摘要：此文是想要進(jìn)入人工智能這個領(lǐng)域、但不知道從哪里開始的初學(xué)者最佳的學(xué)習(xí)資源列表。一、機器學(xué)習(xí)有關(guān)機器學(xué)習(xí)領(lǐng)域的最佳介紹，請觀看Coursera的Andrew Ng機器學(xué)習(xí)課程。 它解釋了基本概念，并讓你很好地理解最重要的算法。有關(guān)ML算法的簡要概述，查看這個TutsPlus課程“Machine Learning Distilled”?！癙rogramming Collective Inte

此文是想要進(jìn)入人工智能這個領(lǐng)域、但不知道從哪里開始的初學(xué)者最佳的學(xué)習(xí)資源列表。

一、機器學(xué)習(xí)

有關(guān)機器學(xué)習(xí)領(lǐng)域的最佳介紹，請觀看Coursera的Andrew Ng機器學(xué)習(xí)課程。 它解釋了基本概念，并讓你很好地理解最重要的算法。

有關(guān)ML算法的簡要概述，查看這個TutsPlus課程“Machine Learning Distilled”。

“Programming Collective Intelligence”這本書是一個很好的資源，可以學(xué)習(xí)ML 算法在Python中的實際實現(xiàn)。 它需要你通過許多實踐項目，涵蓋所有必要的基礎(chǔ)。

這些不錯的資源你可能也感興趣:

Perer Norvig 的Udacity Course on ML（ML Udacity 課程）

Tom Mitchell 在卡梅隆大學(xué)教授的 Another course on ML（另一門ML課程）

YouTube上的機器學(xué)習(xí)教程 mathematicalmonk

二、深度學(xué)習(xí)

關(guān)于深度學(xué)習(xí)的最佳介紹，我遇到最好的是 Deep Learning With Python。它不會深入到困難的數(shù)學(xué)，也沒有一個超長列表的先決條件，而是描述了一個簡單的方法開始DL，解釋如何快速開始構(gòu)建并學(xué)習(xí)實踐上的一切。它解釋了最先進(jìn)的工具（Keras，TensorFlow），并帶你通過幾個實際項目，解釋如何在所有最好的DL應(yīng)用程序中實現(xiàn)最先進(jìn)的結(jié)果。

在Google上也有一個great introductory DL course，還有Sephen Welch的great explanation of neural networks。

之后，為了更深入地了解，這里還有一些有趣的資源：

Geoffrey Hinton 的coursera 課程“Neural Networks for Machine Learning”。這門課程會帶你了解 ANN 的經(jīng)典問題——MNIST 字符識別的過程，并將深入解釋一切。

MIT Deep Learning（深度學(xué)習(xí)）一書。

UFLDL tutorial by Stanford （斯坦福的 UFLDL 教程）

deeplearning.net教程 

Michael Nielsen 的 Neural Networks and Deep Learning（神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)）一書

Simon O. Haykin 的Neural Networks and Learning Machines （神經(jīng)網(wǎng)絡(luò)和機器學(xué)習(xí)）一書

三、人工智能

“Artificial Intelligence: A Modern Approach (AIMA)” （人工智能：現(xiàn)代方法） 是關(guān)于“守舊派” AI最好的一本書籍。這本書總體概述了人工智能領(lǐng)域，并解釋了你需要了解的所有基本概念。

來自加州大學(xué)伯克利分校的 Artificial Intelligence course（人工智能課程）是一系列優(yōu)秀的視頻講座，通過一種非常有趣的實踐項目（訓(xùn)練AI玩Pacman游戲 ）來解釋基本知識。我推薦在視頻的同時可以一起閱讀AIMA，因為它是基于這本書，并從不同的角度解釋了很多類似的概念，使他們更容易理解。它的講解相對較深，對初學(xué)者來說是非常不錯的資源。

大腦如何工作

如果你對人工智能感興趣，你可能很想知道人的大腦是怎么工作的，下面的幾本書會通過直觀有趣的方式來解釋最好的現(xiàn)代理論。

Jeff Hawkins 的 On Intelligence（有聲讀物）

G?del, Escher, Bach

我建議通過這兩本書入門，它們能很好地向你解釋大腦工作的一般理論。

其他資源：

Ray Kurzweil的 How to Create a Mind （如何創(chuàng)建一個頭腦Ray Kurzweil） (有聲讀物).

Principles of Neural Science （神經(jīng)科學(xué)原理）是我能找到的最好的書，深入NS。 它談?wù)摰氖呛诵目茖W(xué)，神經(jīng)解剖等。 非常有趣，但也很長 – 我還在讀它。

四、數(shù)學(xué)

以下是你開始學(xué)習(xí)AI需要了解的非?；镜臄?shù)學(xué)概念：

微積分學(xué)

Khan Academy Calculus videos（可汗學(xué)院微積分視頻）

MIT lectures on Multivariable Calculus（MIT關(guān)于多變量微積分的講座）

線性代數(shù)

Khan Academy Linear Algebra videos（可汗學(xué)院線性代數(shù)視頻）

MIT linear algebra videos by Gilbert Strang（Gilbert Strang的MIT線性代數(shù)視頻）

Coding the Matrix?（編碼矩陣） – 布朗大學(xué)線程代數(shù)CS課程

概率和統(tǒng)計

可汗學(xué)院 Probability（概率）與 Statistics（統(tǒng)計）視頻

edx probability course （edx概率課程）

五、計算機科學(xué)

要掌握AI，你要熟悉計算機科學(xué)和編程。

如果你剛剛開始，我建議閱讀 Dive Into Python 3 （深入Python 3）這本書，你在Python編程中所需要的大部分知識都會提到。

要更深入地了解計算機編程的本質(zhì) – 看這個經(jīng)典的 MIT course （MIT課程）。這是一門關(guān)于lisp和計算機科學(xué)的基礎(chǔ)的課程，基于 CS -結(jié)構(gòu)和計算機程序的解釋中最有影響力的書之一。

六、其他資源

Metacademy? – 是你知識的“包管理器”。 你可以使用這個偉大的工具來了解你需要學(xué)習(xí)不同的ML主題的所有先決條件。

kaggle? – 機器學(xué)習(xí)平臺