人工智能学习路线图，整理近200个实战案例与项目，免费提供配套教材，零基础入门，就业实战！包括：Py_Ai-Learn.zip

<div align="center"> <a href="https://github.com/tangyudi/Ai-learn"><img src="https://github.com/tangyudi/Ai-learn/blob/master/imgs/logo2.png" width="400"/></a> <br > <a class="ai-header-badge" target="_blank" href="https://github.com/tangyudi/Ai-learn"> <img class="ai-header-badge-img" src="https://img.shields.io/github/stars/tangyudi/Ai-learn.svg?style=social&label=Star"> </a> <a class="ai-header-badge" target="_blank" href="https://github.com/tangyudi/Ai-learn/blob/master/imgs/logo8.png"> <img src="https://img.shields.io/badge/style--5eba00.svg?label=WeChat&logo=wechat&style=social"> </a> _{Created by <a href="https://github.com/tangyudi" target="_blank">唐宇迪</a>} </div> # 人工智能实战就业(面试)学习路线图 - [x] 这个项目是干什么的？ 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！** - [x] 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。](https://item.jd.com/12684940.html) **《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 ) - [x] 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。 - [x] 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）** - [x] 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](#必备基础技能) - [必备Python基础](#必备Python基础) - [必备数学基础](#必备数学基础) - [必备Python工具包](#必备Python工具包) - [机器学习](#机器学习) - [机器学习算法](#机器学习算法) - [机器学习算法实验分析](#机器学习算法实验分析) - [机器学习算法代码复现](#机器学习算法代码复现) - [机器学习经典案例实战](#机器学习经典案例实战) - [机器学习实战集锦](#机器学习实战集锦) - [数据分析与挖掘](#数据分析与挖掘) - [数据挖掘实战](#数据挖掘实战) - [数据挖掘竞赛优胜解决方案](#数据挖掘竞赛优胜解决方案) - [数据分析实战](#数据分析实战) - [深度学习](#深度学习) - [深度学习必备算法](#深度学习必备算法) - [深度学习必备工具](#机器学习算法) - [深度学习框架](#深度学习框架) - [深度学习框架-Tensorflow2](#深度学习框架-Tensorflow2) - [深度学习框架-Pytorch](#深度学习框架-Pytorch) - [深度学习框架-Keras](#深度学习框架-Keras) - [深度学习框架-Caffe](#深度学习框架-Caffe) - [计算机视觉](#计算机视觉) - [Opencv图像处理实战](#Opencv图像处理实战) - [计算机视觉实战项目（基于深度学习）](#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) - [自然语言处理实战项目（基于深度学习）](#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](https://www.bilibili.com/video/av22404277?from=search&seid=12821472533341778879) - [x] 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！ - [x] 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 - [x] 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 - [x] 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。 - [x] 哪些工具包是初学者必备的呢？ |工具包名称|功能概述| | -------- | :----: | | Numpy |矩阵计算必备！它是后续一切计算的核心，数据科学领域核心工具包| | Pandas |数据处理必备！读数据，处理数据，分析数据，非他不可!| | Matplotlib |可视化必备！功能十分强大，没有画不出来的图，分析展示就靠它了！| | Seaborn |更简单的可视化神器！一行代码给你搞定一个可视化展示结果| ## 必备数学基础 - [x] 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！ - [x] 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！ - [x] 下面是课程中所设计的知识点，也是必备基础 |知识点 | 内容 | 作用 | | -------- | -----: | :----: | | 高等数学 | 高等数学基础，微积分，泰勒公式与拉格朗日， | 机器学习公式推导必备| | 线性代数 |线性代数基础，特征值与矩阵分解，| 算法求解必备| | 概率论 |概率论基础，随机变量与概率估计，常用分布| 机器学习经常提这些词| | 统计分析 |回归分析，假设检验，相关分析，方差分析| 数据分析必备 | # 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 - [x] 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） - [x] 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！ - [x] 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。 |知识点 | 内容 | 概述 | | -------- | -----: | :----: | | 分类算法 | 逻辑回归，决策树，支持向量机，集成算法，贝叶斯算法| 准备面试的同学们必须掌握| | 回归算法 |线性回归，决策树，集成算法| 有些算法既能做分类也能做回归| | 聚类算法 |k-means，dbscan等| 无监督是实在没标签的时候才考虑的| | 降维算法 |主成分分析，线性判别分析等| 重在理解降维的思想 | | 进阶算法 |GBDT提升算法，lightgbm，，EM算法，隐马尔科夫模型| 进阶算法有时间精力的同学们可以挑战| ## 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。 |案例名称|内容概述| | -------- | :----: