并不是每个人都有时间在课堂上学习数据科学、人工智能或机器学习，也不是每个人都有能力正式学习这些领域。 那么我们应该做什么呢？ 软件开发人员兼机器学习工程师 Jerry Buaba 提供了一条自学路径。
人们在尝试学习数据科学、人工智能或机器学习时面临的最大障碍是时间和金钱。 自学是一门艺术，需要足够的自律、勤奋和专注。 正确使用，它可以让您灵活地将学习与工作结合起来。
然而，自学数据科学、人工智能或机器学习的开始阶段会很困难，但相信我ai软件教程自学网，这是值得的。 自学取得良好进步的关键是按照自己的节奏学习。
本文将分享您在自学数据科学、人工智能和机器学习时可以遵循的路径，同时也帮助您在学习新事物方面取得良好进展。
学数学
学习数学可能听起来很烦人，但对于这个领域来说是非常有必要的。 阅读本文的读者应该已经从高中学到了一些基础和高等数学知识。 这是一个很好的开始，但在数据科学、人工智能和机器学习领域，仅靠这些知识是不够的。 您需要更深入地学习一些统计、代数和其他数学概念。
有关基本数学资源的列表，请参阅：。
学习编程
作为初学者，不要直接学习编写机器学习代码，而是首先学习一般编程的核心概念。 首先了解什么是编程，现有编程语言的类型，如何正确编写代码等等。这些东西非常重要，因为你将学到很多重要的概念，这些概念将永远伴随你。
所以这一步要慢慢来，不要急于学习高级的东西。 在这个过程中，你对事物理解的深度将决定你在这个行业的表现。
该视频介绍了编程和计算机科学，将引导您了解计算机科学和编程中的重要概念：
精通一门编程语言
数据科学家、AI 和机器学习工程师使用多种语言，最常用的语言是 Python、R、Java、Julia 和 SQL。 当然还有许多其他可用的编程语言，但这里是最常用的，原因如下：
只要你投入足够的时间去学习并坚持，你就可以比较轻松地学习这些语言，并且可以很快地发展起来。
用更少的代码可以完成更多的功能。
社区和生态非常完善，遇到任何问题社区都可以提供帮助和支持。
拥有数据科学家、人工智能或机器学习工程师所需的几乎所有库和包。
开源且免费使用。
学习多种语言绝对没有错，事实上这是一件好事。 不过，在学习每种编程语言时，你需要慢慢来，尽量不要同时学习多种语言，因为这可能会让你感到困惑，让你暂时迷失方向。
慢慢来，一次学习一种语言，确保只学习职业生涯所需的语言部分。 我建议先学习Python，因为它相对容易理解。 此外，我还建议您按顺序学习以下资源：
了解如何获取数据
数据通常不会直接传给你，有时根本无法获得，但无论如何，你都必须找到一种方法让数据发挥作用。
您的工作地点可能拥有良好的数据收集系统，这样可以省去您的麻烦。 如果没有，您必须找到一种获取数据的方法，不仅仅是任何数据，而是可用于实现您的目标的有效数据。
获取数据并不完全等同于数据挖掘； 这是一个数据挖掘的过程。 您可以从互联网上的许多地方获取免费的开源数据，有时您可能需要从网站上抓取数据。 网络爬虫非常重要，我希望每个人都可以学习网络爬虫，因为你可能会在你的职业生涯中经常使用它。
网络爬虫教程：
数据有时存储在数据库中，因此作为数据科学家、人工智能或机器学习工程师，您还需要了解一点数据库管理知识，以便在工作中直接连接和使用数据库。 在这个阶段，SQL知识就非常重要了。
SQL学习资源：
了解如何处理数据
这通常称为“数据整理”。 该过程包括数据清理，可以通过对数据执行一些探索性数据分析并删除数据中不需要的部分来完成。
数据整理过程还涉及将数据结构化为可用的格式。 在数据科学、人工智能或机器学习项目中，这个阶段是最累的部分。 在学习过程中，您将使用的大部分样本数据都已经过预处理，但现实世界的数据可能没有经过任何方式的处理。 作为有兴趣在这个领域取得好成绩的人，您应该寻找一些现实世界的数据并对其进行处理。 真实世界的数据几乎可以在任何地方找到，但 Kaggle 仍然是从世界各地的公司获取真实世界数据的绝佳场所。
数据排序或处理可能是一项非常累人的任务，但只要持续投入和专注，它也可以很有趣。
数据处理相关课程：
了解如何可视化数据
作为一名数据科学家、人工智能或机器学习工程师并不意味着工作场所或团队中的每个人都能够了解您所在领域的技术细节或能够从原始形式的数据中进行推断，因此我们需要将数据可视化数据。
数据可视化通常是指使用图表和图形来呈现数据，以便任何没有数据科学、人工智能或机器学习知识的人都可以理解。
可视化数据的方法有很多。 作为程序员，编写代码来可视化数据应该是首选方法，因为它快速且免费。 编写代码来可视化数据可以通过我们使用的编程语言中提供的许多免费和开源库来完成。 Matplotlib、Seaborn 和 Bokeh 是可用于可视化数据的 Python 库。
Matplotlib数据可视化教程：
另一种可视化数据的方法是使用 Tableau 等闭源工具。 有许多闭源工具可用于制作更优雅和复杂的可视化，但它们需要付费。 Tableau 是最常用的工具，也是我个人经常使用的工具。 我推荐大家学习使用Tableau。
Tableau使用教程：
人工智能和机器学习
人工智能和机器学习更像是数据科学的子集，因为它们都是由数据驱动的。 它们指的是通过向机器或其他无生命物体提供经过良好处理的数据来使它们表现得像人类一样的过程。 通过逐步的教学和指导，机器可以做很多人类可以做的事情。 在这种情况下，我们可以把机器想象成一个完全无知的婴儿，它逐渐学会识别物体、说话、从错误中学习并变得更好。 我们可以教机器以同样的方式做这些事情。
人工智能和机器学习通常通过各种数学算法为机器赋能。 人工智能和机器学习的全部潜力仍然未知，因为它是一个不断发展的领域。 但目前人工智能和机器学习广泛应用于认知功能，如物体检测和识别、面部识别、语音识别和自然语言处理、欺诈和垃圾邮件检测等。
人工智能和机器学习的常见应用：
了解有关机器学习的更多信息：
看完上面的视频，你应该能够对初学者和中级机器学习有一个大致的了解，并了解许多可用的机器学习算法、它们的效果和用途。 现在，您应该准备好构建您的第一个简单的机器学习模型了，您可以参考 Victor Roman 的这篇文章： 。
了解如何在互联网上提供您自己的机器学习模型
通过机器学习训练的模型可以部署并提供给互联网上的每个人。 为此，您需要对 Web 开发有很好的了解，因为您必须创建一个网页或一组网页来发布模型。
网站前端还需要与容纳模型的后端进行通信。 为此，您还需要了解如何构建和集成 API 来处理网站前端和后端之间的通信。
如果您打算通过管道或docker容器将机器学习模型部署在云服务器上，那么您可能需要对云计算和操作有透彻的了解。 部署机器学习模型的方法有很多种，但首先，我建议您学习如何使用 python Web 框架 Flask 部署机器学习模型。
教程：
师傅带领我们进去
自学固然很好ai软件教程自学网，但没有什么比直接向行业专家学习更好的了。 有些知识可以通过学习现实生活中的概念来学习，而有些知识只能通过第一手经验来学习。
有一个导师在各方面都非常有帮助，但并不是每个导师都能对你的事业或生活产生影响，所以有一个好的导师非常重要。 Notitia AI 是一个出色的平台，可用于从初学者到专家级别的数据科学、人工智能和机器学习培训。 平台将为您分配专属导师，在您选择的专业领域为您提供个性化、专业的指导。
请注意，仅仅参加课程和从在线资源中学习并不能让您成为真正的数据科学家、人工智能或机器学习工程师。 您还必须获得相关认证，有些工作需要学位。 花时间学习以获得证书或学位，您最终将为在该行业工作做好准备。
