京公网安备 11010802034615号
经营许可证编号:京B2-20210330
作者 | Jo Stichbury
翻译 | Mika
本文为 CDA 数据分析师原创作品,转载需授权
前言
如今人工智能备受追捧,由于传统软件团队缺乏AI技能,常常会遇到一些挑战。越来越多的企业都开始对人工智能进行投资,并在寻找具有AI技能的人才。
随着市场对AI人才的需求不断增长,许多机构都开始提供相应的培训课程,而且价格和质量各不相同。与其他所有学习一样,在投入大量精力和金钱后,你当然不希望发现浪费了时间却没学到应获得的技能。
那么对于想入门人工智能的人群来说,应该从哪儿开始呢?
本文列出了一些优质AI学习资源。希望在阅读本文后,能帮助你顺利开启AI学习之旅。
在线课程
Udacity
当斯坦福大学教授Sebastian Thrun和Peter Norvig将他们的“人工智能导论”课程免费发布到网上时,Udacity开始了在线课程的尝试。之后Udacity吸引了超过190个国家的16万名学生,并提供AI等一系列技术课程。最近还加入了飞行汽车、无人驾驶汽车和机器人技术领域的一系列“纳米学位”课程,这些课程可以在六个月左右完成,具体取决于你的时间安排,每周需要花10到20个小时。
这些纳米学位课程收费较贵,如果你不想花钱的话,也有许多免费的课程,比如Introduction to AI 和 Introduction to Machine Learning等。
Kaggle
Kaggle是一个数据科学家社区。拥有一个公共数据平台,你可以在其中找到一些有趣的数据集,Kaggle根据数据举办了相关的机器学习比赛。当中也有一些学习资料,这些材料简短但全面,涵盖了机器学习和深度学习等领域。课程强调实用技能而不是抽象理论,所以一开始你就需要动手编程。因此它适合有一定Python基础的初学者,也适合数据科学家来扩展他们的机器学习工具包。
Microsoft和EdX
Microsoft在EdX上的提供了AI专业课程Microsoft Professional Program in AI。该课程旨在面向有抱负的工程师,从人工智能的基本概念入门到掌握为人工智能解决方案构建深度学习模型所需技能。当中提供十门课程,加上一个顶点项目,这些课程都是免费的,如果你需要认证证书则需要付费。当中包含的课程很不错,例如AI所需的数学基础入门,以及数据分析中的伦理学和法律课程。
Coursera
部分课程资料是免费提供的,但若想获得证书必须付款。当中最著名和最受推崇的课程之一就是吴恩达的斯坦福机器学习课程。
其他的Coursera课程在7天免费试用之后会收取费用,你可以免费收看课程视频等内容。在这些课程中,我推荐以下这几个好评最多的课程。
Machine Learning with TensorFlow on Google Cloud Platform Specialization
Advanced Data Science with IBM (as described by Bartleby of the Economist)
NVidia and deeplearning.ai deep learning specialization.
fast.ai
Practical Deep Learning for Coders这一课程在实践性的学习方法方面获得很多好评。
斯坦福大学课程
斯坦福大学的课程在AI领域有极高的声誉。部分课程可以在YouTube上看到,例如卷积神经网络用于视觉识别 (CS231n Convolutional Neural Networks for Visual Recognition)。
Hugo Larochelle的网站包含大量有关深度学习的内容链接,你可以根据自己感兴趣的领域进行学习。
其他资源
Norvig 和Russell的Artificial Intelligence: A Modern Approach 是一本很棒的人工智能书籍。
Peltarion团队写了一本小型电子书 The essential AI handbook for leaders 是很不错的选择,在入门AI时如果没有明确的方向,那么这本书是很好的起点。
超越 AI:Python和统计
如果你打算亲身体验AI,而不仅仅是了解基础知识,那么你需要学习一些编程,因此你很可能会使用到Python。它不仅是一门优秀的语言,而且关于Python还有很多课程和免费书籍:
Kaggle有一个免费的Python课程,学习总时长需14个小时以上,当中包括Python的基础知识。
Udacity上有许多Python的免费课程,包括教授使用NumPy和Pandas库的数据分析入门课程。
以下是Coursera的一些课程:
An introduction to interactive programming with python
Programming for everybody
如果想掌握数据科学背后的数学知识,那么可汗学院是一个不错的选择。当中有不同级别的课程,能够帮助你掌握最困难的概念。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19