开始接触人工智能有一小段时间了，学习过程中也在思考和尝试实践人工智能在企业信息化应用中的落地。这期间对 我影响比较大的是思维模式的变化：是传统的严谨结构化的思维与概率思维的不同带来的变化，是严谨的1+1=2和可能性在98%带来的变化，是【相信】或者【信念】的底层逻辑的变化。

数模老师说：概率就是信心

按照案例学习，表面上可以很快输出一些内容，但对学习的内容理解很片面，需要一条线把这些知识串起来。

记录下我在学习人工智能路上的笔记，下面这个路线是黄海广博士写给初学者的，近期我会沿着这个路径逐步来更新学习的过程和感悟。

注：1-5是个整体，6和7的顺序可以交换也可以同时学习，8属于选学部分（深度学习），9放在最后学习。

学习路线和内容

第一部分，数学基础学习：

目录名称： 0.math

数学基础：数学基础内容太多，很容易把人劝退，其实先把 高等数学、概率论与数理统计和线性代数这三门课学熟了，大部分机器学习问题是能解决的。

第二部分，python学习

目录名称： 1.python-basic 

python基础：这里有个代码练习： 两天入门python

目录名称：2.numpy

numpy基础：这里有2个代码练习

• 一、适合初学者快速入门的Numpy实战全集

• 二、Numpy练习题100题-提高你的数据分析技能

目录名称：  3.pandas

pandas基础 ：这里有3个代码练习

• 一、《十分钟搞定pandas》：10-Minutes-to-pandas，这是十分钟搞定pandas 10 minutes in pandas的中文翻译。

• 二、《pandas练习题》：Pandas_Exercises，这个是pandas的练习题。

• 三、《pandas入门教程-2天学会pandas》：pandas_beginner

目录名称：  4.scipy

• scipy基础：scipy的示例代码

目录名称：  5.data-visualization

数据可视化基础：这里有2个代码练习

• 一、matplotlib学习之基本使用

• 二、数据可视化的利器-Seaborn简易入门

第三部分，机器学习基础

目录名称： 6.scikit-learn

scikit-learn基础：PyParis 2018: Machine learning using scikit-learn的代码翻译

目录名称：7.machine-learning

机器学习入门，推荐4份教程，着重推荐1、2部分。

• 一、斯坦福大学2014（吴恩达）机器学习教程中文笔记及资源

• 二、李航《统计学习方法》的代码实现

• 三、周志华老师的《机器学习》的解答--南瓜书PumpkinBook

• 四、台大林轩田《机器学习基石》系列课程教材的习题解答

目录名称：8.deep-learning

深度学习入门，推荐3份教程

• 一、深度学习教程中文笔记

• 二、《python深度学习》的代码翻译版

• 三、 强烈推荐的TensorFlow、Pytorch和Keras的样例资源

目录名称：9.feature-engineering

特征工程入门，这个是项目实战部分。

• 一、面向机器学习的特征工程

随着AI的学习，会对企业数字化转型有更深入的理解。这是底层运营逻辑的变化，传统企业和互联网企业基因的不同，思维和解决问题的方案自然不同，给客户的提供的价值的方式不同，企业组织运作机制也不同，在转型中匹配当前的企业状态， 持续调整吧。【是低维到高维的发展？】

Digital transformation is the integration of digital technology into all areas of a business, fundamentally changing how you operate and deliver value to customers. It's also a cultural change that requires organizations to continually challenge the status , and get comfortable with failure.