在写代码的时候python会有很多库，可以方便的调库，学习numpy矩阵计算，pandas，做数据处理，matplotlib绘图库，还有seaborn,绘图库，然后我们会学习算法：回归算法的推导，需要有大学高数的基础，一些数学基础很重要，原理的推导，知识的运用。
首先什么是人工智能为什么python这么火，从哪里开始学？算法该如何学？数学要求高么？如何实际动手去做？用什么工具？
python火是因为方便好用，人生苦短，我用python，实现一个问题python代码量是c++的十分之一，数学很重要，只需要学到哪里看哪里就可以了，但是数学确实很重要，很多优化调参数问题就需要较强的数学分析能力，但是能干活相当重要，赚钱才是硬道理，python工具库：numpy，pandas,matplotlib，scikitlearn ,tensorflow.等等
python环境如何配置，我这里就不多说了，主要是先安装anaconda，然后再安装pycharm，或者直接用anaconda中的notebook，notebook是一个网页版的东西，可以编写代码，边写注释。谈到如何学习python，很简单，边看边学，只要C语言会，python就很容易上手，关于最基本的语法去菜鸟教程网上看个两个小时，python就能学会了，还需要日常的练习，学而不思则罔，思而不学则殆，对待python库就像对待锤子一样，用的时候学习一下使用方法，不用的时候没必要花时间，时间就是金钱，没必要死记硬背，需要锻炼自己的动手能力。
人工智能能学习需要从机器学习开始，也就是训练机器帮助我们去做实，机器学习需要学习算法，数据，程序，评估，应用。
首先我们要有大量数据喂给机器，然后写程序训练机器模型，然后通过测试集去评估我们的模型，然后将这个模型应用到其他领域。
机器学习应用在哪里？数据挖掘，图像识别，语音自然语言处理，计算机视觉，语音识别，模式识别，统计学习。计算机视觉发展尤为关键，聊天机器人，自然语言处理，机器翻译都是自然语言处理的应用领域
机器学习的流程：首先数据收集与预处理，然后进行特征选择与模型构建，进行评估预测。
训练样本——>特征抽取——>学习函数——>预测
机器学习的本质就是数学在实际生活中的应用，学好数学就能学好应用，要明白算法的推导，之后学会了推导，就能方便的调参，不然只能凭运气优化。没必要从头到尾学习数学，学到哪里查到哪里就可以了。以就业为导向，最后目的就是得到一个钱多的offer，这个时候最基础，最核心的问题就是算法的推导，能自己推导出来算法东西，就表明你学会了这个东西，能拿到高新offer，才是证明自己价值的关键，同时读有志要读博士也不在话下了。
那么深度学习是什么呢？实际上深度学习就是机器学习的一种，深度学习就是讲神经网络层数加深了，因为我的研究生方向是基于深度学习机器视觉，所以这块我会在后面更加详细的说明。不过还是要脚踏实地，一点一点学习，先学会简单的再向更深的地方学习，活到老学到老，多看论文，多和同学朋友交流，学习进步会更加快。
下面介绍两个网站，一个是GitHub，一个是kaggle，我们可以在这两个网站下载各种我们需要的代码。我们要注重积累，学习之用，先学会模仿，然后才能创新。我们很少从头开始写一个项目，一般都是按照之前的某种套路照搬过来，实际上很多公司都是在这样做，毕竟是一个高速发展的行业，很多东西都开源的，我们模仿学会了，就是自己的东西了。
有志者事竟成，世间奇伟鬼怪常在于险远，行百里者半九十，只有坚持不懈才能行百里，这也是我这个博客名字的由来，让我们一起学习共同进步。
下面是本博客不断更新的内容简介
回归算法：
决策树：
贝叶斯算法：
支持向量机（SVM）：
神经网络：现在神经网络比较火
xgboost算法：
自然语言处理相关：
K近邻与分类：
PCA降维与SVD矩阵分解：
scikit_learn:
python分析数据：
机器学习项目实践：
机器学习应用：
Gensim库的介绍：
