_{Created by 唐宇迪}

人工智能实战就业(面试)学习路线图

• 这个项目是干什么的？

资料存在太多数据集，百度网盘被举报后已经无法分享链接，后续将提供谷歌网盘

领取资料请直接加微信：Gp00006666 （验证信息备注GITHUB即可）

整理这个项目的初衷是方便同学们快速开启人工智能自学计划，在学习过程中少走弯路用最快的效率入门Ai并开始实战项目， 提供了近200个Ai实战案例和项目，这些并不是网上搜集来的，而是我这五年线上线下教学所开发和积累的案例。可以说都是 反复迭代更新出来的，适合同学们来进行循序渐进的学习与练手。来的同学记得点个star收藏下！

• 配套教材如何获取？

19年底我出版了机器学习课程的配套教材《跟着迪哥学Python数据分析与机器学习实战》， 风格依旧是通俗易懂，历时两年反复修改订正十余次终于和大家见面了。 为了方便更多同学们能快速开始学习计划，我决定将本书的电子版免费送给大家。希望它能给大家带来学习的收获！ 在本项目主页即可下载PDF版本，教材如果喜欢也可从京东购买。

《跟着迪哥学Python数据分析与机器学习实战》PDF原版下载 ：

(网盘链接: https://pan.baidu.com/s/19wzJeyPmwTBDp9ASEWBvFQ 提取码: tece )

• 按照什么顺序开始学习？

下面目录也就是学习路线路了，初学者建议按照目录中给出的顺序来进行学习，已经入门的同学就可以按照自己的喜好来选择了。

• 提供案例如何获取？

案例中涉及的数据都是真实数据集，有些会比较庞大，直接上传github大家下载起来会非常慢，我会逐渐上传各个模块 的网盘链接，里面包括了数据，代码，PPT等学习资源。如需配套视频讲解请添加微信：digexiaozhushou（迪哥小助手拼音）

• 合作与交流

有各方面合作交流以及项目问题都可以直接添加微信:digexiaozhushou（迪哥小助手拼音）

目录

• 必备基础技能
  • 必备Python基础
  • 必备数学基础
  • 必备Python工具包
• 机器学习
  • 机器学习算法
  • 机器学习算法实验分析
  • 机器学习算法代码复现
  • 机器学习经典案例实战
  • 机器学习实战集锦
• 数据分析与挖掘
  • 数据挖掘实战
  • 数据挖掘竞赛优胜解决方案
  • 数据分析实战
• 深度学习
  • 深度学习必备算法
  • 深度学习必备工具
• 深度学习框架
  • 深度学习框架-Tensorflow2
  • 深度学习框架-Pytorch
  • 深度学习框架-Keras
  • 深度学习框架-Caffe
• 计算机视觉
  • Opencv图像处理实战
  • 计算机视觉实战项目（基于深度学习）
• 自然语言处理
  • 自然语言处理实战项目（基于深度学习）

必备基础技能

要学人工智能（数据科学）这行还是需要一些基本功的，最基础也是最核心的就是Python和数学了！这两兄弟入门起来 并不难，先掌握基础的边用边学也是可以的！

必备Python基础

如果对Python不熟悉的同学们，建议先看一下我的Python入门视频课程，可以快速入门！传送门

• 为什么是Python？

最直接的解释就是大家都用它！以前是面向对象编程，后来大家更喜欢面向复制粘贴编程，现在懒到面向github编程，确实如此，该偷懒就得偷懒，Python就是这个作用！ 后续所有的实战内容都是基于Python，所以没得选啦！

• 需要安装什么？

Anaconda就够了！Anaconda就够了！Anaconda就够了！好了，说了三遍了，具体解释大家参考上面传送门课程就好

• 用什么编程工具开始？ 虽然大家都有趁手的兵器，但是我给大家准备的绝大多数课件都是基于jupyter notebook的，所以这个肯定是必备的！

必备Python工具包

• 什么是工具包？

工具包就是人家把功能都写好了，咱们直接调用就完事啦！数据处理，分析，建模等都有对应的工具包。对于学习来说 并不用把这些工具包背下来，先熟悉起来，后续肯定还是要现用现查的。

• 哪些工具包是初学者必备的呢？

必备数学基础

• 数学重要吗？非学不可吗？

数学有多重要同学们肯定都十分清楚，尤其是在人工智能（数据科学）领域，不懂数学想必寸步难行，很多同学都问过我一个问题，工作中真能用上这么多数学吗？ 我跟大家来解释一下，人工智能这行发展相当迅速，在实际工作中肯定要边干边学，学什么呢？想必就是当下的一些优秀论文了，如果连基本的数学公式都看不懂， 那就不用再去谈什么高端技术了。做这行的同学们肯定都会有这样一个想法，所谓的人工智能就是对数据做各种各样的数学计算罢了！

• 如何学数学？要定一个长期计划吗？

对于数学我觉得并不需要从头开始花大量时间一步一个脚印去学习，举一个例子，我和我身边的同事，朋友都是干这行蛮久的了，数学不知道撸了多少遍了，考研时候也曾刷题无数， 但也会遇到这样的问题，很多知识点如果一段时间没看很快还是会忘记。我最常做的一件事就是用到什么查什么，查找的过程其实也是学习进步过程。建议大家可以快速过一遍 常用的知识点（高数，线性，概率论中的基础），这个过程中千万别去看各种解题过程，也不用管具体求解的方法，说白了就是只要理解一个公式是做什么的，有什么用 就足够了，类似教材中的习题，练习册上的求解这些统统不需要，以后也根本不会用笔去算这些麻烦事，把这个时间省下来去学习算法更划得来！

• 下面是课程中所设计的知识点，也是必备基础

机器学习

人工智能领域最核心的就是机器学习了，无论大家后续想从事哪个方向，肯定都是先从机器学习开始！主要就两件事， 第一就是掌握经典算法原理，第二就是熟练应用Python工具包进行建模实战！

机器学习算法

• 算法要学什么？ 理解机器学习算法是如何对数据进行操作从而完成建模求解过程，说白了就是熟悉下数学在算法中是如何应用的。重在理解即可！不要对一个问题钻的没完没了，这样太 浪费时间了，没准后续学习过程中一下子就迎刃而解了。我觉得对算法的学习肯定不止一遍，尤其是准备面试就业的同学们，二刷，三刷都是很正常的现象（曾经有同学 跟我说面试前一共刷了6遍课程）

• 有了深度学习还需要机器学习吗？

深度学习可以说是机器学习算法的一种，并不是有了神经网络其他经典算法就不需要了，需要根据不同的任务和数据来选择最合适的算法，学习路径肯定是先从机器学习开始， 其实掌握了这些经典算法之后再看神经网络真的很简单！

• 下面是课程中会讲解的算法，也是大家必须掌握的！这里没有列出所有机器学习算法，因为有很多现在已经不实用了。

机器学习算法实验分析

通过对比实验分析经典算法建模方法及其参数对结果的影响，通过实验与可视化展示理解算法中的参数与应用实例。

机器学习算法代码复现

为了更好理解算法的机制从零开始复现经典算法，坚持不掉包原则，一步步完成算法所需所有模块。

• 为什么要自己复现代码？有何价值呢？

主要目的是更好的掌握算法的工作原理，重在练习！有时间的同学们可以自己复现一遍，时间紧的同学就不必亲力亲为了。

机器学习经典案例实战

• 实战需要掌握哪些技能？

在实战中可能把数学知识点都弱化了，因为更多时候我们都是使用现成的工具包来完成任务（调包侠）。这里需要大家掌握的节能功能比较多， 首先就是熟练使用这些常用工具包了，数据预处理，特征工程，调参，验证这些都是非常核心的步骤。概括来说就是要完成不同的任务所需流程和套路都是类似的， 但是使用的方法和算法却可能不同，这就需要大家不断积累来丰富实战经验了。给同学们提供的这些案例大家都可以当作是自己的实战模板！

• 这些案例能让我收获什么？

最重要的就是学会针对不同数据（数值，文本，图像）如何进行预处理与分析，熟练应用工具包中各大核心函数进行调参与预处理，针对不同任务提出多种解决 方案并进行实验分析。总结起来就是多做实验，多动手，代码写的多了自然就熟练了！

机器学习实战集锦

• 这里还给大家准备了丰富的实战项目，非常适合大家来练手！

数据分析与挖掘

数据分析这个词大家天天都在听，要干什么呢？无非就是从数据中获取有价值的信息，这其中方法与套路还是非常多的。 这个方向不需要什么理论积累，直接上数据，干就得了！案例的积累就是学习过程！

数据挖掘实战

• 数据挖掘是什么？和机器学习有什么区别？

简单来说数据挖掘就是对海量数据应用机器学习算法来得到想要的结果。在数据挖掘中重点并不是机器学习算法的选择，而是怎么样对数据进行处理才能得到更好的 预测结果，在这里特征工程与预处理将成为核心解决方案。

数据挖掘竞赛优胜解决方案

• 我又不参加竞赛，为什么要看人家的解决方案呢？

给大家选择了天池，kaggle，融机等大型竞赛案例，并且提供的代码和方案均为竞赛时优胜者的解决思路。就好比要学下棋就得跟下的最好的玩自己才会提升， 案例中均会讲解优胜者的思路和整体解决方案并提供代码实现。非常有助于大家提升！

数据分析实战

• 数据分析的重点又是什么呢？

数据挖掘主要是建模来进行预测，数据分析则重在可视化展示，分析其中各项指标对结果的影响等。给大家选择了一些经典分析案例，很多都可以直接当作模板来使用

深度学习

• 终于说到深度学习了，都需要学什么呢？

深度学习可以说是当下最好用的算法了，各个领域都能吃得开。其实最核心的还是在计算机视觉和自然语言处理中，因为神经网络算法更适用于图像和文本数据。 主要需要掌握的就是算法和框架了，算法就是CNN,RNN这些经典网络模型，框架就是实战的工具了例如tenorflow,Pytorch等，后面还会详细说。

• 深度学习听起来比较高大上，是不是比机器学习难很多？

好像现在好多小伙伴一拿到任务，第一个想法都是直接用深度学习做。如果深度学习难度大，做起来麻烦，那还能有这么高的热度吗？其实恰恰相反，我觉得深度学习 真的比机器学习简单很多，在机器学习中需要我们对不同的数据选择不同的预处理方法和特征工程构建方法。深度学习中的套路相对来说更固定一些，而且有这些开源框架 和各大经典网络架构，我们通常需要做的就是套用就可以了。整体难度要比机器学习任务更容易一些（只是相对来说！）。

深度学习必备算法

• 深度学习都需要学哪些算法呢？

深度学习必备工具

• 什么是框架？能帮我们做什么呢？

框架好比说你设计了一个网络模型，但是如果把其中具体的计算过程全部自己完成就太麻烦了。框架提供了高效的计算方法并且不需要咱们来完成，一套全自动的计算。 相当于我们只需要设计好结构，具体的施工就交给它了。要玩深度学习必备的就是框架了。

• 深度学习框架哪家强？

tensorflow,Pytorch,keras,caffe等，有这么多框架，我该选哪一个呢？是不是不同框架差异很大呢？ 现在最主流的就是tensorflow和PyTorch了，相当于肯德基和麦当劳吧。都很强，至于具体选择哪一个还是参考大家各自的项目组和任务需求吧。如果非要我推荐一个 我会给大家推荐PyTorch，因为更简洁通俗。这些框架我全都用过，最主要的原因就是工作中经常需要参考论文和开源项目，一般别人论文中源码用什么框架我也就接着进行 二次开发了，所以这些框架早晚大家都会用一遍的！

• 框架该怎么学呢？

框架没有什么理论可谈，也不用看各种长篇大论，直接用就得了！其实就是一个工具包，边用边学，案例当模板来总结就可以了！

• 针对不同框架，分别给大家准备了丰富的实战项目和学习内容。

深度学习框架

针对各大深度学习框架均给大家提供了丰富的实战案例，用哪个就看大家的喜好了！

深度学习框架-Tensorflow2

• 请给我一个学tensorflow2的理由!

谷歌出品我就不用多解释了，人家谷歌那么多开源项目肯定都是基于TF框架的，要学习或者参考人家开源项目和论文肯定要学TF的，工业界应用也非常广泛。这波肯定不亏！

• 给大家准备的案例内容，借用程咬金的配音：一个字，干!

深度学习框架-Pytorch

• 听说它很火，为啥呢？

19年底Pytorch框架使用人数已经超越tensorflow成为当下最火的框架，原因其实很简单，大家都喜欢用更简单易懂的框架。整体的感觉确实比tensorflow好上手而且 调试起来十分方便，也是建议初学的同学们优先选择Pytorch框架。

深度学习框架-Keras

• Keras都说简单，有多简单呢？

整体感觉就是啥都不用学，从案例开始直接用就好了，TF2版本其实跟keras很像。适合做实验写论文，简单快速！

深度学习框架-Caffe

• Caffe框架现阶段还有必要学习吗？

我觉得现阶段已经有tensorflow和pytorch了，暂时轮不到caffe登场了，初学的同学们就不推荐了。可能有些论文和任务还是需要caffe框架，需要的同学们自取就好啦！

计算机视觉

• 计算机视觉发展这么火，就业面试都需要哪些核心技能呢？

计算机视觉这个行业我就不用多说啦，当下最吃香的了。那都需要学什么呢？最核心的其实就两部分，一个是图像处理，另一个是图像建模。所谓的图像处理就是Opencv 那一套啦，这个工具包简直无敌了，但凡你要用的这里全能找到。图像建模主要就是用深度学习来完成检测，识别等任务。现阶段的学习我觉得关于传统图像处理算法可以 都不用去看啦，简单熟悉一下就好，主流的方向还是用深度学习来做，这就需要大家多多最新的阅读论文了。

Opencv图像处理实战

• 关于opencv我该怎么学呢？

建议大家选择Python版本来进行学习和使用，跟其他工具包一样，调就完事了！遇到不熟悉的多查API，边用边学是最快的途径。Opencv中基本所有函数都涉及非常多的 数学公式，这些大家都可以先放一放，如果把每个算法每个公式都学一遍那得猴年马月了，以后用到了再说完全来得及。

• 这些案例我需要自己动手写一遍吗？

给大家准备了非常多的学习资源和案例，前期只需要熟悉即可，工具包就是用的，面向复制粘贴编程也是一项技能！

计算机视觉实战项目（基于深度学习）

• 这些项目我都需要掌握吗？

对于准备面试就业的同学们建议都过一遍，里面的思想都是蛮好的，大部分都是基于论文来进行复现，有时间的同学最好 先阅读一遍论文再开始研究代码，里面的代码量都会相对较大，建议从debug模式入手，一行代码一行代码来看，我在 讲解过程中也会进入debug模式给大家逐行进行讲解。

• 有没有哪个是需要重点学习的？最好能写在简历里面呢？

重点推荐Mask-rcnn实战项目，可以说是计算机视觉中的通用项目，检测，识别，分割一步全到位了！应用场景非常 广，也适合进行二次开发和改进，如果要写在简历里肯定非它莫属了，算法原理和源码都需要大家熟悉，在课程中 我会重点讲解该项目，并应用到自己的数据任务中！

自然语言处理

• NLP学习难度大不大？就业方向怎么样呢？

难度可以说还是蛮大的，对于图像来说，数据都是固定的，拍了什么就是什么！但是文本数据就没那么固定了，人类 有时候理解起来都不容易，更何况计算机了。高挑战也是高收益，NLP发展前景还是非常不错的，至于具体选择哪个方向 其实还是看大家的喜好了！

自然语言处理实战项目（基于深度学习）

• 这么多项目，有没有哪个是需要重点学习的？最好能写在简历里面呢？

18年的时候谷歌一篇论文横空出世，BERT！相当于自然语言处理通用解决框架了，基本所有任务都能做！ 这个需要大家重点来学习，并且可以当作项目写在简历里，可以说是当下NLP必备技能之一啦！

最后唠叨几句

通过这几年的线上课程还有线下的企业培训结识了很多小伙伴，机构和同学们的信任是我继续更新课程最大的动力 。大家认识我基本都是通过视频课程，很开心能给大家带来收获，记得最兴奋的就是跟家人分享又有小伙伴收获 offer了。感谢这么多小伙伴的支持，加油，你们都是最棒的！