这可能是一份中英文世界人工智能学习教程，在充分考虑大家信息获取难度的情况下制定了帮助你掌握人工智能（AI）和机器学习（ML）的完整指南：
无需学费！
无需专业背景！
只需要掌握以下的方法和渠道，就可以清晰地认识到是人工智能，并了解其前沿发展和行业新闻。
这份学习指南适用于在编程、数学或者机器学习方面基础比较薄弱的同学。除此之外，成为机器学习专家的方法不是唯一的，只要你有足够的学习动力，大家也可以自己探索学习方法，从而掌握机器学习。
这篇指南的目标是为不知道“如何开始”的人提供一个进入机器学习的学习路径。我们都知道，在学习新事物的时候很难找到从哪里开始或者下一步应该怎样做，尤其是在缺乏他人指导的时候。因此，我们在这里列出了许多优质的学习资源供大家参考。这些学习资源的难度依次递增，有一定基础的同学，可以跳过前面的基础部分。
温馨提示：不要害怕重复播放学习视频或者在不同的平台上重复学习相同的概念。请记住，重复是学习新事物的法宝。
—开始入门：从简短有趣的视频介绍开始
—阅读重要书籍
—没有机器学习的数学背景？看一下这个！
—没有编程背景，没问题！（适合初学者的编程资源）
—练习，练习，再练习！
—如何找到一份机器学习的工作
—AI伦理
观看简短的视频介绍入门，是入门新领域的良好方式，YouTube和b站上面都有大量的优质视频介绍关于机器学习的重要概念。我们在这里列出了一些视频清单，供大家参考。
首先，了解机器学习领域的常用术语，形成初步认识。
（1）YouTube上一位名叫“What’sAI”
大家可以通过以下链接访问该视频系列：
总的来说，YouTube和B站等视频网站是非常适合自主学习的免费平台，除了以上所提及的内容之外，大家可以继续在这些平台上找寻优质学习资源。
虽然这一部分的课程会有一定的难度，但它们同时也非常具有吸引力。只要大家能够说服自己投入学习，一定能够受益匪浅。
通过精心挑选，我们在这里为大家准备了一份课程列表，根据难度由低到高的顺序进行排列。排列在前的课程主要对机器学习的各方面进行简单介绍，排列在后的课程逐渐深入机器学习的专业领域。大家可以通过这一部分的课程，逐渐适应机器学习的节奏，为接下来的专业化学习打好基础。
——机器学习导论（斯坦福大学）
授课老师吴恩达（AndrewNg）是人工智能和机器学习领域国际上权威的学者之一，同时也是在线教育平台Coursera的联合创始人，被誉为人工智能专家和教育先驱。这门机器学习导论课共计20个课时，内容涉及线性回归、梯度下降、朴素贝叶斯、决策树等机器学习的重要概念。该课程可以帮助你对机器学习有一个全面而又细致的了解，可以说是入门机器学习必不可少。
大家可以通过访问斯坦福在YouTube的官方账号“stanfordonline”，获取学习资源。访问链接如下：
B站的一位up主“鬼谷良师”也对其进行了视频搬运，如果您比较习惯于中文字幕，也可以在B站上进行访问：
——深度学习导论（MIT）
访问链接如下：
——深度学习专项课程（DeepLearningAI—吴恩达）
此外，你也可以通过访问链接：
——MITDeepLearning（LexFridman关于深度学习的新课程）
此外，你也可以通过B站找到LexFridman老师的部分教学视频。
2020年深度学习讲座：
2019年深度学习讲座：
自动驾驶公开课：
——DeepLearning(withPyTorch)—（纽约大学，YannLeCun）
众所周知，通过听、说、读、写等不同方式进行学习，可以很好地提高学习效率。因此，阅读对于学习也很重要，它可以帮助大家对机器学习有更加全面和深入的了解。
（1）使用Python学习机器学习和数据科学的5个入门步骤——DanielBourke
（2）什么是机器学习？——RobertoIriondo
（3）机器学习入门：神经网络简介——VictorZhou
（4）神经网络入门指南——ThomasDavis
（5）理解神经网络——PrinceCanuma
（6）MILA新生阅读清单
（7）80/20人工智能阅读清单——VishalMaini
通过以上的学习步骤，大家已经初步具备动手编程和练习的基础了，可以直接跳到后面的编程、在线课程以或者练习部分，加快学习速度。如果想要更加深入地了解机器学习的理论知识，那么可以继续阅读在下一部分所列出来的重要参考书籍。
——机器学习路径：
（1）《深度学习》（免费）
IanGoodfellow，YoshuaBengio，AaronCourville著；赵申剑等译；人民邮电出版社；
（2）《动手深度学习》（免费）
AstonZhang,MuLi，ZacharyC.Lipton,AlexanderJ.Smola著；人民邮电出版社
（3）《概率机器学习导论》（免费）
KevinPatrickMurphy著；MIT出版社
（4）《人工智能：一种现代方法》（付费）
StuartRussell，PeterNorvig著；
（5）《模式识别与机器学习》（付费）
ChristopherM.Bishop著；
（6）《用Python进行深度学习》（付费）
FranoisChollet著；
（7）《理解机器学习：从理论到算法》
——ShaiShalev-Shwartz,ShaiBen-David著；剑桥大学出版社
——机器学习数学基础：
（1）《机器学习数学》（免费）
MarcPeterDeisenroth，A.AldoFaisal，ChengSoonOng著；剑桥大学出版社
（2）《统计学习方法》
李航著；清华大学出版社
（3）《机器学习中的概率统计-python语言描述》
张雨萌著；机械工业出版社
（3）《程序员的数学2概率统计》
平冈和幸，堀玄著；陈筱烟译；人民邮电出版社
——微积分：
（1）微积分（第8版）
JamesStewart著；张乃岳译；中国人民大学出版社
（2）托马斯微积分（第10版）
WEIR，HASS，GIORDANO著；叶其孝等译；高等教育出版社
（3）普林斯顿微积分读本
AdrianBanner著；杨爽等译；人民邮电出版社
（4）清华大学《微积分教程》
韩云瑞，扈志明，张广远著；清华大学出版社
（5）同济大学《高等数学》
同济大学数学系编；高等教育出版社
——线性代数
（1）《线性代数及其应用》
DavidC.Lay著；刘深泉等译；机械工业出版社
（2）《线性代数》
李尚志著；高等教育出版社
（3）《线性代数》
李炯生，查建国著；中国科学技术大学出版社
——概率统计
（1）《概率论与数理统计》
陈希孺著；中国科学技术大学出版社
（2）图灵数学统计学丛书《概率导论》
DimitriP.Bertsekas，JohnN.Tsitsiklis著；郑忠国等译；人民邮电出版社
（3）图灵数学统计学丛书《应用随机过程概率模型导论》
SheldonM.Ross著；龚光鲁译；人民邮电出版社
阅读完这些书籍过后，大家已经完全可以运用所学的理论着手开始编程练习。
——微积分
（1）MITGilbertStrang《微积分重点》
（2）浙江大学苏德矿《微积分》——中国大学慕课
（3）GrantSanderson《微积分的本质》——b站：3Blue1Brown
（4）国防科技大学朱健民《高等数学》——中国大学慕课
（1）MITGilbertStrang《线性代数》——b站up主：小风哥_ANGEL
（2）山东大学秦静《线性代数》——中国大学慕课
（3）北京大学丘维声《高等代数》——b站up主：西门断桥吹残雪
（4）山东财经大学宋浩《线性代数》——b站：宋浩老师官方
（5）GrantSanderson《线性代数的本质》——b站：3Blue1Brown
——概统
（1）山东财经大学宋浩《概率论与数理统计》——b站：宋浩老师官方
（2）GrantSanderson《概率论》——b站：3Blue1Brown
（2）《机器学习数学》——GarrettThomas
（3）统计学习导论：在R语言中的应用
这一列表主要收录了GarethJames、DanielaWitten、TrevorHastie、RobertTibshirani等人关于统计学的教学PPT和讲座视频。
我们在这里为大家推荐了一些关于机器学习编程的优质课程：
LearnPython平台提供免费的交互式Python学习教程，无论你是小白还是经验丰富的程序员，都可以在上面找到合适的学习资料。
（2）Mo平台的Python系列课程
（3）LearningwithPython——b站up主：Q晴风Q
（4）LearnPythonBasicsforDataAnalysis——OpenClassroom
（5）GettingstartedwithDataScience——YouTube博主：DataScienceDojo
该视频教程介绍了线性回归模型和一些常用于机器学习和数据分析的Python和R包。此外，此视频还提供了在Windows/Mac/Linux上安装Python和R的安装教程，让大家可以在本地运行代码，并将代码推送到Github存储库。
（6）IBM在Coursera上开设的名为MachineLearningwithPython的付费课程。
该课程包含了机器学习简介、回归、分类、聚类、推荐系统等内容，实用性较强，可以显著提升大家的编程技能。
除了以上所推荐的内容，大家也可以通过GitHub上的100个NumPy练习来提升Python编程能力，
或者参加DataSciencedojo的在线培训
我们在这里为大家推荐了一些机器学习的在线课程，课程难度由低到高排列：
（1）机器学习简介——Kaggle（学习机器学习的核心思想，并构建自己的第一个模型）
（2）Mo平台的系列课程，包括《从Python到人工智能》、机器学习系列课程、深度学习系列课程等。
（3）GetstartedinAI/AIForeveryone——吴恩达
（4）机器学习——吴恩达
（5）深度学习专项课程——吴恩达
（6）TensorFlow（专业证书）
（7）AI工程——IBM（专业证书）
（8）2021年完整的数据科学训练营
（9）在线数据科学训练营——datasciencedojo（完整的16周学习计划）
（10）数据科学培训计划—datasciencedojo（完整的16周培训计划）
（11）fast.ai平台的深度学习课程（免费）
（12）自然语言处理专项课程
ML学习中重要的就是实践，但往往很难找到合适的个人项目来练习。因此，我们在这一部分为大家推荐了一些提供免费教程、项目和比赛的平台，帮助大家更好地进行机器学习实践。
（1）Kaggle
该平台提供大量的免费课程、教程和比赛。此外，该平台的免费比赛还为参赛选手提供了丰厚奖金。大家可以在锻炼技能的同时赢取比赛奖励，是一种很不错的学习方式，并且赢取Kaggle的比赛奖励也可以为你的求职简历增光添彩。
（2）NVIDIAJetson社区项目
（3）GitHub
GitHub是一个面向开源及私有软件项目的托管平台，可以托管各种git库，并提供一个web界面。作为开源代码库以及版本控制系统，Github拥有超过900万开发者用户。随着越来越多的应用程序转移到了云上，Github已经成为了管理软件开发以及发现已有代码的首选方法。你可以尝试在GitHub上改进他们的代码，或者运行已有项目。
（4）阿里天池
天池大数据竞赛,是由阿里巴巴集团主办,面向全球科研工作者的高端算法竞赛。通过开放海量数据和分布式计算资源,大赛让所有参与者有机会运用其设计的算法解决各类社会问题或业务问题。
—学习社区
同伴学习是一种很好的学习方式。所以我们在这里为大家推荐了一些学习社区，大家可以加入其中，寻找志同道合的学习伙伴。
artificial—人工智能
MachineLearning—机器学习（讨论版块）
DeepLearningPapers—深度学习论文
ComputerVision—从图像和视频中提取有用信息
Learnmachinelearning—学习机器学习
ArtificialIntelligence—人工智能
LatestInML—机器学习领域不容错过的颠覆性发展
StackOverFlow，技术问答网站，被誉为“程序员必上的网站”，大家可以在里面找到很多高质量问答。
思否同样也是国内的一个开发者社区，提供专业问答、行业资讯、开发竞赛、线下沙龙等内容和活动。大家也可以通过该社区寻找工作机会。
——保存学习清单
我们这里列举了一些人工智能、Python和机器学习领域的学习清单：
（1）AI&神经网络&机器学习&深度学习&大数据汇总清单——StefanKjouharov
（2）斯坦福大学-CS-229ML学习清单—AfshineAmidi,ShervineAmidi
（3）机器学习&Python&数学汇总清单——RobbieAllen
（4）AI专家路线图——大家可以将它用作一个技能清单！
（5）全网人工智能机器学习免费资源汇总清单—作者：RobbieAllen；编译：BigQuant
（6）机器学习&深度学习网站汇总——FlyAI
——订阅YouTube频道
——订阅时事通讯
该平台每周都会收集有关人工智能和机器学习的新闻和资源。
订阅该频道，它会每周将有关AI伦理的新内容以邮件形式推送给你。
订阅What’sAI的时事资讯，它会每周将AI新闻和一个新的AI应用简介以邮件形式推送给你。
订阅DataScienceDojo的时事资讯，它会将新的数据科学内容以邮件形式推送给你。
（1）TowardsAI——“好的技术、科学和工程”
（2）OneZero——“未来的潜流”
这是一个关于科学技术的Medium出版物。
——查看GitHub指南
当大家已经确定好自己的目标岗位时，就需要投入到相应准备工作中去。大家可以提供一些在线共享的个人项目，例如一个博客、一个完整的GitHub库等。此外，大家还需要为不同类型的面试做好“必须通过”的完全准备。
——机器学习面试中的注意事项
面试是求职的重要步骤，因为我们在这里列举了一些有关机器学习面试的资源，希望可以帮助大家提升面试技能。
（1）知乎
-各大公司机器学习面试内容总结
-如何斩获一线互联网公司机器学习岗offer
-机器学习算法理论面试题大汇总
-尽早准备
-发挥社交网络的作用
利用好自己的人脉关系，尝试与老师或者同事沟通交流从而获得一些工作机会。
-模拟练习
就像编程和数学一样，面试也是需要勤加练习的。大家可以使用该书中的模拟问题，在朋友、家人或同事面前练习面试技巧。
-提升专业技能
-充分了解应聘公司的背景
-善于倾听和发言
大家在面试过程中不要说得太多，也不要过于沉默。首先，大家要听清楚面试官的每一句话，在面试过程中试着去了解他们和他们的角色。其次，大家要向面试官阐明自己的思考过程，便于他们更加清楚直接地对你的所有反应进行分析。大家要记住，面试过程也是为了更好地找到一个适合自己的工作，而不仅仅是为了他们。
-诚信
诚信是十分重要但又往往被应聘者所忽略的一件事情。如果应聘者说谎，很有可能被面试官发现，并且将会导致不良后果。
-遵循个人兴趣爱好
最后，请大家找一份自己喜欢的工作。我们确实难以提前知道自己喜欢什么，但可以跟随自己的内心，选择一份具有挑战性的工作，并且可以和一个优秀的、有趣的、鼓舞人心的团队一起工作。
另外，还有其他一些比较重要的注意事项，大家可以在面试过程中应急使用：
请大家相信自己一定可以找到工作的。这可能会需要十几次甚至上百次的尝试，都是很正常的，这主要取决于地域和当前的经济形势。慢慢来，要有耐心，尽可能地享受这个过程，在面试过程中积累经验、提升技能!
AI伦理常常被人们所忽视，但它又是非常重要的一个方面。因为，人们会使用你所创建的应用程序，这就要求该程序必须尊重和保护用户隐私，值得大家信赖。这听起来是理所当然的，但在技术层面就比较复杂了。的确，随着像人工智能这样的新技术面世，我们需要确保它不会对人类造成伤害并且值得信赖。但这一点常常被人们所忘记或者自动忽视，总以为有人会处理好这件事情。但事实并非如此，机器学习从业者得自己处理。大家可以多思考一下模型的可行度，思考一下这样一个由自动化机器运行的应用程序可能会产生的伦理问题。正如前面所提到的，这是非常复杂的，这也是为什么伦理学和哲学学者在研究这一问题时需要机器学习领域的专业人士的帮助。为了帮助这些学者更好地进行研究，你首先需要了解为什么“AI伦理”对我们的未来如此重要，我们在这里列出了部分资源：
（1）EthicsforDataScience
这是一个由fast.ai创始人RachelThomas创作的讲述AI伦理的短片。它可以打开大家的思维，并让你识别到潜在问题以及思考应对策略。
（2）AI4People：AnEthicalFrameworkforaGoodAISociety:Opportunities,Risks,Principles,andRecommendations——Floridi等,2018AI4PeopleAIforagoodsociety.
（3）EthicsguidelinesfortrustworthyAI
欧盟委员会高级别专家组对这本书的评价为7分。
小Mo非常感谢大家的阅读，祝您在未来的机器学习职业生涯中一切顺利！