自学人工智能还是有一定门槛的，如果已经擅长一些技术和能力，那么成功的机会就会大很多。
比如说，尽可能有数学的基础或是学习过统计学的知识，这样能更好的理解算法原理，更容易上手。如果有Python或者R语言的编程基础也是能够大大加分的，自学的道路上这些都是很重要的基础能力。
了解领域➡️学习相关基础知识➡️学习以机器学习为主的原理知识➡️通过实践检验知识，精进自己的技能。
例如了解AI技术包括哪些技术方向，有哪些应用领域，未来会如何发展，前景如何，对社会的影响如何等等，这不仅能够帮助我们加强对AI的兴趣，甚至可以发挥自己对AI的想象。
《人工智能（第2版）》系统、全面地涵盖了人工智能的相关知识，既简明扼要地介绍了这一学科的基础知识，也对自然语言处理、自动规划、神经网络等内容进行了拓展，更辅以实例，可以帮助读者扎扎实实打好基础。
特色鲜明、内容易读易学，适合人工智能相关领域和对该领域感兴趣的读者阅读，也适合高校计算机专业的教师和学生参考。
统计学部分：线性代数：标量、向量、矩阵/张量乘法、求逆，奇异值分解/特征值分解，行列式，范数等
概率与统计：贝叶斯、期望与方差、协方差、概率分布(0-1分布、二项分布、高斯分布)、独立性与贝叶斯、最大似然和最大后验估计等
高等数学：微积分、链式法则、矩阵求导、线性优化、非线性优化(凸优化/非凸优化)以及其衍生的如梯度下降、牛顿法等
数学部分为大家推荐《人工智能基础 数学知识》及《白话机器学习的数学》两本书。
《人工智能基础 数学知识》基于流行的Python语言，通俗易懂地介绍了入门人工智能领域必需必会的数学知识，旨在让读者轻松掌握并学以致用。这本书分为线性代数、概率和优化等3篇，读者可在潜移默化中掌握这些数学知识以及相关的编程操作。
《白话机器学习的数学》通过正在学习机器学习的程序员绫乃和她朋友美绪的对话，结合回归和分类的具体问题，逐步讲解了机器学习中实用的数学基础知识。层层拆解，步步引导。同时，还通过实际的Python编程讲解了数学公式的应用，进而加深读者对相关数学知识的理解。
具体到机器学习的流程，包括数据收集、清洗、预处理，建立模型，调整参数和模型评估。基础则是机器学习的基本算法，包括回归算法，决策树、随机森林和提升算法，SVM，聚类算法，EM算法，贝叶斯算法，隐马尔科夫模型，LDA主题模型等等。
这本书第一部分主要介绍机器学习基础，以及如何利用算法进行分类，并逐步介绍了多种经典的监督学习算法，如k近邻算法、朴素贝叶斯算法、Logistic回归算法、支持向量机、AdaBoost集成方法、基于树的回归算法和分类回归树（CART）算法等。第三部分则重点介绍无监督学习及其一些主要算法：k均值聚类算法、Apriori算法、FP-Growth算法。第四部分介绍了机器学习算法的一些附属工具。
全书通过精心编排的实例，切入日常工作任务，摒弃学术化语言，利用高效的可复用Python代码来阐释如何处理统计数据，进行数据分析及可视化。通过各种实例，读者可从中学会机器学习的核心算法，并能将其运用于一些策略性任务中，如分类、预测、推荐。另外，还可用它们来实现一些更高级的功能，如汇总和简化等。
如果你想将你的能力在深度和广度上进行拓展，《百面机器学习》和《百面深度学习》这两本书可能会对你很有帮助。
这两本“面试宝典”由Hulu公司富有经验的算法工程师团队编写，其中《百面机器学习》梳理了机器学习的基础概念、方法和经典模型，可以帮你巩固基础，建立自己作为算法工程师的知识网络。《百面深度学习》进一步着眼于深度学习这个子领域，在算法和模型以外，还对推荐系统、计算广告等多个业务场景中遇到的实际问题进行分析解答。
《百面深度学习》仍然采用知识点问答的形式来组织内容，每个问题都给出了难度级和相关知识点，以督促读者进行自我检查和主动思考。
本文从学习的逻辑出发，给想要自学人工智能的同学了一些建议，希望对想进入人工智能领域的同学有所帮助。
大部分想转行AI算法岗位的都比较浮躁。跳槽的时候不得其法。虽然AI行业高薪，但是你却并不能掌握其法门。
AI学习不仅仅在于模型掌握了多少，更多的在于你的算法分析和设计能力、工程实践能力、算法模型的优化能力。
别慌，这些资料这一次全部免费分享给大家。觉得好，就不要吝啬你的三连哦，这样我才有动力持续更新哦
