"人工智能技术"这一近几年来占有了全部互联网技术江山半壁，不但让顶尖优秀人才涌进这方面行业，也让大量的平常人触碰到，可是不得不承认，人工智能技术是有门坎的，最先你要有比较不错的英语功底和数学课思维逻辑，及其电子计算机的程序编写，这些看起来貌似很困难。但是随着互联网的不断发达，你会发现这些困难不再是那么难以逾越，网上会盛行着各种各样的课程，各种各样的资料，只要你愿意去挖掘、去寻找、去学习。我相信这些将不再是你迈向AI的门槛。
接下来将介绍一下学习路线：
一、机器学习
有关机器学习领域的最佳介绍，请观看Coursera的Andrew Ng机器学习课程。 它解释了基本概念，并让你很好地理解最重要的算法。
有关ML算法的简要概述，查看这个TutsPlus课程“Machine Learning Distilled”。
“Programming Collective Intelligence”这本书是一个很好的资源，可以学习ML 算法在Python中的实际实现。 它需要你通过许多实践项目，涵盖所有必要的基础。
这些不错的资源你可能也感兴趣:
Perer Norvig 的Udacity Course on ML（ML Udacity 课程）
Tom Mitchell 在卡梅隆大学教授的 Another course on ML（另一门ML课程）
YouTube上的机器学习教程 mathematicalmonk
单单学习书面知识也许不够深刻，个人推荐以下网站去实战一下学习到的东西
github开源项目（机器学习100天）：https://github.com/Avik-Jain/100-Days-Of-ML-Code
易学智能（机器学习100天）：https://www.easyaiforum.cn/case
二、深度学习
开始研究深度学习之前，最好重温一下大学数学。Ian Goodfellow传奇般的“花书”《深度学习》，简明扼要的概括了大部分重要主题。
建议大家尽可能深入地阅读线性代数、概率、信息理论的章节。每当读论文遇到深度学习概念时，都可以在书中找到参考。
Ian Goodfellow传奇般的“花书”《深度学习》在线的版本。
例如英文版在此：https://github.com/janishar/mit-deep-learning-book-pdf/blob/master/complete-book-bookmarked-pdf/deeplearningbook.pdf。而中文翻译版本在此：https://github.com/exacity/deeplearningbook-chinese
如果书本你觉得晦涩难懂，难么你可以听吴恩达的《深度学习专项系列课程（Deep Learning Specialization）》。
Coursera传送门：https://www.coursera.org/specializations/deep-learning网易云课堂的传送门：https://mooc.study.163.com/smartSpec/detail/1001319001.htm/
这五门课程主要讲的是：
1、神经网络和深度学习（4周）
2、改善深度神经网络（3周）
3、结构化机器学习项目（2周）
4、卷积神经网络（4周）
5、序列模型（3周）
前三门课程涉及一般的神经网络和深度学习，第四、第五门课程涉及特定主题。如果你打算搞视觉，第四课必听；如果你搞NLP、音频等，第五课必听。但如果你需要听第五课，那么建议也把第四课好好听一下。
这里鼓励大家一下，课程里每周的内容，实际上一两天就能学完，所以不要被课程表吓倒。劳逸集合、提升效率。
学到这个地步，其实就可以再去http://neuralnetworksanddeeplearning.com/，查看第三到第六章的内容，来强化你的概念。如果你有什么还没搞懂的，请前往Olah的博客。
以及，这时候你要开始看深度学习的论文了，从中学习知识。深度学习有个强烈的特点，那就是内容都非常新，阅读论文是跟上时代唯一的方法。不想被抛下，那么还是养成阅读论文的好习惯吧。
三、实战与竞赛
如果你到达了这一步，恭喜你，你可以开始在AI领域展现你自己了，你可以参加个中kaggle竞赛，在github上学习一些AI开源项目，如果你在这些地方有所成就，我想你的offer也必定不会让你失望的。
在算法性能突飞猛进之后，是什么限制了AI技术的落地？总结起来，以下几方面是普通企业拥抱人工智能、程序员们转行人工智能的拦路虎：
1.模型训练耗时长：当前人工智能的核心是深度学习，它需要构建复杂的深度神经网络来完成各种任务。这些神经网络可能有数十亿的节点与训练参数。这种复杂模型的训练，往往需要数天甚至数月。
2.算力成本大：算力是AI的基础。英伟达(Nvidia)的GPU显卡是深度学习主要的算力平台。然而，以GTX、Tesla等为代表的显卡，售价动辄数千甚至数万。
3.学习门槛高：人工智能涉及高等数学、概率统计、线性代数等，又与程序设计、分布式计算、图像处理与自然语言处理等密切关联。许多人对人工智能的兴趣浓厚，却不知如何去学。
4.开发门槛高：人工智能开发通常在Linux，开发环境安装步骤多、配置复杂。相关技术处于快速发展中，容易出现各种Bugs。人才短缺、开发环境难建等难题，使AI业务难以开展与落地。
在算力共享租赁方面，传统上，云计算是一种主要的算力共享模式。许多大公司，如Google、亚马逊、微软及华为、阿里、腾讯、百度、UCloud等，均提供GPU云主机。去年Nvidia制定了一项政策，用于个人的显卡，不可用于云与数据中心。这两个市场的显卡，算力相近时售价差近十倍。GPU云主机，火爆的同时，我们的感觉就是—“贵”。
另一种方式是共享主机。采用共享经济的理念实现经济实惠。主机可公司自建，也可采用P2P。用户按需租用。主机为普通PC或服务器，可使用相对实惠的GTX显卡(其实GTX1080Ti6K+的售价，也是贵)。
我们共选择了9家相关公司：
云服务：华为云、美团云与UCloud。云服务厂家多，这里选它们为代表。
国外共享主机：FloydHub、VectorDash、Vast.ai与ClusterOne。
国内共享主机：EasyAI与易学智能。
公司官网信息如表1所示。由于相关资料有限，描述未必完全准确，详情请到公司官网了解。
闲言少述，直接上表格。各指标的详细解读，请阅文后附录
表3服务指标比拼-2
表4算力共享服务总体感受
附录：指标详解
我们采用的11项指标如下：
价格：以1080Ti或算力相近的显卡为例。
开发环境配套：虚拟机是否预装深度学习框架及常用软件包
数据集配套：公开数据集主要包括两类，一是用于学术的公开数据集，二是各种AI竞赛的数据集。
培训配套：AI学习的配套教程，既包括算力平台的使用，也包括AI知识技能的学习。
讨论社区配套：AI开发所采用的各种框架、开发包，本身就在急速发展中。可以预见，AI开发面临的bug必然是层出不穷，一个AI学习与讨论社区，对于算力租赁是十分必要的配套。
分布式训练：加速AI算法的训练与执行，并发是主要手段。然而，现在的并发方法都很复杂很不好用。方便易用的并发执行，对AI开发者很有吸引力。
用户自有数据：具体的AI业务，当然要用业务相关的数据来训练。支持用户自定义数据上传，算力平台才能支撑各种实际业务的开发。
用户数据加密：用户数据的隐私保护，重要性不需多言。能否将私人数据保护好，也是用户挑选算力平台的重要依据。
存储与算力的可扩展：任务的不同，所需要的数据量与计算量，差别可以很大。这就要求算力平台提供足够的灵活性，可以让用户按需扩展资源。
主机形态：共享经济是好东西，优点是实惠，缺点是可靠性可用性的损失。一种形式是公司自建算力平台，分时租给不同用户；还有一种彻底的共享——P2P，提供主机的也是散落各地的普通用户，它的可靠性要差一些。
远程控制调节：立即在远程控制服务器程序编写并不方便。一些IDE早已适用远程控制调节。远程控制调节必须远程控制服务器开启相对的端口号与服务项目，当地还必须开展配备。尽管工艺流程繁杂，但对客户来讲，感受非常好。
部分内容来自知乎、CSDN等，欢迎大家在底下交流关于AI的问题！！！
