人工智能和机器学习可以说是最近几年最火爆的研究领域。人工智能和机器学习涉及许多数学学科，最主要的就是概率统计理论，矩阵理论，以及运筹学等，与程序员不同，人工智能的研究更偏向理论性和不是码代码，因此对编程能力的要求没那么高，建议首先从理论入手，然后尝试利用Python和R实现一些常见的算法，巩固自己理论知识的同时提高coding的能力，最后便是学习一些最新的深度学习框架TensorFlow，Caffe，Theano和PyTorch等。
人工智能
人工智能是是计算机科学研究领域的一个重要分支。人工智能是众多学科的一个交叉学科，关于人工智能并没有一个统一的定义，大家可以理解为人工智能就是利用机器来模仿和执行人类大脑的智力行为，开发一个能够在人类现实环境下做出反应和行为、不断学习知识、能够从一个新生儿变得越来越聪明的系统或软件。人工智能包括众多的分支领域，比如大家熟悉的机器学习、自然语言理解和模式识别等。
机器学习
机器学习属于人工智能研究与应用的一个分支领域。机器学习的研究更加偏向理论性，其目的更偏向于是研究一种为了让计算机不断从数据中学习知识，而使机器学习得到的结果不断接近目标函数的理论。
机器学习，引用卡内基梅隆大学机器学习研究领域的著名教授Tom Mitchell的经典定义：
如果一个程序在使用既有的经验E(Experience)来执行某类任务T(Task)的过程中被认为是“具备学习能力的”，那么它一定要展现出：利用现有的经验E，不断改善其完成既定任务T的性能(Performance)的特质。
概率统计理论——机器学习的部分理论基础
作者曾经写过系列《想要学人工智能，你必须得先懂点统计学》，共14篇文章，详细内容可以到作者主页查看，主要向大家介绍了在学习人工智能和机器学习之前有必要掌握的一些基础统计理论，这些统计理论将有助于后续理解相关的机器学习算法和对数据挖掘结果的解释。
矩阵理论——机器学习模型的中间运算
主要是机器学习过程的运算都是以矩阵的形式进行，因此需要掌握的矩阵理论的主要知识有，矩阵的基本运算，矩阵变换和线性空间以及矩阵求导等。
运筹学理论——机器学习模型的优化求解
因为机器学习中的很多问题都是凸优化问题，比如支持向量机SVM，因此，需要学习一些运筹学当中优化问题求解的算法，了解机器学习中的优化问题，求解凸优化问题的算法以及更有深度当然就是非凸优化问题。
传统数据挖掘算法的学习
具有一定的数学基础之后，建议先学习传统的机器学习算法，比如SVM，ANN，聚类，关联规则挖掘，SOM、boosting，回归、决策树，贝叶斯模型等。并尝试在不调用接口的情况用Python实现相关算法，以提高自己对算法的理解能力和coding能力。
深度学习算法
掌握传统的机器学习算法后，学习最新的深度学习算法，比如CNN，RNN等，不断加深自己的理解。
Coding的能力
最新统计Python在数据科学中的应用已经超过R，并且现在许多最新的深度学习框架都提供了Python的接口，因此编程推荐学习Python。
若要查看更加详细的内容，可以到作者主页查看作者之前写的文章，希望对大家的学习和理解有所帮助。
