从零开始学习人工智能，学习路线如下：

1. 1.2w 星！火爆 GitHub 的 Python 学习 100 天 | GitHub-Python-100-Days

5-7天自学掌握Python基础知识，然后进行Python基础知识测验。根据测试结果考虑是否重新学习Python基础知识。

1. 学习教材
   • 廖雪峰的官方网站-Python教程
   • 莫烦PYTHON-Python 3 基础教程

注：廖雪峰教材看累了，可以换着看看莫烦的Python视频。

2. Python基础阶段需要掌握知识点

   • Python基础类型：数字类型、None类型、Bool类型、字符串类型
   • Python常用内置数据结构：列表(list)、元组(tuple)、字典(dict)、集合(set)
   • Python逻辑控制与操作：If分支语句、for/while循环控制、try...except异常处理
   • Python函数：定义函数、函数参数、函数式编程
   • Python类与模块：类构造、类实例化、模块介绍、模块加载和使用
   • Python的IO编程：文件读写
   • Python进程与线程：进程与线程区别

3. Python基础测验 完成上面的基础学习后，可以在下面的题目中小试牛刀：

   • 牛客网专项练习-编程语言Python
   • GitHub-taizilongxu/interview_python
   • 110到Python面试题

     110道题目pdf文件已经放到Python_pdf

   • 面试分享系列 | 17道Python面试题，让你在求职中无往不利
   • 分享 | 收集了60道硬核Python面试题

30天左右时间掌握Python实现基础算法，然后完成牛客网的《剑指Offer》和牛客网的LeetCode经典编程题的练习。

算法刷题技巧：

1. 微信大佬总结的算法学习经验

学习分三个部分:

1. 自己去 牛客网的《剑指Offer》 做题系统中进行python练习

   《剑指Offer》pdf书籍已经放到algorithm

2. 自己去 牛客网的LeetCode经典编程题 做题系统中进行python练习
3. 自己学习慕课网视频《玩转算法面试 leetcode题库分门别类详细解析》

在 算法作业集 中自主记录完成的习题并定时反馈结果, 算法作业集 实现代码上传至 solution_sample 文件夹中。

学习目标：

1. 需要掌握的题目类型：

   1. 数组
   2. 字符串
   3. 查找
   4. 排序
   5. 链表
   6. 堆栈
   7. 树+递归
   8. 回溯法
   9. 动态规划
   10. 贪心算法

2. 需要完成目标：

   1. 希望第二阶段结束后，可以把牛客网的《剑指Offer》全部刷完。
   2. 希望第二阶段结束后，可以把牛客网的LeetCode经典编程题全部刷完。

1天学习基于Python的经典库。14天完成一个Python爬虫工具。

1. 基于Python的经典库(1天了解经典库)

   1. Numpy
      • 这是一个非常有名的数据分析库。从计算数据分布的中位数，到处理多维数组，NumPy 都可以帮你完成。
   2. Pandas
      • 这是用来处理 CSV 文件的。当然了，你还需要处理一些表格、查看统计数据等，那 Pandas 就是可以满足你的需求的工具。
   3. Matplotlib
      • 把数据存储在 Pandas 的数据框后，你可能需要做一些可视化来理解数据的更多信息。毕竟一图抵千言。
   4. Seaborn
      • 这是另一个可视化工具，但这个工具更侧重于统计结果的可视化，比如直方图、饼图、曲线图或相关性表等。
   5. Scikit-Learn
      • 这是用 Python 实现机器学习的终极工具。所谓用 Python 实现机器学习指的就是这个——Scikit-Learn。所有你需要的从算法到提升的内容都能在这里找到。
   6. 干货|理解Python爬虫基础知识

2. Python爬虫项目(14天)

   1. 1天完成练手项目 3 个适合新人上手的Python项目（附代码！）
   2. 13天完成爬虫工具 找一个感兴趣的爬虫项目练习
      • GitHub 上有哪些优秀的 Python 爬虫项目？ - 知乎
      • GitHub 上有哪些优秀的 Python 爬虫项目？ - 龙鹏-言有三的回答 - 知乎

1. Python高级用法
   1. Python对象的比较与复制
   2. 值传递、引用传递or其他，Python里参数是如何传递的？
   3. 强大的装饰器
   4. metaclass
   5. 深入理解迭代器和生成器
   6. 揭秘Python协程
   7. Python并发编程之future
   8. Python并发编程之asyncio
   9. 你真的懂Python GIL(全局解释器锁)吗？
   10. Python垃圾回收机制
   11. SWIG：TensorFlow等流行框架背后的Python/C++混合编程技术
   12. Python实现Web开发框架：Django、Flask

以下内容为了解内容，可以学习完整个机器学习内容后，再看：

• AI 算法工程师手册
• Python机器学习课程（代码与教程）
  1. 2000 星！绝佳的 Python 机器学习在线指南，教程 + 代码可能更适合你
• 机器学习算法地图

本阶段学习教材：书籍《统计学习方法》，李航著。统计学习方法书籍pdf/算法Python代码实现/课件

1. 数据归一化方法
   • 机器学习-数据归一化方法（Normalization Method）
2. 过拟合/欠拟合
3. 正则化
   • 机器学习中的L1和L2正则化项
4. 交叉验证
5. 模型评估
   • 【错误率、精度、查准率、查全率和F1度量】详细介绍
   • ROC曲线和AUC面积理解
6. 偏差和方差
   • 机器学习中Bias（偏差）和Variance（方差）
7. 数据不均衡处理方法
   • 处理不均衡数据（Dealing with imbalanced data）简洁版
   • 分类中解决类别不平衡问题

1. 线性模型
   • 参考资料汇总
     • 独家 | 为你介绍7种流行的线性回归收缩与选择方法（附代码）
     • 线性回归：这可能是机器学习中最简单的一个模型了
   1. 线性回归
      • 岭回归
      • Lasso回归
   2. 线性分类
      • 逻辑回归(会推导)
      • SoftMax回归
2. 支持向量机(会推导)
3. 决策树
   1. ID3
   2. C4.5 -> 随机森林 <- Bagging
   3. CART -> AdaBoost/GBDT <- Boosting

决策树学习要与集成学习联系起来。

5. 贝叶斯
   1. 朴素贝叶斯
   2. 贝叶斯网络
   3. 正态贝叶斯
6. 浅层神经网络
7. KNN(k-Nearest Neighbor, k近邻学习)
   • kNN 的花式用法
   1. 距离度量学习
8. LDA(线性判别分析) -> KLDA
9. 隐马尔科夫模型
10. 条件随机场

1. K-means聚类(会推导、会写代码)
2. 层次聚类
3. 高斯混合聚类
4. 密度聚类
   1. DBSCAN
5. OPTICS
6. Mean Shift
7. 谱聚类
8. EM算法

1. PCA -> KPCA
2. SVD
3. 流行学习
   1. LLE
   2. 拉普拉斯特征映射
   3. 等距映射
   4. 局部保持投影
4. 主题模型

• 常用的模型集成方法介绍：bagging、boosting 、stacking

1. Bagging
2. Boosting
   1. AdaBoost
3. 随机森林
4. GBDT
5. XGBoost
6. LightGBM
7. stacking

• 从头开始强化学习

1. 策略迭代
2. 价值迭代
3. 蒙特卡罗算法
4. 时序差分算法
   1. SARSA算法
   2. Q学习
      • DQN
      • 策略梯度

• 深度学习算法地图

1. 感知器
   • 感知器模型-神经网络的起点
2. logistic回归
   • logisitc回归虽然名字叫回归，但实际上是一种用于分类问题的算法，它在感知器模型的基础上加了一个logistic函数进行映射，得到区间(1, 0)类的概率值，刚好可以作为样本属于正样本的概率。logistic回归的作用类似于神经网络中的单个神经元，logistic函数即激活函数。这个函数导数的有界性为神经网络的梯度消失问题埋下了祸根。
3. MLP
   • 多层感知模型（MLP）-真正意义上的神经网络

1. 分类网络
   1. AlexNet
   2. GoogleNet
   3. VGGNet
   4. ResNet
2. 检测网络
   1. RCNN簇
      • RCNN
      • SPPNet
      • FastRCNN
      • MaskRCNN
   2. YOLO簇
      • YOLO V1
      • YOLO V2
      • YOLO V3
   3. SSD簇
      • SSD
      • DSSD
   4. RFCN簇
   5. FPN簇
   6. RetinaNet簇
   7. Anchorfree簇
   8. 其它
3. 分割网络
   1. FCN
   2. DialatedConv
4. 跟踪网络
   1. HCF
5. 轻量化网络
   • MobileNet V1
   • MobileNet V2
   • ShuffleNet V1
   • Xception

1. LSTM
2. GRU
3. BRNN
4. NTM
5. seq2seq
6. RNN+CTC

1. VAE
2. CVAE

1. GAN
2. CGAN

1. GCN