概述:
本文字数4177个，约需要15分钟阅读完毕。
本文从人工智能由来，涉及知识领域，对应哪些知识范畴。如何学好人工智能，怎么学都娓娓道来。让辛苦的爸妈在给孩子选择是做到心中有数。末尾还贴心的准备了国内人工智能院校排名，希望对爸妈能有帮助。
前言：
望子成龙的父母们，2019年高考分数已经确定，后续的专业选择就尤为关键了，决定了毕业之后是年薪百万还是艰难就业。现在已经到了一个新时代-5G引领的第四次工业革命已经到来，ICT产业将继续壮大。人工智能、区块链、云计算、物联网等都将成为未来至关重要的核心产业，社会需求极大。人工智能作为这些产业中最璀璨的明珠，在未来具有更光明的前途。
后续的专业选择就尤为关键了
这篇人工智能入门引导就是给父母们准备的，从数据到数学，从机器学习到深度学习，人工智能领域涉及的事，都有涉及。虽然不奢望于让父母理解人工智能，但却会从宏观上引导父母们了解人工智能的组成部分，会涉及哪些知识，这样，有了更专业的知识储备后，在专业选择和院校选择上才有可能更准确的把握。
下面让爸妈们进入人工智能的世界吧。
当亚里士多德和柏拉图热情地争论世界是物质还是理想时，他们远远没考虑到数据对世界的重要性。其实人工智能就是建立在数据基础上。
这篇文章里，将讲述如何采用最有效的学习方式，特别是最必要的步骤迅速的进行人工智能的学习。
第0步。数据是人工智能的基础
嗯，一般来说，数据科学不是一个特定的或单一的领域，它就像是各种学科的结合，专注于分析数据并找到基于它们的最佳解决方案。最初，这些任务由数学或统计专家负责，但随后数据专家开始使用机器学习和人工智能，这增加了优化和计算机科学作为分析数据的方法。这种新方法变得更加快速有效，并且极受欢迎。
总而言之，数据科学的普及在于它包含大量结构化和非结构化数据的集合以及它们转换为人类可读的格式，包括可视化，统计和分析方法 - 机器和深度学习，概率分析和预测模型，神经网络及其在解决实际问题中的应用。
人工智能，机器学习，深度学习和数据科学 - 毫无疑问，这些主要术语是当今最流行的术语。尽管它们有某种关联，但它们并不相同。因此，在进入任何领域之前，首先要明白各个概念的异同。
· 人工智能是专注于创造智能机器的领域，智能机器像人类一样工作和反应。AI作为一项研究可以追溯到1936年，当时Alan Turing制造了第一台人工智能机器。尽管历史悠久，但今天大多数地区的人工智能还无法完全取代人类。人工智能与人类在国际象棋中的竞争和数据加密是同一枚硬币的两面。
· 机器学习是一种从数据中提取知识的创建工具。在ML模型中，可以独立或分阶段地对数据进行培训：与教师一起进行培训，即在没有教师的情况下进行人工准备的数据或培训，使用自发的，嘈杂的数据。
· 深度学习是在需要更高级或快速分析并且传统机器学习无法应对的领域中创建多层神经网络。"深度"在网络中提供了多个隐藏的神经元层，用于进行数学计算。
· 大数据 - 处理大量通常非结构化的数据。球体的细节是能够承受高负荷的工具和系统。
· 数据科学是对数据阵列，可视化，洞察力收集以及基于这些数据做出决策的意义的补充。现场专家使用机器学习和大数据的一些方法 - 云计算，创建虚拟开发环境的工具等等。数据科学的任务总结了Drew Conway创建的：
那么Data Scientist做了什么？以下是您需要了解的所有信息：
· 检测异常，例如，异常的客户行为，欺诈;
· 个性化营销 - 个人电子邮件通讯，重定向，推荐系统;
· 指标预测 - 绩效指标，广告活动的质量和其他活动;
· 评分系统 - 处理大量数据并帮助做出决定，例如，给予贷款;
· 与客户的基本互动 - 聊天室，语音助理的标准答案，将信件分类到文件夹中。
要执行上述任何任务，您需要按照以下步骤操作：
· 了解收集数据的渠道以及如何获取数据。
· 校验。验证，修剪不影响结果的异常，并与进一步分析混淆。
· 分析。数据研究，假设确认，结论。
· 可视化。以一种形式呈现，这种形式对于人的感知来说简单易懂 - 在图形，图表中。
· 法案。根据分析的数据做出决策，例如，关于改变营销策略，增加公司任何活动的预算。
了解到人工智能是什么，能解决什么问题后，接下来继续介绍涉及的知识范畴吧。
第1步。统计，数学，线性代数
"数据科学家是一个比任何程序员都更擅长统计数据并且比任何统计学家更擅长编程的人。"
乔希威尔斯
如果我们一般性地谈论数据科学，那么为了认真理解和工作，我们需要概率论的基础课程（因此，数学分析作为概率论中的必要工具），线性代数，当然还有数学统计学。基础数学知识对于分析应用数据处理算法的结果非常重要。在没有这种背景的情况下，极少有工程师能学习好机器学习的例子。
如果大学教育没有足够的统计学内容，推荐Hastie，Tibshirani和Friedman 撰写的“统计学习要素 ”一书。在本书中，机器学习的经典部分以数学统计和严格的数学计算表示。尽管有大量的数学公式和证据，但所有方法都附有实际的例子和练习。
目前最好的书籍，用来了解神经网络的数学原理 - 伊恩古德费罗的深度学习。在介绍中，有一个关于完全理解神经网络所需的所有数学的部分。另一个很好的参考是迈克尔尼尔森的 - 这可能不是一项基础工作，但它对于理解基本原理非常有用。
第2步。编程（Python）
事实上，一个很大的优势是立即熟悉Python编程。但由于这是一个非常耗时的过程，因此您可以稍微简化此任务。怎么样？一切都很简单。开始学习一种语言，并通过该语言的语法专注于编程的所有细微差别。时间是宝贵的资源，所以最好不要一味看书而不是实践它。那么如何学习Python呢？
如果您没有任何编程基础，建议参加Python大大发起的Python打卡社群，第一天就开始Python编程，每天10分钟的练习打卡，100天打卡结束后，熟练掌握Python。Tips:微信小打卡上有该群。
在学习了Python的基础知识之后，您需要花时间了解主要的Python库。以下是学习python的建议清单。在这里，我将所有必要的python库按用途分成了几类：
科学计算库：
· Numpy
· Scipy
· pandas
可视化：
· Matplotlib
· Seaborn
机器学习和深度学习：
· SciKit-Learn
· TensorFlow
· Theano
· Keras自然语言处理：
· NLTK
网页抓取：
· BeautifulSoup 4
第3步。机器学习
机器学习允许您训练计算机然后完成自动化任务，这样我们就不必编写为执行某些任务来单独编写程序了。由于这个完全颠覆了以前的解决思路,并具有普适性，所以机器学习对于几乎任何领域都具有重要价值，但首先，它将在有数据的领域大显身手。
学习ML的三类：
1）监督学习现在是ML最发达的形式。这里的原理是有一些输出变量的历史数据。输出变量用于识别如何将多个输入变量和相应输出值的数据，然后基于能够预测给定任何输入的输出的函数。因此，关键是标记历史数据。标记意味着您为每一行数据提供了特定的输出值，并将其提供给
PS。在输出变量的情况下，如果输出变量是不连续的，则称为CLASSIFICATION。如果它是连续的，则称为REGRESSION
2）无监督学习没有标记历史数据标志。相反，我们只能说它有一大堆输入数据，RAW INPUT DATA。它允许我们从整体角度识别历史输入数据中的模式和规律。因此，此处的输出不存在，您需要了解的是，在无监督的输入集中可以发现模式。无监督学习的优点在于它适用于多种模式组合，这就是无监督算法更难的原因。
3）当您使用缺少标签的示例呈现算法时，会发生强化学习，如无监督学习。但是，根据算法提出的解决方案，您可以附带正反馈的示例。RL连接到算法必须做出决策的应用程序，并且决策带来后果。这就像通过反复试验来学习。当计算机学会自己玩视频游戏时，会出现一个有趣的RL例子。
好的，现在已经介绍了足够多的人工智能的机器学习的基础知识。
第4步。数据挖掘和数据可视化
数据挖掘是一个旨在探索数据的分析过程。它是根据不同的视角分析隐藏的数据模式以分类为有用信息的过程，这些信息被收集和组装在公共区域，如数据仓库，用于有效分析，数据挖掘算法，促进业务决策和其他信息需求最终削减成本，增加收入。
数据可视化是一个通用术语，描述了通过视觉洞悉数据规律。
第五步。实践！不停的实践！
仅研究理论并不是很有趣，你需要在实践中锻炼。人工智能的初学者有一些很好的选择：
使用一个致力于数据科学的网站kaggle。它不断举办数据分析比赛，您可以参加比赛。还有大量的开放数据集可供您分析和发布结果。此外，您还可以观看由其他参与者发布的脚本并从中学习到成功经验。说句题外话，即使没上到理想大学，靠在这里打怪升级，也能达到一个不错的人工智能学习程度。很多企业面试时会将这点作为一个重要的招聘指标。
说了这么多，希望能对大家小孩的志愿抉择能有参考价值。如图列出人工智能院校名单和院校的AI实力概况供大家参考。最终建议：让孩子热爱人工智能，找到自己擅长喜爱的方式来学习AI。
中国大学AI专业综合排名
毋庸置疑，清华大学在人工智能领域一直处于世界领先地位。并于2018年6月成立了人工智能研究院。在2018年的计算机科学排名CSRankings网站上，清华大学在全球人工智能领域学术机构的排名中仅次于卡耐基梅隆大学，位居第二位。此外，在国际学术影响力方面，上海交通大学、浙江大学、哈尔滨工业大学以及北京航空航天大学也是国内翘楚。
清华大学在人工智能领域一直处于世界领先地位
亲爱的爸妈，从数据到数学，从机器学习到深度学习，从学习Python到如何具体实践，到哪里实践，谁家人工智能最强，人工智能领域涉及的事这里都涵盖了。还是一句话，希望能帮到大家，谢谢大家捧场。
