下：
（https://www.youtube.com/playlist?list=PLoROMvodv4rMiGQp3WXShtMGgzqpfVfbU）
B站的一位up主“鬼谷良師”也對其進行了視頻搬運，如果您比較習慣于中文字幕，也可以在B站上進行訪問：
https://www.bilibili.com/video/BV1JE411w7Ub?p=1
除此之外，“鬼谷良師”也分享了很多國際名校的公開課視頻，包括哈佛、MIT等，您可以持續關注這位up主，對相關課程進行體系化學習。
——深度學習導論（MIT）
B站的一位號稱AI硬核資料庫的up主“ShowMeAI”分享了來自MIT關于“深度學習”的公開課視頻，共計43個課時，內容涉及循環神經網絡、卷積神經網絡、強化學習等的理論知識和前沿實踐。
訪問鏈接如下：
https://www.bilibili.com/video/BV1g34y1Q79p?p=1
——深度學習專項課程（DeepLearningAI—吳恩達）
DeepLearningAI由吳恩達博士創立，以滿足世界一流人工智能教育的需求。大家可以通過訪問DeepLearningAI在YouTube的官方賬號，找到其在Coursera課程中關于機器學習的相關視頻。
訪問鏈接如下：
https://www.youtube.com/channel/UCcIXc5mJsHVYTZR1maL5l9w/playlists
此外，你也可以通過訪問鏈接：
https://www.bilibili.com/video/BV1FT4y1E74V?p=2&spm_id_from=pageDriver 在B站找到其搬運視頻。
——MIT Deep Learning （Lex Fridman 關于深度學習的最新課程）
該課程是來自MIT 2017 年至 2020 年關于深度學習、深度強化學習、自動駕駛汽車和 AI 的講座合集。您可以通過以下鏈接獲取相關教學視頻和PPT：
https://deeplearning.mit.edu/
此外，你也可以通過B站找到Lex Fridman 老師的部分教學視頻。
2020年 深度學習講座：
https://www.bilibili.com/video/BV1Y7411d7xV?from=search&seid=10656918578301312657&spm_id_from=333.337.0.0
2019年 深度學習講座：
https://www.bilibili.com/video/BV1rz4y1r7hB?from=search&seid=10656918578301312657&spm_id_from=333.337.0.0
自動駕駛公開課：
https://www.bilibili.com/video/BV1tW411M7S9?from=search&seid=10656918578301312657&spm_id_from=333.337.0.0
——Deep Learning (with PyTorch)?—（紐約大學， Yann LeCun）
這是紐約大學數據科學中心在2020年開設的一門關于深度學習的課程，課程內容涉及深度學習和表征學習的最新技術，側重于監督和無監督深度學習、嵌入方法、度量學習、卷積神經網絡和循環神經網絡，以及在計算機視覺、自然語言處理和語音識別中的應用。因此，這門課程對大家機器學習的基礎有一定要求。大家可以通過訪問其GitHub網頁，獲取課程相關PPT、jupyter notebook 以及YouTube視頻資源。訪問鏈接如下：
https://atcold.github.io/pytorch-Deep-Learning/
3.在線閱讀文章
眾所周知，通過聽、說、讀、寫等不同方式進行學習，可以很好地提高學習效率。因此，閱讀對于學習也很重要，它可以幫助大家對機器學習有更加全面和深入的了解。Medium 和Towards AI都是非常不錯的閱讀平臺，大家可以在上面找到優質的閱讀材料。
我們為大家推薦了Medium社區上面的5篇文章以及2份閱讀清單，并建議大家將其余前面的視頻結合起來學習，這將受益匪淺。
（1）使用Python學習機器學習和數據科學的5個入門步驟——Daniel Bourke
https://towardsdatascience.com/5-beginner-friendly-steps-to-learn-machine-learning-and-data-science-with-python-bf69e211ade5
（2）什么是機器學習？——Roberto Iriondo
https://pub.towardsai.net/what-is-machine-learning-ml-b58162f97ec7
（3）機器學習入門：神經網絡簡介——Victor Zhou
https://towardsdatascience.com/machine-learning-for-beginners-an-introduction-to-neural-networks-d49f22d238f9
（4）神經網絡入門指南——Thomas Davis
https://towardsdatascience.com/a-beginners-guide-to-neural-networks-d5cf7e369a13#:~:text=Neural%20networks%20are%20powered%20by,then%20recognize%2C%20interpret%20and%20classify.
（5）理解神經網絡——Prince Canuma
https://prince-canuma.medium.com/understanding-neural-networks-22b29755abd9
（6）MILA新生閱讀清單
https://docs.google.com/document/d/1IXF3h0RU5zz4ukmTrVKVotPQypChscNGf5k6E25HGvA/edit#
（7）80/20 人工智能閱讀清單——Vishal Maini
https://medium.com/machine-learning-for-humans/ai-reading-list-c4753afd97a
通過以上的學習步驟，大家已經初步具備動手編程和練習的基礎了，可以直接跳到后面的編程、在線課程以或者練習部分，加快學習速度。如果想要更加深入地了解機器學習的理論知識，那么可以繼續閱讀在下一部分所列出來的重要參考書籍。
4.閱讀重要書籍
這一部分的內容是大家選修的，但是系統化地閱讀可以幫助大家更加深入地理解機器學習背后的工作原理，因此仍然建議大家抽出部分時間進行閱讀。此部分包含了一些付費書籍，大家可以自主選擇，有需要的話也可以在淘寶、亞馬遜等平臺購買紙質書籍。
——機器學習路徑：
（1）《深度學習》（免費）
Ian Goodfellow，Yoshua Bengio，Aaron Courville 著；趙申劍等 譯；人民郵電出版社；
https://www.deeplearningbook.org/
（2）《動手深度學習》（免費）
Aston Zhang, Mu Li，Zachary C. Lipton, Alexander J. Smola 著；人民郵電出版社
http://d2l.ai/
（3）《概率機器學習導論》（免費）
Kevin Patrick Murphy 著；MIT出版社
https://probml.github.io/pml-book/book1.html
（4）《人工智能：一種現代方法》（付費）
Stuart Russell，Peter Norvig 著；
（5）《模式識別與機器學習》（付費）
Christopher M. Bishop 著；
（6）《用Python進行深度學習》（付費）
Fran?ois Chollet 著；
（7）《理解機器學習：從理論到算法》
——Shai Shalev-Shwartz , Shai Ben-David 著；劍橋大學出版社
https://www.cs.huji.ac.il/~shais/UnderstandingMachineLearning/
——機器學習數學基礎：
（1）《機器學習數學》（免費）
https://mml-book.github.io/
Marc Peter Deisenroth，A. Aldo Faisal，Cheng Soon Ong 著；劍橋大學出版社
（2）《統計學習方法》
李航 著；清華大學出版社
（3）《機器學習中的概率統計-python語言描述》
張雨萌 著；機械工業出版社
（4）《程序員的數學2 概率統計》
平岡和幸，堀玄 著；陳筱煙 譯；人民郵電出版社
——微積分：
（1）微積分（第8版）
James Stewart著；張乃岳 譯；中國人民大學出版社
（2）托馬斯微積分（第10版）
WEIR，HASS，GIORDANO 著；葉其孝等 譯；高等教育出版社
（3）普林斯頓微積分讀本
Adrian Banner 著；楊爽等 譯；人民郵電出版社
（4）清華大學《微積分教程》
韓云瑞，扈志明，張廣遠 著；清華大學出版社
（5）同濟大學《高等數學》
同濟大學數學系 編；高等教育出版社
——線性代數
（1）《線性代數及其應用》
David C.Lay著；劉深泉等 譯；機械工業出版社
（2）《線性代數》
李尚志 著；高等教育出版社
（3）《線性代數》
李炯生，查建國 著；中國科學技術大學出版社
下載鏈接：https://download.csdn.net/download/heartblade/10352209
——概率統計
（1）《概率論與數理統計》
陳希孺 著；中國科學技術大學出版社
（2）圖靈數學統計學叢書《概率導論》
Dimitri P. Bertsekas ， John N. Tsitsiklis 著；鄭忠國等譯；人民郵電出版社
（3）圖靈數學統計學叢書《應用隨機過程概率模型導論》
Sheldon M. Ross 著；龔光魯 譯；人民郵電出版社
閱讀完這些書籍過后，大家已經完全可以運用所學的理論著手開始編程練習。
5.沒有機器學習的數學基礎？看一下這個！
就算沒有機器學習所需的數學知識也不用緊張，時間永遠不算晚，大家完全可以從現在開始學習相關數學知識。我們在這里推薦的課程囊括了三個重要的數學分支：微積分、線性代數和概統。
——微積分
（1）MIT Gilbert Strang《微積分重點》——b站up主：冰劍天使
https://www.bilibili.com/video/BV17s411R7FR?from=search&seid=17163176306170092417&spm_id_from=333.337.0.0
（2）浙江大學 蘇德礦 《微積分》——中國大學慕課
https://www.icourse163.org/course/ZJU-1003315004
（3））Grant Sanderson 《微積分的本質》——b站：3Blue1Brown
https://space.bilibili.com/88461692/channel/detail?cid=13407
（4）國防科技大學 朱健民《高等數學》——中國大學慕課
https://www.icourse163.org/course/NUDT-9004
——線性代數
（1）MIT Gilbert Strang《線性代數》——b站up主：小風哥_ANGEL
https://www.bilibili.com/video/BV1ix411f7Yp?p=2
（2）山東大學 秦靜 《線性代數》——中國大學慕課
https://www.icourse163.org/course/SDU-55001?from=searchPage
（3）北京大學 丘維聲 《高等代數》——b站up主：西門斷橋吹殘雪
https://www.bilibili.com/video/BV1Pb411K7JA?from=search&seid=13960699102829916094&spm_id_from=333.337.0.0
（4）山東財經大學 宋浩 《線性代數》——b站：宋浩老師官方
https://www.bilibili.com/video/av29971113?from=search&seid=17087223871376250963
（5）Grant Sanderson 《線性代數的本質》——b站：3Blue1Brown
https://www.bilibili.com/video/BV1ys411472E?p=2
——概統
（1）山東財經大學 宋浩 《概率論與數理統計》——b站：宋浩老師官方
https://www.bilibili.com/video/BV1ot411y7mU?spm_id_from=333.999.0.0
（2）Grant Sanderson 《概率論》——b站：3Blue1Brown
https://www.bilibili.com/video/BV1R7411a76r?spm_id_from=333.999.0.0
除了國內平臺的相關課程外，國外也有一部分免費優質資源，可以幫助大家更加結構化地學習數學：
（1）YouTube上一位名叫“mathematicalmonk”的博主分享了很多有關機器學習數學知識的視頻，大家可以訂閱該博主，隨時關注機器學習的最新消息。
https://www.youtube.com/channel/UCcAtD_VYwcYwVbTdvArsm7w
（2）《機器學習數學》——Garrett Thomas
https://gwthomas.github.io/docs/math4ml.pdf
（3）統計學習導論：在R語言中的應用
這一列表主要收錄了Gareth James、Daniela Witten、Trevor Hastie、Robert Tibshirani等人關于統計學的教學PPT和講座視頻。
http://fs2.american.edu/alberto/www/analytics/ISLRLectures.html
學完這部分之后，大家已經具備了很好的機器學習的數學基礎了，可以開始對機器學習展開更加深入的研究了！如果你仍然覺得自己的數學功底不夠扎實，可以倒退回上一步，深度閱讀相關書籍。
6.沒有編程基礎，沒問題！
這一部分的內容主要適用于編程小白。如果你完全沒有Python或者其他任何編程語言的基礎，那么這一部分的內容可以幫助你入門機器學習編程，并打好基礎。（如果你已經能夠非常熟練地使用Python編程語言，那就可以直接跳到“關注在線課程”這一部分的內容）
我們在這里為大家推薦了一些關于機器學習編程的優質課程：
（1）LearnPython的Python教程（https://www.learnpython.org/）
LearnPython平臺提供免費的交互式Python學習教程，無論你是小白還是經驗豐富的程序員，都可以在上面找到合適的學習資料。
（2）Mo平臺的Python系列課程（https://momodel.cn/?src=f6d546b46c）
Mo是一個人工智能實訓平臺，提供在線編程功能，無需搭建環境，便于初學者上手。該平臺的Python系列課程從浙江大學迭代而來，包含了從Python到人工智能的相關內容，學習路徑完整，系統性較強。
（3）Learning with Python——b站up主：Q晴風Q
https://www.bilibili.com/video/BV1ds411p7ut?p=3&spm_id_from=pageDriver
這是一個非常實用且豐富的機器學習教程，介紹了機器學習編程相關的工作原理和方法，包括從較為簡單的回歸、支持向量機等，到較為復雜的SVM、TensorFlow、卷積神經網絡等。
（4）Learn Python Basics for Data Analysis——OpenClassroom
https://openclassrooms.com/en/courses/2304731-learn-python-basics-for-data-analysis/6009031-get-started-with-python-and-anaconda
這門課程主要講授了如何使用基本的Python操作進行數據分析。在課程中，可以使用平臺的相關功能進行在線編程。此外，OpenClassroom平臺也提供了Anaconda的安裝資源和安裝教程，讓大家可以在本地運行代碼。
（5）Getting started with Data Science——YouTube博主：Data Science Dojo
https://www.youtube.com/watch?v=6LWnvC2_DZI&list=PL8eNk_zTBST8kAYLTxYRnsOfznYMRhgZG
該視頻教程介紹了線性回歸模型和一些常用于機器學習和數據分析的Python和R包。此外，此視頻還提供了在Windows/Mac/Linux上安裝Python 和 R的安裝教程，讓大家可以在本地運行代碼，并將代碼推送到Github 存儲庫。
（6）IBM在Coursera 上開設的名為Machine Learning with Python的付費課程。
https://www.coursera.org/learn/machine-learning-with-python
該課程包含了機器學習簡介、回歸、分類、聚類、推薦系統等內容，實用性較強，可以顯著提升大家的編程技能。
除了以上所推薦的內容，大家也可以通過GitHub上的100個NumPy練習來提升Python編程能力，
（https://github.com/rougier/numpy-100/blob/master/100_Numpy_exercises.ipynb ），
或者參加Data Science dojo的在線培訓
（https://datasciencedojo.com/python-for-data-science/ref/whatsai/ ）、使用Kaggle （https://www.kaggle.com/）。這些平臺可以為大家提供更具挑戰性的項目和練習，以及更加細致化的指導。當然，部分課程是需要付費的。
7.關注在線課程
當你具有較好的理論基礎和編程基礎之后，就可以開始學習ML的相關課程了。以下所列出的課程中，部分課程需要付費；當然，付費課程會教給大家更多東西，甚至可以提供權威性證書，成為求職亮點。
在這里首先為大家介紹一個優質教學平臺：Coursera。它是由斯坦福的吳恩達教授和Daphne Koller教授聯合創辦的大型在線教育平臺，旨在同世界頂尖大學合作，在線提供網絡公開課程。大家可以在該平臺上找到許多優質的學習資源，也可以通過此平臺獲得含金量較高的證書。此外，Coursera還為學員提供了大量的經濟援助和獎學金，你可以申請獲得相關補貼和獎勵。這是該平臺的申請頁面：https://www.coursera.support/s/article/209819033-Apply-for-Financial-Aid-or-a-Scholarship?language=en_US
我們在這里為大家推薦了一些機器學習的在線課程，課程難度由低到高排列：
（1）機器學習簡介——Kaggle（學習機器學習的核心思想，并構建自己的第一個模型）
https://www.kaggle.com/learn/intro-to-machine-learning
（2）Mo平臺的系列課程，包括《從Python到人工智能》、機器學習系列課程、深度學習系列課程等。
https://momodel.cn/classroom
（3）Get started in AI / AI For everyone?——吳恩達
https://www.coursera.org/learn/ai-for-everyone
（4）機器學習——吳恩達
https://www.coursera.org/learn/machine-learning
（5）深度學習專項課程——吳恩達
https://www.coursera.org/learn/neural-networks-deep-learning
（6）TensorFlow（專業證書）
https://www.coursera.org/professional-certificates/tensorflow-in-practice
（7）AI工程——IBM（專業證書）
https://www.coursera.org/professional-certificates/ai-engineer
（8）2021 年完整的數據科學訓練營
https://www.udemy.com/course/the-data-science-course-complete-data-science-bootcamp/
（9）在線數據科學訓練營——datasciencedojo（完整的 16 周學習計劃）
https://datasciencedojo.com/data-science-bootcamp/ref/whatsai/
（10）數據科學培訓計劃 — datasciencedojo（完整的 16 周培訓計劃）
https://datasciencedojo.com/data-science-training-and-internship/ref/whatsai/
（11）fast.ai 平臺的深度學習課程?（免費）
https://www.fast.ai/
（12）自然語言處理專項課程
https://www.coursera.org/specializations/natural-language-processing
8.練習，練習，再練習！
ML學習中最重要的就是實踐，但往往很難找到合適的個人項目來練習。因此，我們在這一部分為大家推薦了一些提供免費教程、項目和比賽的平臺，幫助大家更好地進行機器學習實踐。
（1）Kaggle
https://www.kaggle.com/
該平臺提供大量的免費課程、教程和比賽。此外，該平臺的免費比賽還為參賽選手提供了豐厚獎金。大家可以在鍛煉技能的同時贏取比賽獎勵，是一種很不錯的學習方式，并且贏取Kaggle的比賽獎勵也可以為你的求職簡歷增光添彩。
（2）NVIDIA Jetson社區項目
https://developer.nvidia.com/embedded/community/jetson-projects
NVIDIA Jetson的社區項目提供了類似的AI項目和競賽，吸引了大量“黑客”參與。此外，你還可以在NVIDIA Jetson的網站上（https://developer.nvidia.com/embedded/learn/jetson-ai-education ）獲得認證，并獲得硬件和財務上的支持，從而有機會與NVIDIA合作開展項目。
（3）GitHub
http://github.com/
GitHub是一個面向開源及私有軟件項目的托管平臺，可以托管各種git庫，并提供一個web界面。作為開源代碼庫以及版本控制系統，Github擁有超過900萬開發者用戶。隨著越來越多的應用程序轉移到了云上，Github已經成為了管理軟件開發以及發現已有代碼的首選方法。你可以嘗試在 GitHub 上改進他們的代碼，或者運行已有項目。
（4）阿里天池
https://tianchi.aliyun.com/competition/gameList/activeList
天池大數據競賽,是由阿里巴巴集團主辦,面向全球科研工作者的高端算法競賽。通過開放海量數據和分布式計算資源,大賽讓所有參與者有機會運用其設計的算法解決各類社會問題或業務問題。
9.其他資源
—學習社區
同伴學習是一種很好的學習方式。所以我們在這里為大家推薦了一些學習社區，大家可以加入其中，尋找志同道合的學習伙伴。
（1）Reddit 社區（https://www.reddit.com/ ）
Reddit 社區聚集了眾多AI愛好者，大家可以在這里提問、討論、分享項目、獲取最新資訊等。我們在這里列出了一些比較熱門的討論話題：
artificial?—?人工智能
https://www.reddit.com/r/artificial/
Machine Learning?—?機器學習（該領域最大的討論版塊）
https://www.reddit.com/r/MachineLearning/
Deep Learning Papers?—?深度學習論文
https://www.reddit.com/r/DeepLearningPapers/
Computer Vision?—從圖像和視頻中提取有用信息
https://www.reddit.com/r/computervision/
Learn machine learning?—?學習機器學習
https://www.reddit.com/r/learnmachinelearning/
Artificial Intelligence?—?人工智能
https://www.reddit.com/r/ArtificialInteligence/
Latest In ML?—?機器學習領域不容錯過的顛覆性發展
https://www.reddit.com/r/LatestInML/
（2）StackOverFlow （https://stackoverflow.com/ ）
StackOverFlow是全球最大的技術問答網站，被譽為“程序員必上的網站”，大家可以在里面找到很多高質量問答。
（3）掘金 （https://juejin.cn/ ）
掘金是國內的一個幫助開發者成長的社區，分享內容主要包括前端、后端、Android、iOS、人工智能、開發工具等，同時還提供一些行業資訊和相關活動。
（4）SegmentFault 思否（https://segmentfault.com/ ）
思否同樣也是國內的一個開發者社區，提供專業問答、行業資訊、開發競賽、線下沙龍等內容和活動。大家也可以通過該社區尋找工作機會。
——保存學習清單
我們這里列舉了一些人工智能、Python和機器學習領域的最佳學習清單：
（1）AI&神經網絡&機器學習&深度學習&大數據 匯總清單——Stefan Kjouharov
https://becominghuman.ai/cheat-sheets-for-ai-neural-networks-machine-learning-deep-learning-big-data-678c51b4b463
（2）斯坦福大學-CS-229 ML 學習清單—Afshine Amidi, Shervine Amidi
https://github.com/afshinea/stanford-cs-229-machine-learning
（3）機器學習&Python&數學 匯總清單——Robbie Allen
https://medium.com/machine-learning-in-practice/cheat-sheet-of-machine-learning-and-python-and-math-cheat-sheets-a4afe4e791b6
（4）AI專家路線圖——大家可以將它用作一個技能清單！
https://i.am.ai/roadmap/#fundamentals
（5）全網人工智能機器學習免費資源匯總清單—作者：Robbie Allen；編譯：BigQuant
https://zhuanlan.zhihu.com/p/34300031
（6）機器學習&深度學習 網站匯總——FlyAI
https://zhuanlan.zhihu.com/p/337548019
除此之外，了解該領域在理論研究和實際應用方面的最新進展也是非常重要的。想要掌握該領域的最新動態，大家可以關注一下行業資訊，專業期刊，甚至是總結最新論文的YouTube頻道。我們在這里列出了一些相關資源，當然，你也可以根據自己的興趣挖掘到更多學習資源。
——訂閱YouTube頻道
訂閱分享新論文的YouTube頻道，及時了解該領域的最新進展：
（1）Two Minute Papers?——分享新論文的雙周視頻
https://www.youtube.com/user/keeroyz
（2）What’s AI——分享新論文的周更視頻
https://www.youtube.com/channel/UCUzGQrN-lyyc0BWTYoJM_Sg
（3）Bycloud——分享新論文的周更視頻
https://www.youtube.com/channel/UCgfe2ooZD3VJPB6aJAnuQng
——訂閱時事通訊
（1）機器之心（https://www.jiqizhixin.com/）
機器之心是國內的一個前沿科技媒體和產業服務平臺,關注人工智能、機器人和神經認知科學,堅持為從業者提供高質量內容和多項產業服務。大家可以在機器之心官網首頁找到很多關于人工智能和機器學習的最新消息。
（2）Inside AI（https://inside.com/ai ）
該平臺每天都會匯總關于人工智能、機器人和神經技術的故事和評論。
（3）AI（https://aiweekly.co/ ）
該平臺每周都會收集有關人工智能和機器學習的新聞和資源。
（4）AI 倫理（https://lighthouse3.com/newsletter/ ）
訂閱該頻道，它會每周將有關AI倫理的最新內容以郵件形式推送給你。
（5）What’s AI（https://www.louisbouchard.ai/newsletter/ ）
訂閱What’s AI的時事資訊，它會每周將AI新聞和一個新的AI應用簡介以郵件形式推送給你。
（6）Data Science Dojo資訊（https://datasciencedojo.com/newsletter/ ）
訂閱Data Science Dojo的時事資訊，它會將最新的數據科學內容以郵件形式推送給你。
——關注Medium 賬號和出版物
（1）Towards AI??——“最好的技術、科學和工程”
https://towardsai.net/
（2）OneZero——“未來的潛流”
這是一個關于科學技術的Medium出版物。
https://onezero.medium.com/
（3）What’s AI
這是一位名叫Louis Bouchard的科普博主的Medium賬號。他致力于分享AI知識和行業資訊，讓每個人都學會使用AI；同時，也讓人們意識到使用AI的風險。
https://whats-ai.medium.com/
——查看GitHub 指南
https://github.com/BAILOOL/DoYouEvenLearn
這是一份關于人工智能、機器學習、深度學習和計算機視覺的基本指南，可以幫助你跟上相關領域的最新資訊、論文和熱門話題等。
10.如何找工作
以下是一些尋找機器學習相關工作的技巧：
首先，如果大家不確定具體要從事什么工作，可以參考《機器學習面試入門》（https://huyenchip.com/ml-interviews-book/contents/chapter-1.-ml-jobs.html ）的第一章。這一章詳細介紹了機器學習行業的不同工作，可以幫助大家了解不同崗位以及自己的興趣所在。此外，《機器學習面試入門》由兩部分組成：該書的第一部分概述了機器學習行業的面試過程，機器學習的崗位，每個崗位的必備技能，面試過程中的常見問題，以及如何準備面試等。這部分也介紹了面試官的心理以及他們在面試時注重應聘者的哪些特質。該書的第二部分列出了200多個專業問題，涵蓋機器學習領域的重要概念和常見的誤用概念。面試小白可以深入閱讀此書，提升面試技巧。
當大家已經確定好自己的目標崗位時，就需要投入到相應準備工作中去。大家可以提供一些在線共享的個人項目，例如一個博客、一個完整的GitHub庫等。此外，大家還需要為不同類型的面試做好“必須通過”的完全準備。
我們先從個人項目展開介紹。事實上，個人項目的作用往往被低估了。以博客為例，它完全有可能讓大家輕松找到工作，甚至不需要找工作。一方面，如果大家在博客上發布了一個關于“如何制作基于機器學習的應用程序”的帖子，那么這個帖子就有可能被招聘人員看到。進一步，如果這個帖子的含金量很高，那么招聘人員可能會主動邀約面試，并為你提供工作。另一方面，如果你的博客運營得很好，它也可以成為一個收入可觀的副業。不要低估語言表達能力的作用，能夠清晰地闡釋你的項目內容并讓老板“get”到關鍵點是非常重要的，并且這一點也將直接體現在你的工資收入中。此外，擁有博客的另外一個作用就是教學。教學可以提高大家的溝通技巧和領導能力，而這一點在數據科學工作中也是非常重要的，因為相關從業者的主要目標就是理解數據并高效利用數據。它可能會變得極其復雜，因為在這項工作有所產出之前，你需要解釋你在做什么以及為什么它會起作用，否則你可能無法得到任何資金支持。只要相關結果沒有遞交給投資者或者你的老板，整個過程就類似于你什么也沒做。這恰好也說明了溝通技巧的重要性。因此，你可以將兩個目的合二為一，通過教學來提高自己的溝通能力，同時也可以幫助他人理解一些復雜的專業概念。
此外，專業技能也是非常重要的。擁有一個良好運用的GitHub庫是非常有價值的，尤其是當你投入精力清理代碼并為你的代碼和自述文件作注解的時候。記得在GitHub分享你參與過的項目，即使是課程項目。雖然你的個人項目會令招聘人員更加印象深刻，但是其他項目也可以體現你的專業水平以及團隊合作能力，同時可以記錄你的工作。如果有時間的話，大家可以創建一個基于機器學習的應用程序，并且在你的GitHub和應用程序中進行共享。這個應用程序可以表明你投入精力學習了許多必要的課外知識和專業技能，體現你較強的學習能力和應對復雜問題的能力，甚至還可以幫你賺錢。當它既可以幫大家找到工作，又有可能成為工作的時候，為什么不投入精力呢！
——機器學習面試中的注意事項
面試是求職的重要步驟，因為我們在這里列舉了一些有關機器學習面試的資源，希望可以幫助大家提升面試技能。
（1）知乎
各大公司機器學習面試內容總結
https://zhuanlan.zhihu.com/p/35814495
如何斬獲一線互聯網公司機器學習崗offer
https://zhuanlan.zhihu.com/p/76827460
機器學習算法理論面試題大匯總
https://zhuanlan.zhihu.com/p/256450188
常見機器學習面試題
https://zhuanlan.zhihu.com/p/82105066
（2）牛客網 https://www.nowcoder.com/
牛客網是一個集筆面試系統、題庫、課程教育、社群交流、招聘內推于一體的招聘類網站。大家可以在該平臺上進行職業性格測試、能力評估，并通過測試題庫和經驗分享帖等，提升自己的面試技能。
（3）《機器學習面試入門》——Chip Huyen（https://huyenchip.com/ml-interviews-book/）
提醒一下，如果你目前正在尋找機器學習的相關工作，那么這本書是必讀的。我們在這里列舉了該書中的一些重要提示：
盡早準備
大家已經了解，找工作是需要時間的，因此你應該在拿到專業學位之前、在換工作之前或者在學習在線課程的過程中盡早開始，然后同步完成這些事情。
發揮社交網絡的作用
利用好自己的人脈關系，嘗試與老師或者同事溝通交流從而獲得一些工作機會。
模擬練習
就像編程和數學一樣，面試也是需要勤加練習的。大家可以使用該書中的模擬問題，在朋友、家人或同事面前練習面試技巧。
提升專業技能
了解最新的研究和實踐，保證你的專業技能是與時俱進的。大家可以做一些編程練習，就像該學習指南在前面編程部分分享的NumPy一樣，同時也可以在leetcode.com上面嘗試一下。
充分了解應聘公司的背景
在面試之前要對你所應聘的公司進行充分了解，并嘗試思考一些在面試過程中可能會問到的有關公司介紹和公司使命的問題。這樣在面試時大家就可以表現得對該公司十分感興趣，并且輕松得回答出相關問題。
善于傾聽和發言
大家在面試過程中不要說得太多，也不要過于沉默。首先，大家要聽清楚面試官的每一句話，在面試過程中試著去了解他們和他們的角色。其次，大家要向面試官闡明自己的思考過程，便于他們更加清楚直接地對你的所有反應進行分析。大家要記住，面試過程也是為了更好地找到一個適合自己的工作，而不僅僅是為了他們。
誠信
誠信是十分重要但又往往被應聘者所忽略的一件事情。如果應聘者說謊，很有可能被面試官發現，并且將會導致不良后果。
遵循個人興趣愛好
最后，請大家找一份自己喜歡的工作。我們確實難以提前知道自己喜歡什么，但可以跟隨自己的內心，選擇一份具有挑戰性的工作，并且可以和一個優秀的、有趣的、鼓舞人心的團隊一起工作。
另外，還有其他一些比較重要的注意事項，大家可以在面試過程中應急使用：
首先，再次強調不要撒謊，這是至關重要的。
不要批評以前或者現在的老板。你對他們所做的任何事情都會讓人覺得你也可以對正在應聘的這家公司做出同樣的事情，我們在任何時候都應該要尊重他人。
要保持自信，不要緊張。大家可能會面臨較為激烈的競爭，但每個人都是獨一無二的，你肯定擁有一些可以幫你找到心儀工作的過人之處。此外，在面試過程中不要向下看或者東張西望。當你思考的時候，可以看著面試官的眼睛或者向上看，這表明你正在搜尋記憶、思考答案。
不要談論一些與面試無關的隱私。比如你的政治立場、宗教信仰、年齡和婚姻狀況等。
不要急于在面試過程中討論薪水的問題。在面試結束后，面試官通常會和應聘者討論這個問題，大家可以耐心等待。
學會談判。談判是一項非常重要的技能，這可能會直接影響大家的工資、職業發展等。如果大家沒有談判經驗，強烈建議閱讀Chris Voss的《強勢談判》(Never Split the Difference)（https://info.blackswanltd.com/never-split-the-difference ）一書。Chris Voss是 FBI 前首席國際人質危機談判專家，世界著名的談判理論專家和實踐者，“黑天鵝集團”的創始人和管理者，在談判領域有二十多年的豐富經驗。他在此書中總結了一套全新的、經過實戰檢驗的高價值談判策略。
請大家相信自己一定可以找到工作的。這可能會需要十幾次甚至上百次的嘗試，都是很正常的，這主要取決于地域和當前的經濟形勢。慢慢來，要有耐心，盡可能地享受這個過程，在面試過程中積累經驗、提升技能!
11.AI倫理
AI倫理常常被人們所忽視，但它又是非常重要的一個方面。因為，人們會使用你所創建的應用程序，這就要求該程序必須尊重和保護用戶隱私，值得大家信賴。這聽起來是理所當然的，但在技術層面就比較復雜了。的確，隨著像人工智能這樣的新技術面世，我們需要確保它不會對人類造成傷害并且值得信賴。但這一點常常被人們所忘記或者自動忽視，總以為有人會處理好這件事情。但事實并非如此，機器學習從業者得自己處理。大家可以多思考一下模型的可行度，思考一下這樣一個由自動化機器運行的應用程序可能會產生的倫理問題。正如前面所提到的，這是非常復雜的，這也是為什么倫理學和哲學學者在研究這一問題時需要機器學習領域的專業人士的幫助。為了幫助這些學者更好地進行研究，你首先需要了解為什么“AI倫理”對我們的未來如此重要，我們在這里列出了部分資源：
（1）Ethics for Data Science
https://www.youtube.com/watch?v=F0cxzESR7ec
這是一個由fast.ai 創始人Rachel Thomas創作的講述AI倫理的短片。它可以打開大家的思維，并讓你識別到潛在問題以及思考應對策略。
（2）AI4People：An Ethical Framework for a Good AI Society: Opportunities, Risks, Principles, and Recommendations——Floridi 等, 2018 AI4People AI for a good society.
https://link.springer.com/content/pdf/10.1007/s11023-018-9482-5.pdf
（3）Ethics guidelines for trustworthy AI
歐盟委員會高級別專家組對這本書的評價為7分。
https://wayback.archive-it.org/12090/20210728013426/https://digital-strategy.ec.europa.eu/en/library/ethics-guidelines-trustworthy-ai
非常感謝大家的閱讀，小Mo在這里祝您在未來的機器學習職業生涯中一切順利！
注：部分資源來源于互聯網，若有侵權，請直接聯系作者刪除。
總結
以上是生活随笔為你收集整理的2021年最完整的人工智能入门指南的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： matlab中omg什么意思,英文聊天中
- 下一篇： html设置背景图片自适应