目錄
第1個問題：學習材料采用視訊？文字？代碼？
第2個問題：個人學習還是跟團學習？
第3個問題：漸進式學習還是一次性精煉學習？
第4個問題：是否需要先精通python？
第5個問題：是否需要先精通數學？
第6個問題：學習理論與代碼實作的關系？
6.1 學習理論與代碼實作的關系有哪些？
6.2 不建議的學習方式：
6.3 個人建議：選用第3種方案的網絡或下線課程
第7問題：工具的選用？
第8問題: gpu還是cpu？
第9問題：人工智能的可預見的難點？
第10個問題：學習“深度學習”的幾個等級
（1）學習材料的多樣性
理論學習以視訊課程為主，字面課程為輔。
特别是對于人工智能小白，不建議一個人閉門造車，一個人死磕書本，一個人死磕書本，效率低，理論與實踐脫落。視訊的好處是：專業人士已經整理出人工智某一個領域的主體架構，跟着專業人士的課程，能夠抓住主線，還能有受益于他人的總結和經驗。
就課堂學習， 有老師教和那一本數自學，學習效果是完全不同的。
（2）理論聯系實際：
人工智能課程是一門實踐性很強的課程，不建議死磕書本，要以視訊課程為主線，配合文字課程，或書本，或網絡文章，最重要的是：再結合實際的軟體代碼，包括某一個領域的示範或某一個實際的工程檔案。
代碼分為：
學習性、示範性代碼
工程性、項目性代碼
深度學習的架構、算法都是有一定的門檻，要想學好這些課程，不能單槍匹馬，那樣效率較低。
好的學習方式是如下幾種手段的結合：
大課程老師授課，或網絡視訊授課；=》這一步的關鍵是好的老師。
小組學習或具備相同技能的同僚間讨論；=》這一步的關鍵是好的同僚、同學。
交流群老師的輔導；=》這一步的關鍵是好的輔導老師。
個人專研 =》這一部分的關鍵好的教材與個人的刻苦專研。
隻聽課，不讨論，隻能浮于表面，無法深入。
隻有小組讨論，沒有個人的專研，無法形成實質性突破。
隻有一個人專研，沒有老師授課，這種學習方式效率低下。
切記：切忌一個人閉門造車。
人工智能是有一定的門檻很難度，特别是算法與模型，是以不建議一次性把每個涉及的環節搞得非常清楚。
建議采用疊代式、多次輪回的學習方法，逐漸精進。一點帶面，一面帶整體，經過多輪學習，完成深度學習的學習。
切忌：試圖一個輪回把所有的知識點全部搞清楚，容易陷入得到某個難點無法自拔，最終放棄人工智能的學習。
個人的觀察是如果能夠精通python，能夠幫忙我們了解用python寫的代碼。
但如果是人工智能的入門，沒有精通python語言的基礎，也不需要預先研習python。
也就是說，精通python并不是學習人工智能的必要條件。
隻需要掌握python必要的基礎知識和技能就可以看懂、編寫深度學習的代碼。
深度學習所涉及到的python語言的文法技能不并多，主要包括兩方面：
python的語言基礎
數學庫的使用，如矩陣、導數等，學習庫的使用可以結合“相關數學理論”一起學習。
個人的觀察是，如果能夠精通那是最好。如果沒有這樣的條件，也沒有關系。
了解上述數學的一些基本機率即可，畢竟對于大多數學習者，是學習現有的原理、模型，架構。
主要是利用架構、使用現有的模型，而不是自己從頭建立新的模型和算法。
數學的學習可以結合如下：
數學的概念：導數、矩陣、機率
集合python相幹的數學庫
集合jupter開發工具的使用
通過上述方法，達到理論和實踐相結合，熟悉python的同時、熟悉所需要的數學知識、還同時熟悉了工具的使用。為進一步的“神經網絡”的學習打下基礎。
深度學習，涉及到很多的理論：
數學理論：矩陣、導數、機率等
深度學習的理論：反向傳播、loss、強化學習等
神經網絡模型的理論：卷積網絡、知識圖譜等。
python語言的程式是實作這裡理論的工程實踐和代碼實作。
（1）是學習完整套理論，然後上機實踐呢？
（2）還是邊學習理論，變上機實踐呢？
（3）還是邊學習理論、邊結合代碼講解、再上機實踐？
（1）學習完整套理論，然後上機實踐。
在個人電腦如此普及的今天，這種學習方式是低效的，是傳統的學校課堂式理論學習的主要 形式，而不是技能型學習的方法。
（2）授課者隻講理論，學習者自己上機實踐摸索：
這種方法的缺點是，需要學習者能夠學習的理論快速的轉換成代碼，這對學習者提出了擡高的要求，對于人工智能的小白而言，對于大多數學習者而言，是很難實施的，即使實施了，效果也比較差。
（3）授課者不講理論，直接講代碼，學習者重複代碼。
這種方法，很多程式員喜歡，程式員對代碼有天然的敏感性和親切感。
但這種方法的最大的缺點就是：容易陷入到代碼本身中，有一種隻見樹木不見森林的感覺。再說，沒有理論指導，隻關注代碼實作，無法提升自己，把自己徹底歸屬在“碼”工的層面，不管原因，隻管砌牆。
（1）講課者：先講理論
（2）講課者：再講代碼架構與實作
（3）學習者：線下代碼實踐
上述過程，不斷循環、疊代。
（1）anaconda指令行：用于專業性操作、程式的自動化。
（2）jupter notebook：用于學習、示範。
（3）pycharm：用于程式跟蹤調試。
至于選擇cpu還是gpu，取決于學習階段：
（1）初學階段：單機版、cpu版的“深度學習”的平台
其目的用于入門學習，該平台可以訓練一些小型資料集和規模小的神經網絡，這種筆記本電腦的價格在4000塊左右。
（2）中級階段：單機版、帶gpu的“深度學習”的平台
其目的用于進階學習，該平台可以訓練一些中型資料集和規模中等的神經網絡，這種筆記本電腦的價格在1萬多。
（3）進階階段：平台是伺服器版或雲伺服器、帶gpu的“深度學習”的平台
其目的用于高階學習，該平台可以訓練一些大型資料集和大規模的神經網絡, 可用于應用實際産品的模型訓練，這種電腦的價格在3萬以上。
人工智能學習的難點：
不在深度學習的架構，如tensorflow還是pytorch
不在python的程式設計語言；
不在複雜的數學公式（雖然這是設計新的深度學習模型的難點）
而在于各種神經網絡的工作原理，立即各種神經網絡的工作原理，即算法，對于優化算法是高階的能力。
（1）利用他人已經訓練好的模型，解決某一個特定的應用問題。
（2）利用現有的訓練好的模型，針對自身的資料集再進行一步的訓練，解決某一個特定的應用問題。
（3）利用現有的模型，使用自己的資料集，進行重新訓練，解決某一個特定的應用問題。
（4）利用現有的模型，進行調參，優化模型，使用自己的資料集，進行重新訓練，解決某一個特定的應用問題。
（5）利用深度學習的架構，建構自己的模型，使用自己的資料集，進行重新訓練，解決某一個特定的應用問題。
（6）利用深度學習的架構，建構自己的模型，優化模型，提升性能。
（7）編寫深度學習架構