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
在数据统计分析、数据清洗、异常值识别与数据分布研究中,箱型图是最直观、高效、专业的可视化分析工具。相较于柱状图、折线图仅 ...
2026-05-29Tkinter是Python内置的标准GUI图形界面库,具备无需额外安装、调用简单、兼容性强、轻量化高效等优势,是Python快速开发桌面小程 ...
2026-05-29 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-05-29【核心关键词】大数据、经理、专业、金融、客户、传统、建模、数据产品、互联网金融、产品经理、数据分析、金融行业、数据模型 ...
2026-05-28 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-05-28随着大数据技术的快速普及,各行各业积累了海量的用户数据、交易数据、生产数据与行为数据。单纯的数据统计与报表分析只能呈现表 ...
2026-05-28在Python网络请求、接口测试、数据爬取、业务对接开发中,Requests库是最简洁、最高效的HTTP请求工具,凭借简洁的语法、完善的适 ...
2026-05-272025 年,零售与服务行业的竞争已从 “经验驱动” 全面转向 “数据驱动”。中小企业门店普遍面临数据零散、分析浅层、决策凭感觉 ...
2026-05-27 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-05-27在统计学分析、实验研究、业务数据复盘过程中,单因素方差分析是检验自变量对因变量是否存在显著影响的核心方法。其中,两个水平 ...
2026-05-26【核心关键词】算法、客户、大数据、互联网、调优、建模、模型优化、机器学习、评分卡模型、模型开发、智能风控、业务场景、数 ...
2026-05-26 很多数据分析师写过无数个 SELECT,但当被问到“新建一张表,该如何定义字段类型来保证数据质量”“创建视图和存储物理表有 ...
2026-05-26在数据清洗、统计分析与数据质量检测工作中,箱型图(又称箱线图、Box Plot)是最直观、最高效的可视化分析工具之一。相较于柱状 ...
2026-05-25在大数据分析、数据清洗、质量管控、风险监测等领域,异常数据识别是保障数据质量、确保分析结论精准、规避业务决策失误的核心基 ...
2026-05-25 很多数据分析师精通Excel函数和透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么关系 ...
2026-05-25数字化经营时代,企业的市场竞争早已从经验决策转向数据决策。门店营收、用户转化、产品销量、成本损耗、存量资产等所有经营行为 ...
2026-05-22在MySQL数据库日常运维、业务数据校验、数据迁移与数据清洗场景中,自增主键ID的连续性校验是一项基础且关键的工作。MySQL的Auto ...
2026-05-22 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 ...
2026-05-22【核心关键词】大数据、可视化、存储、架构、客户、离线、产品、同步、实时、数据仓库、数据分析、数据可视化、存储数据、离线 ...
2026-05-21在电商流量红利消退、公域获客成本持续走高的当下,存量用户深度挖掘已成为店铺增收增效的核心抓手。相较于付费投放获取的陌生新 ...
2026-05-21