一 最难的一件事
要成为大牛，其实不难，只需要做一件事 -- 学习；然而其实也很难，因为必须做到一件事 -- 坚持学习。无关智商，无关信仰，能否坚持到底，至关重要。
白天要上班，往往要加班，还要积极完成小孩的课业与辅导，处理好家务琐事，只能晚上孤独的学习，要系统的入门，独学而无友，有问题只能求诸于己，咬牙死磕。晚上别人在睡前电视，周末别人在惬意时光，都要苦苦战斗，如切如磋，如琢如磨。100要学AI的IT，真正行动的也许不过1/5，坚持一个月的可能已不足10人，能始终坚持到入门，找到感觉的，也就2-3个人了吧，能有人能成为大牛，是小概率事件了。
因此，咬牙坚持，是最好的良药，也是最难的一件事。
要做到坚持，也要讲方法，不能太苦，要快乐的坚持，至少要痛并快乐着。因此学习节奏也就是时间安排非常重要。
建议的入门时间安排：1）每周一、三、五，每晚花两个小时学习、看视频 2）周六、周日每天四小时左右。 3）坚持三个月以上。 4）平时学习侧重看视频、书籍；周末侧重完成课程附带的编程作业、及思考归纳。
关于思考与归纳的几个层次举例：
1）知道理解人工智能这个概念（几乎所有人）；
2）知道“机器学习”这个概念（有一部分人）；
3）清楚描述“深度学习”、“机器学习”和“神经网络”的关系（一小部分人）；
4）能够正确说明“卷积”、“池化”、“梯度下降”这些名词的正确含义与计算/实现的方法（很少一部分人）；
5）能清楚地理解损失函数和反向传播的数学表达（非常少的人）；
6）能够阐述网络参数的一个修改（比如把卷积核改小）对precision/recall会产生什么影响（极少极少的人）；
7）准确描述上述影响到底是什么原理（几乎没有人）。
二 数学是最大的拦路虎吗
一） 别人的经验
作为“尚未入门的广大学友”、“不明真相的吃瓜群众”，从哪里入手好呢？ 线性代数？概率论？那是最糟糕的选择！它们只会让你入门之前就彻底丧失信心，其漫长而陡峭的学习曲线还会让你误以为这是一个无法进入的领域。事实上，只有已经入门并并深入前进（比如能够正确并完整的讲解“卷积”，“池化”，“LSTM”这些词的正确含义、原理和计算/实现方法）之后，你才真正需要更多的数学知识。入门学习中用到的数学知识，只有以下三点：
1. 懂得矩阵运算的基本计算方法，能够手动计算[3×4]×[4×3]的矩阵，并明白为什么会得到一个[3×3]的矩阵。
2. 懂得导数的基本含义，明白为什么可以利用导数来计算梯度，并实现迭代优化。
3. 能够计算基本的先验及后验概率。
二） 一些理解
AI 的学习有多方面的诉求和阶段，不同的阶段对数学有不同的需求，不同的方向也有不同的需要。除前面所说的，未入门阶段其实不需要太多专业数学知识，另外，做研究和做工程、做应用也是两个不同的难度级别。
殊途同归，估计到高深处都是一样的了。入门时其实不需刻意。
三 入门学习路线
一） 零基础学习入门课程： 吴恩达的机器学习课程开始： Machine Learning - Stanford University | Coursera
吴恩达的英语又慢又清晰，课程字幕的翻译又到位，课程设置与课中测验及时而又合理，重点清晰、作业方便，再加上吴恩达教授深入浅出的讲解，讲解过程中不时的鼓励和调侃，都能让你更为积极地投入到机器学习的学习之中，让你扎实而快速地掌握机器学习的必备基础知识。
这门在线课程，相当于斯坦福大学CS229的简化版，涵盖内容包括机器学习最基础的知识、概念及其实现，以及最常用的算法（例如PCA、SVM）和模型（全连接神经网络）。学习这门课程，重要的是基础的概念与实现。作为一名具备编程基础的开发人员，在这个阶段要将自身理论同实践相结合的优势发挥出来，充分利用它所提供的编程作业，尽可能多地实践，从理论和代码两个角度去理解课程中的知识点。
二） 夯实基础
回头去看一遍CS229，将传统算法整体熟悉一遍，尽可能把所有的基本概念都掌握扎实。
三） 选择主攻领域并学习
任何人不可能选择计算机视觉（CV）、自然语言处理（NLP）以及其他领域等全部领域学习。在每个领域下，都有大量的研究者在投入精力钻研，发表论文和成果。可选择一到两个方向作为主攻，跟上学术界主流的进展。 在完成了相应领域的学习后，下一步要做的就是尝试阅读最新的经典论文并试图实现。
四） 编程语言与框架
1. 入门编程语言 python
2. 框架
1） pytorch
2） tensorflow
五） 实战常用数据集
1. mnist 手写数字库
每条数据是固定的784个字节，由28x28个灰度像素组成。体积小（10M左右）、数据多（6万张训练图片）、适用范围广（NN/CNN/SVM/KNN都可以拿来跑跑）而闻名天下，其地位相当于机器学习界的Hello World。在LeCun的MNIST官方网站上（yann.lecun.com/exdb/mnist/），还贴有各种模型跑这个数据集的最好成绩，当前的最好得分是CNN的，约为99.7%。由于该数据集非常之小，所以即便是在CPU上，也可以几秒钟就跑完NN的训练，或是几分钟跑完一个简单的CNN模型。
2. CIFAR 图形库
Tensorflow给出了CIFAR的例程： https://www.tensorflow.org/tutorials/deep_cnn 并附有代码：
https://github.com/tensorflow/models/tree/fb96b71aec356e054678978875d6007ccc068e7a/tutorials/image/cifar10
四 入门学习经验之谈
1. 最好和一个真正能做出东西的团队或跟随真正的牛人一起学习相比，比自己一个人速度要快十倍都不止。深刻理解业务，选择合适的模型算法，找到实际应用场景，实现它，实现它，实现它。
2. 不要太迷信论文，很多写论文纯粹在编故事(好论文除外)，一定要复现论文或者尝试自己做出一些东西。DL\ML其实是一门实践性的学科，只有通过实验才能把握到其中的细节与真谛。虽说也是在写程序，但是DL的程序基本上无法直观地debug，所以非得自己去复现一下，实践一下，用performance来说话，才知道有没有出错。
3. 不能浅尝辄止，不要求快，没有捷径。自己首先有个心理预期，数学好的入门也得一年半载的，数学需要补基础的估计要1-2年。可以去上培训班，交点钱，但也就跟机器学习混个脸熟。想入门还得花时间慢慢磨，真的没捷径，真的没捷径，真的没捷径！。
4. 不要太迷信复杂的东西和新技术，以为新东西肯定就效果爆棚。其实都是不存在的。永远不要迷信某个特定的模型，要摸索理解各种不同模型的特性。
5. 模型不求多，精通几个常见的，把机器学习的套路摸透就可以了。比如LR，朴素贝叶斯，决策树，基于SVD相关的简单模型，如推荐系统等。把机器学习的套路摸透什么意思呢？比如LR为什么用logloss，而不是平方损失？为什么logloss 是凸函数，而平方的不是？优化算法啥时候用一阶mini-batch sgd，啥时候用二阶方法，为什么？这还只是说了损失函数与优化算法，还有模型结构，模型的效果评估指标，如何利用欠拟合/过拟合来分析指导优化模型等等。因为简单的模型容易理解，有时数学上的证明也是可行的。这样，以它们为例子更容易理解机器学习这套东西，建立自己的直觉，自己的直觉，自己的直觉，几何的或物理的。
五 人工智能工程师学习图谱
