学习人工智能有段时间了，总结了一下人工智能的学习历程和课程表，希望对想学习的朋友有所帮助。期间也买了很多资料。可以分享给大家。
阶段一：数学基础
1.数据分析
常数e
导数
梯度
Taylor
gini系数
信息熵与组合数
2.概率论
概率论基础
古典模型
常见概率分布
大数定理和中心极限定理
协方差(矩阵)和相关系数
最大似然估计和最大后验估计
3.线性代数及矩阵
线性空间及线性变换
矩阵的基本概念
状态转移矩阵
特征向量
矩阵的相关乘法
矩阵的QR分解
对称矩阵、正交矩阵、正定矩阵
矩阵的SVD分解
矩阵的求导
数据白化及其应用
阶段二：Python
1.环境搭建
Python2.7
Anaconda
Pycharm
2.Python基础
变量
数据类型
列表
元组
字典
控制语句
循环语句
函数
类对象
3.Python常用库
numpy
scipy
matplotlib
panda
time
4.Python机器学习库
scikitlearn
阶段三：机器学习
1.机器学习概述
2.数据清洗和特征选择
特征抽取
特征转换
特征选择
降维
3.回归算法
Linear Regression算法
Lasso Regression算法
Ridge Regression/Classifier算法
K-邻近算法(KNN)
4.决策树、随机森林和提升算法
决策树算法: ID3、C4.5、CART
决策树优化
Bagging
随机森林
Adaboost算法
GBDT算法
5.SVM
线性可分支持向量机
核函数理解
SMO算法
SVM回归SVR和分类SVC
6.聚类算法
各种相似度度量介绍及相关关系
K-means算法
K-means算法优缺点及变种算法
密度聚类
层级聚类
谱聚类
7.EM算法
最大似然估计
EM算法原理讲解
多元高斯分布的EM实现
主题模型pLSA及EM算法
8.贝叶斯算法
朴素贝叶斯
条件概率表达形式
贝叶斯网络的表达形式
9.隐马尔科夫模型
概率计算问题
前向/后向算法
HMM的参数学习
高斯混合模型HMM
10.LDA主题模型
LDA主题模型概述
共轭先验分布
Dirichlet分布
Laplace平滑
Gibbs采样详解
LDA与word2Vec效果比较
阶段四：深度学习
1.深度学习概述
2.BP神经网络
3.CNN卷积神经网络
4.RNN循环神经网络
5.TensorFlow"
阶段五：分布式搜索引擎Elasticsearch开发
1.课程介绍
2.初识ElasticSearch
3.ES安装部署
4.插件安装Head
5.插件安装ik
6.ES中文搜索演示
7.Marvel和Kibana安装
8.ES一些相关概念
9.ES请求格式和返回
10.ES索引操作
11.ES的文档新增和修改
12.ES查询演示
13.ES查询补充和删除
14.多索引和多类别
15.分页和routing介绍
16.ES工作流程
17.Java客户端和创建连接
18.Index操作
19.数据的增、删、改
20.数据的查询
21.spring环境集成
22.spring篇操作index
23.Spring操作CRUD01
24.Spring操作CRUD02
25.常见索引操作
26.索引的Mapping操作
27.mapping引入01
28.mapping引入02
29.mapping之properties根对象
30.mapping数据类型之string类型
31.mapping其他基本数据类型
32.mapping数据类型之Object类型
33.mapping元数据和动态映射
34.mapping动态模板
35.倒排索引概念
36.ES的动态索引原理
37.ES动态索引的问题和解决原理
38.初识DSL
39.DSL高级特性
40.结构化查询之基本查询
41.结构化查询之复合查询
42.全文检索第一讲
43.全文检索第二讲
44.嵌套类型查询
45.嵌套类型查询
46.DSL之Java操作
47.全文检索之Java操作
48.聚合查询之Java操作
49.DSL之Spring操作
50.高级检索之Spring操作
51.ES项目引用和热搜词功能实现
52.实现思路介绍以及简要实现
阶段六：综合项目
1.广告CTR预估(GBDT+LR或者DNN)
2.时间序列预测(SVR或者RNN)
3.图像分类及检索(SVM或者CNN)
阶段七：企业项目实战
1.基于Python数据分析与机器学习案例实战教程
1.Python数据分析与机器学习实战课程简介
2.Python快速入门
3.Python科学计算库Numpy
4.Python数据分析处理库Pandas
5.Python可视化库Matplotlib
6.回归算法
7.模型评估
8.K近邻算法
9.决策树与随机森林算法
10.支持向量机
11.贝叶斯算法
12.神经网络
13.Adaboost算法
14.SVD与推荐
15.聚类算法
16.案例实战：使用Python库分析处理Kobe Bryan职业生涯数据
17.案例实战：信用卡欺诈行为检测
18.案例实战：泰坦尼克号获救预测
19.案例实战：鸢尾花数据集分析
20.案例实战：级联结构的机器学习模型
21.案例实战：员工离职预测
22.案例实战：使用神经网络进行手写字体识别
23.案例实战：主成分分析
24.案例实战：基于NLP的股价预测
25.案例实战：借贷公司数据分析
2.人工智能与深度学习实战
1.深度学习概述与挑战
2.图像分类基本原理门
3.深度学习必备基础知识点
4.神经网络反向传播原理
5.神经网络整体架构
6.神经网络案例实战图像分类任务
7.卷积神经网络基本原理
8.卷积参数详解
9.卷积神经网络案例实战
10.经典网络架构分析
11.分类与回归任务
12.三代物体检测算法分析
13.数据增强策略
14.TransferLearning
15.网络架构设计
16.深度学习框架Caffe网络结构配置
17.Caffe
18.深度学习项目实战人脸检测
19.人脸正负样本数据源制作
20.人脸检测网络架构配置习模型
21.人脸检测代码实战
22.人脸关键点定位项目实战
23.人脸关键点定位网络模型
24.人脸关键点定位构建级联网络
25.人脸关键点定位测试效果与分析
26.Tensorflow框架实战
27.Tensorflow构建回归模型
28.Tensorflow构建神经网络模型
29.Tensorflow深度学习模型
30.Tensorflow打造RNN网络模型
31.Tensorflow项目实战验证识别
32.项目实战图像风格转换
33.QLearning算法原理
34.DQN网络架构
35.项目实战DQN网络让AI自己玩游戏
36.项目实战对抗生成网络等
原文地址：https://www.cnblogs.com/weiyiming007/p/8745946.html