介绍

  写这篇博客的原因是参加了Datawhale举办的动手学深度学习的课程，但是苦于自己的入门级别和课程的硬核难度无法写出技术上有意义的笔记。于是不如写些自己艰难地向爱好发展的一点心得。

  本人在一所二本院校就读，非计算机专业，平时自由时间较少，AI等学术教育资源几乎为零，数学水平高中毕业之后基本没有提高。

  但是在一年里我通过刷的数不尽的网课，入门了Hadoop、Hive、Spark，前端学习了Vue框架、自学了uniapp的开发，基本掌握了python，现在开始自学AI类课程。虽然比不上计算机专业学生，但仍能极大地拓展我的知识面与机遇。

分享

我的确觉得有一些东西值得分享，至少是给我同层次的朋友：

1. 以兴趣为导向

2. 充分利用互联网资源
   中国不像国外什么都要付费，能免费学习是一件很幸福的事

3. 制定长短计划
   我会制定清晰的半年计划、季度计划和周计划，指导自己的学习内容

4. 系统性成长需要有一定基础
   多一点技术栈给自己铺垫，否则黄金来到面前只看出是块石头

5. 清晰的明白学习路线和行业的最新发展方向
   学习一项技术之前搞清为什么要学、有没有更好的技术、以及他的知识图谱

6. 以项目实践为驱动
   逼迫自己，以具体的项目来驱动系统学习知识

7. 善于发掘优秀项目
   开源的优秀项目是宝藏，给作者star也是给他们的鼓励

8. 以优秀代码为学习资源
   阅读优秀的代码，遵守开源协议地引用

9. 不沉溺于技术泥潭
   技术决定你能做什么 想法才决定要做什么

入门

  下图是AI、ML、DL的区别¹，ML是AI的子集，DL是最近才火热。深度学习的特征是运用了神经网络。机器学习则是让机器也能通过非显示编程的方式通过经验提升性能。

AI需要的数学基础：

• 微积分
• 线性代数
• 概率论与数理统计
• 信息论
• 最优化理论
• 逻辑

python编程基础:

• py基础
• jupyter notebook
• pytorch

  个人觉得伯禹学习平台的知识树挺好用的，能够清晰的顺藤摸瓜地知道一个知识点的上下所有涉及的知识，适合快速入门。目前计划在该平台学习之后再去参考唐宇迪老师的相关课程。注册可以直接前往，也可选择扫二维码注册额外获得5000雨滴????

资源推荐

1. Datawhale等公众号
2. 尚硅谷
3. 哔哩哔哩
4. 中国大学MOOC
5. Github和码云

---

1. https://www.cnblogs.com/wangsongbai/p/9116154.html ↩︎