前言
在涉足 AI 及机器学习领域时，初学者往往会面临诸多挑战，其中最为突出的问题便是资料繁杂、无从取舍。小编今天推荐的华为团队研发的《人工智能从入门到进阶学习资料》为众多初学者指明了方向，备受好评。
在此基础上，小编结合已发布的文章及自身学习历程，精心整理出一套 AI人工智能入门路线，并将相关代码和数据集整合至一个资料包，为初学者提供了便捷的下载渠道。
（文末自行下载领取即可）
人工智能涉及很多复杂的算法、模型架构和数据结构。路线图可以将这些复杂的内容以简洁直观的图像形式呈现，帮助你快速理解其核心要点。
（一）数学基础：0.math。高等数学、概率论与数理统计、线性代数是关键的三门课程，掌握它们能解决大部分机器学习问题。仓库中提供了黄海广考研及考博复习时提炼的机器学习相关数学资料，还有今年翻译的斯坦福人工智能课程基础 ——CS229 的线性代数和概率论复习材料。
基础入门（1.python - basic） 这里为初学者准备了一个高效的代码练习项目 ——“两天入门 python”。通过精心设计的练习题目和案例，帮助初学者快速掌握 Python 的基本语法和编程思维。
数值计算核心库（2.numpy） 提供了两个极具价值的代码练习资源。其一为适合初学者快速上手的 Numpy 实战全集，通过实际案例引导学习者深入理解 Numpy 在数组处理、数学运算等方面的强大功能；其二是 Numpy 练习题 100 题，旨在全方位提升学习者的数据分析技能，让学习者在实践中熟练掌握 Numpy 的各种操作技巧。
数据处理利器（3.pandas） 整合了三个实用的代码练习资料。《十分钟搞定 pandas》的中文翻译版本，以简洁易懂的方式让初学者快速了解 pandas 的核心功能；《pandas 练习题》则通过丰富多样的题目，帮助学习者巩固所学知识，提高数据处理能力；《pandas 入门教程 - 2 天学会 pandas》更是为初学者量身定制，助力他们在短时间内掌握 pandas 的基本用法。
科学计算工具（4.scipy）
收集了一系列 scipy 的示例代码，涵盖了信号处理、优化算法、图像处理等多个领域的应用实例。这些示例代码为学习者展示了 scipy 在科学计算中的广泛用途和强大功能，帮助他们快速上手并应用到实际项目中。数据可视化之道（5.data - visualization） 包含两个实用的代码练习资源。一是 matplotlib 学习之基本使用教程，通过详细的示例和讲解，帮助初学者掌握 matplotlib 这一强大的数据可视化库的基本绘图方法；二是数据可视化的利器 Seaborn 简易入门教程，Seaborn 基于 matplotlib 构建，能够以更简洁、美观的方式绘制出高质量的统计图形，让数据可视化更加生动形象。
基础工具库（6.scikit - learn） 提供了 PyParis 2018 中关于使用 scikit-learn 进行机器学习的代码翻译。scikit-learn 作为 Python 中最常用的机器学习库之一，涵盖了分类、回归、聚类等多种机器学习算法的实现。通过对这些代码的学习和理解，初学者能够快速掌握 scikit-learn 的基本用法，为后续的机器学习实践打下坚实的基础。
机器学习入门秘籍（7.machine - learning） 精心推荐了四份优质教程。吴恩达的斯坦福大学 2014 机器学习教程中文笔记及资源，为学习者提供了系统全面的机器学习理论知识讲解；李航《统计学习方法》的代码实现则帮助学习者将理论知识转化为实际操作；周志华老师的《机器学习》解答 —— 南瓜书为学习者深入理解机器学习算法原理提供了有力辅助；台大林轩田《机器学习基石》系列课程教材的习题解答则有助于巩固所学知识，拓宽解题思路。
深度学习探索之旅（8.deep - learning） 推荐了三份深度学习领域的优质教程。深度学习教程中文笔记详细阐述了深度学习的基本概念、算法原理和模型架构；《python 深度学习》的代码翻译版为学习者提供了实践操作的指导；强烈推荐的 TensorFlow、Pytorch 和 Keras 的样例资源则为学习者搭建了深度学习实践的平台，帮助他们快速上手并掌握这些主流深度学习框架的使用方法。
特征工程实战区（9.feature - engineering） 此部分专注于项目实战中的特征工程。提供了如《面向机器学习的特征工程》等学习资料，通过实际项目案例，让学习者了解如何从原始数据中提取、选择和转换特征，以提高模型的性能和准确性。特征工程在机器学习中起着至关重要的作用，是将数据转化为有价值信息的关键环节。
要想学习ai人工智能，仅仅靠书籍和文件是远远不够的，所以在此小编准备了相关视频教程课件及代码来进行辅助学习，希望能帮助到大家！
如何获取资料：
