1樓：尋常巷陌
最近這些年的一些典型演算法，應該是需要學習的，舉幾個例子：
殘差網路應該是機器學習領域裡每個人必學的，現在有5w+的引用量。
arxiv.org/abs/1512.03385SENet自動學習一組權重，然後對各個特徵通道進行加權。
J. Hu, et al. Squeeze-and-excitation networks. CVPR, pp. 7132-7141, 2018.
殘差收縮網路是傳統降噪方法和殘差網路的一種結合，主要是採用了軟閾值化，有助於應對含噪資料。
Zhao, M, et al. (2020). Deep residual shrinkage networks for fault diagnosis[J].
IEEE Transactions on Industrial Informatics,16(7): 4681-4690.
ieeexplore.ieee.org/document/8850096
2樓：
高等數學/概率統計學-》python程式設計-》資料分析挖掘-》機器學寫-》深度學習-》各種人工智慧應用實戰
交大和深蘭科技有個培訓（好像叫交大人工智慧中心，就是在深蘭內部學的）這種大型企業實操，肯定會更好一些
除此，還有曠視，寒武紀、科大訊飛這樣的大型公司，也跟一些大學有合作祝你早日進入人工智慧領域
3樓：floscule
上來就給你一通教育的
應該都是大佬
他們把你也當成自己圈子裡的人了
但是在推薦學習路線推薦書籍之前
你不覺得應該先說下自己情況嗎？
程式設計能力？
數學能力？
學歷自制力
這些影響都很大的
如果只是覺得人工智慧這三個字很火，想入門
就得看自己當下情況了
4樓：
神經網路
1、《人工神經網路教程》 韓力群比較簡單的入門書籍
2、學習Matlab神經網路，和它的M語言
3、《神經網路設計》(Neural Network Design)Martin T.Hagan Howard B.Demuth Mark H.Beale
4、《神經網路原理》 Simon.Haykin
5、貝葉斯統計需要學習一下。
6、隨機過程也需要，尤其是馬爾科夫過程
7、python語言.
8、還有很多其他。。。。就不說了
機器學習：
網路上建議的入門順序：
1、史丹福大學公開課 ：機器學習課程
2、李航.統計學習方法
3、周志華：資料探勘與機器學習
解決了入門問題，我們接下來要高階：
1、PRML（Pattern Recognition and Machine Learning）
2、ESL（The Elements of Statistical Learning ）
4、Deep learning-author Joshua Bengio
機器學習書單python實戰程式設計
1、Python for Data Analysis
2、SciPy and NumPy
3、Machine Learning for Hackers（這本是用R的）
4、Machine Learning in Action
5、集體智慧型程式設計（這個書名有點誤導人）
網上搜尋很容易找到。
機器學習書單還一些比較理論化的：
1、Convex Optimization
2、Probabilistic Graphical Models
3、Graphical Models, Exponential Families, and Variational Inference
競賽資料分析競賽kaggle
最後我部落格http://www.
limoncc.com
人工智慧 機器學習領域，選愛丁堡還是劍橋？
許逝 題主可以諮詢一下是怎麼被劍橋的MPhil Machine learning 錄取的嗎？我也申請了這個專業兩個月了還沒答覆 劍橋裡面兩個Junior RT和JMHL非常不錯的 Stat lab也有牛人搞高維這塊。愛丁堡培養過不少牛人，但說實話現在ML這塊不能和劍橋比，可能組規模都太小或者生源弱一...
系統辨識在人工智慧 機器學習等領域有哪些應用？
人工智慧最主要解決的問題就是模式識別 廣義的 因為這也是人類大腦工作最神奇的地方。而系統辨識可以認為是當前模式識別所使用技術的一種傳統 經典方案。機器學習肯定用到了很多系統辨識所使用的一些技術 術語，但是兩者還是完全不同的東西。所以不要想著將傳統的系統辨識技術在機器學習領域找到應用，而應該是將系統辨...
人工智慧研究領域和程式語言研究領域有哪些相交之處？
Neural Networks,Types,and Functional Programming representations and types can be seen as the basic building blocks for deep learning and functional p...