我自学过一年机器学习和人工智能，我认为初学者在该领域还没有一个学习的途径，这是我创建这个指南的目的。在过去的几个月里，我试着每天花几个小时了解这个领域，无论是观看Youtube视频还是看各种资料，现在我觉得我有丰富的经验来分享我的见解。我在本指南中收集的所有信息适用于这个领域的初学者。该指南是按照时间顺序进行，而且与我所遇到的大多数指南/学习路径不同，它不需要理解线性代数，偏导数和其他复杂的数学概念。如果你经常在这条路上学习，我相信你可以在三个月内可以达到相当高的水平。以下是学习步骤：
学习Python并用它编写你的算法
我强烈建议先学习Python，因为它不仅非常容易学习，而且几乎支持机器学习中使用的所有优秀库。虽然R语言很有用，但我发现Python更适合初学者。除了基本编程外，对于机器学习，最有用的库是Numpy，Pandas和Matplotlib。
对于那些以前从未写过代码的人，我建议参加多伦多大学（现在是ML / AI最好的大学之一）提供的课程。这需要几周的时间，但这是非常值得的。你通过本课程获得的大部分知识可以应用于任何其他编程语言，唯一的区别是语法。该课程是免费的，可以在这里观看。
对于那些拥有其它语言编程经验的人，只需浏览Python的语法。
现在，在了解Python的基础知识之后，你需要了解我所说的前两个库（Matplotlib可以晚点）。Numpy和Pandas用于修改你使用的数据，而Matplotlib则用于通过图表将这些数据可视化。
Numpy：http : //cs231n.github.io/python-numpy-tutorial/
Pandas：https：//pandas.pydata.org/pandas-docs/stable/10min.html
深入了解机器学习的基础知识
如果有一门通用的机器学习课程，它必须是Andrew Ng的课程。虽然对于初学者来说，这门课程可能有点难度，因为它涉及到偏导数等概念。我希望每个人都观看这个视频并做笔记，虽然这不需要编程相关的教程和练习。
链接：https：//www.coursera.org/learn/machine-learning
学习各种机器学习算法，并理解如何在真实世界的场景中实现它们
理解没有大学数学知识的机器学习算法是很难的，但是澳大利亚的一个团队解决了这个问题。Kirill Eremenko和Hadelin de Ponteves来自SuperDataScience团队，他们在现实生活中应用简单算法。他们的课程涵盖Python和R，但你只需通过Python教程即可。另外，如果你觉得他们的速度太慢，可以1.25倍的速度看这个课程（我做到了，发现它好得多）。
他们的课程在Udemy上，它可以在这里找到，通常约为10美元。它涵盖了从基本回归算法到深度学习和卷积神经网络的一切。如果你想探索更先进的领域，他们的深度学习课程将在机器学习结束时提供，并且享受90％的折扣。然而，这第二门课程中的概念可能有点先进，缺乏适当的文档，因为它们非常新颖。另外你可以学习谷歌的免费深度学习课程或密歇根州的免费课程。
找到一个特别感兴趣的领域，并深入探索
现在，你已经有广泛的机器学习的概念，并且学到了很多技能，可以帮助你独立完成基础项目。我建议去Kaggle或UCI机器学习资源库尝试不同的算法和优化性能。如果你遇到问题，可以在Stack Overflow提问，发布之后你将在几个小时内得到答复！
另外，我建议你在机器学习的广泛领域找到一个有趣的领域，并深入研究。我推荐的区域有：
计算机视觉：这可能是机器学习/人工智能领域最热门的领域---利用计算机使用特殊类型的神经网络来查看和理解事物。斯坦福大学在线发布他们的课程，在线提供讲座，课程笔记和作业。不要担心数学太复杂，因为这个过程只是为了加深你的知识。另外，你可以看看OpenCV，这是一个计算机视觉库，可以为你做很多复杂的事情，推荐一个教程。完成这些后，请查看Kaggle和UCI上更高级的图像数据集，甚至可以进行Kaggle比赛。
自然语言处理：了解计算机如何学习说话也是今天的一个突出话题。斯坦福大学提供了一个在线课程。如果你不了解一些数学概念，不要担心，只要了解这个领域的工作原理。对于实现，你可以进行这个Udemy课程。另外，你也可以观看一些著名的机器学习者Siraj Raval的视频（如https://www.youtube.com/watch?v=9zhrxE5PQgY）。当你已经完成了这些，可以尝试进行简单的项目，如建立聊天机器人，情感分析或为歌曲创建歌词。
强化学习：该领域专注于机器学习如何以特定方式学习，其最受欢迎的应用程序是在视频游戏领域。银鸿的UCL是个不错的选择，但初学者可能会觉得有点棘手。一旦你完成了这些工作，就可以开始从网上下载基础项目，并利用机器学习和人工智能来修改他们的行为。一些简单的教程可以通过Youtube搜索找到。
数据科学：这个领域是一个萌芽的领域，有许多令人兴奋的工作机会。我建议你进行SuperDataScience的付费课程或UC圣地亚哥基于Python的免费课程，此外你必须学习SQL以及Matplotlib。还有像自主学习（用于推荐系统），Adversial Networks（AI改进AI）和遗传算法（以与自然进化类似的方式改进问题的解决方案）等领域，在我看来，这些是大多数初学者延伸的领域。
最后
如果你想长期在这个领域工作，那么一定要了解它是什么。一旦你对该技术的工作有了必要的了解，你就应该开始做在本节列出的事情，这些事情是初学者应该做的，以加深他们对该领域的总体了解程度并使他们更有知识，如下：
开始阅读研究论文：他们确实没有听起来那么具有挑战性。如果你遇到过一个你不明白的东西，那么就把它放下。这个网站提供了大量优秀的论文。
倾听前辈的意见：Andrew Ng，Ian Goodfellow和Yann LeCunn等人都会定期接受采访，并给出该领域工程师关于人工智能主题的观点。这个Youtube频道收集了这些演讲的最佳内容。
与领域保持同步：Wired是所有对科技感兴趣的人的最佳平台之一。它每天发布多个与AI相关的故事，可在这里找到。另外，也可以使用TechCrunch的Facebook Messenger机器人---它通常会对AI相关的文章感兴趣，并且每天都会提示你。
哲学：AI有它的支持者和反对者，但是它背后的哲学是有趣的。这一领域的书籍适合初学者，其中包括Ray Kurzweil的“如何创造心灵”和Max Tegmark的“生活3.0”（http://s3.amazonaws.com/arena-attachments/1446178/cffa5ebc74cee2b1edf58fa9a5bbcb1c.pdf?1511265314）---请尝试阅读这些内容。
贡献：如果你是喜欢从别人的经验中学习的人，请查看人工智能和深度学习Facebook小组。或者通过https://www.reddit.com/r/artificial/在AI上查看Reddit的主题。
文章原标题《A guide for High School students to learning Machine Learning and Artificial Intelligence》
作者：Karan Jaisingh
译者：黄小凡，审校：袁虎。
文章为简译，更为详细的内容，请查看原文
