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
【核心关键词】产品、经营、客户、调研、销售额、宏观、会计行业、客户满意度、发展趋势、经营状况、数据分析、竞争对手、数据 ...
2026-07-14问卷调查是市场调研、用户研究、社会调研与产品分析的核心数据采集方式。问卷数据大多以分类数据为主,例如用户性别、年龄分层、 ...
2026-07-14 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 ...
2026-07-14在数据分析、业务效果验证、AB实验扩展、行业对比等场景中,我们经常需要对比三组及以上样本的均值差异,例如不同区域的客单价对 ...
2026-07-13在互联网产品运营、用户生命周期管理与商业化数据分析中,留存指标是判断产品价值、用户满意度与商业模式健康度的核心基准。常规 ...
2026-07-13 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 ...
2026-07-13【核心关键词】统计学、互联网、知识、课程、学生、数学、软件、招聘、数据分析、实习经历、机器学习、理论基础、业务思维、统 ...
2026-07-10在互联网运营、产品设计、市场营销与商业数据分析领域,所有转化、成交、复购行为的底层逻辑,都依托于用户决策流程。用户从产生 ...
2026-07-10 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-07-10数据透视表是数据分析中最常用、最高效的汇总分析工具,具备快速分组、聚合计算、维度拆解、数据可视化等优势,能够轻松完成求和 ...
2026-07-09在统计学、CDA数据分析、机器学习与商业数据研究中,正态分布是最基础、最重要的数据分布形态。绝大多数参数检验、数据建模、指 ...
2026-07-09 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 ...
2026-07-09【核心关键词】采购、周期、原材料、企业、产品、成本、要素、库存、供应商、数据分析、生产计划、生产制造、加工制造、技术工 ...
2026-07-08在数据分析、特征工程、机器学习建模的工作流程中,原始数据往往包含多个不同维度的数值指标,例如客户交易数据中的消费金额、交 ...
2026-07-08 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。 ...
2026-07-08商业谈判是企业采购合作、渠道签约、价格议价、项目合作、客户签约的核心关键环节,直接决定企业的合作成本、利润空间与经营风险 ...
2026-07-07在数据分析、业务效果验证、AB 测试、学术研究等场景中,T 检验是假设检验体系里最基础、应用最广泛的统计方法,也是均值差异分 ...
2026-07-07 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 ...
2026-07-07【核心关键词】转化率、企业、策略、岗位、互联网、拆分、产品、运营、分析师、指标体系、数据分析、用户画像、数据诊断、产品 ...
2026-07-06在数据分析工作中,文本数据处理是高频刚需场景,用户评论、客服工单、日志信息、调研问卷、商品文案等数据都包含大量文本内容。 ...
2026-07-06