1.学习和掌握一些数学知识。高等数学是基础。所有科学和工程学科都需要这个基础。数据挖掘，人工智能，模式识别和其他处理数据的数据尤其需要多次演算操作。基本线性代数非常重要。重要的。一般来说，线性模型是您必须考虑的第一个模型。另外，它可能处理多维数据。您需要使用线性代数简洁明了地描述问题，并为概率论，数理统计和随机过程的分析和解决奠定基础。它甚至是必不可少的。当涉及数据问题时，不确定性几乎是不可避免的。引入随机变量是合乎逻辑的，并且相关的理论，方法和模型非常丰富。许多机器学习算法都是基于概率论和统计学的，例如贝叶斯分类器和高斯隐马尔可夫链。然后是优化理论和算法。除非您的问题是像找到二元线性方程式的根那样的现成公式，否则您将不得不面对似乎无法解决但需要解决的各种问题。优化将是您的GPS。为了指导您掌握上述知识，您可以开始并针对特定应用添加相关的知识和理论。例如，我发现一些有用的东西是数值计算，图论，拓扑以及更多理论上的东西。真实/复杂的分析，测量理论，信号处理和数据结构需要更多的工程设计。 2.掌握经典的机器学习理论和算法。如果有时间，您可以自己构建一个机器学习知识图，并努力掌握所有经典的机器学习理论和算法。我简要总结如下：1）回归算法：常见的回归算法包括普通最小二乘，对数回归，逐步回归，MulTIvariateAdapTIve回归样条和局部估计散点图平滑。 2）基于实例的算法：常见的算法包括k最近邻（KNN），学习矢量量化（LVQ）和自组织映射（SOM）； 3）正则化方法：常用算法包括：岭回归，最小绝对收缩和选择算子（LASSO），弹性网。 4）决策树学习：常用算法包括：分类和回归树（CART），ID3（迭代二分法器3），C4.5，卡方自动交互检测（CHAID），决策树桩，随机森林，多重自适应回归样条（ 5）基于贝叶斯方法：通用算法包括：朴素贝叶斯算法，平均一依赖估计量（AODE）和贝叶斯信念网络（BBN）； 6）基于核的算法：常用的算法包括支持向量机（SVM），径向基函数（RBF）和线性判别分析（LDA）等； 7）聚类算法：常见的聚类算法包括k-Means算法和期望最大化（EM）。 8）基于关联规则学习：常用算法包括Apriori算法和Eclat算法等； 9）人工神经网络：一种重要的人工神经网络算法，包括：感知器神经网络（Perceptron Neural Network），反向传播（Back Propagation），Hopfield网络，自组织映射（SOM）。学习矢量量化（LVQ）； 10）深度学习：常见的深度学习算法包括：受限玻尔兹曼机（RBN），深度信念网络（DBN），卷积网络（Convolutional Network）），堆叠自动编码器（Stacked Auto-encoders）； 11）减少维数的算法：常用算法包括主成分分析（PCA），偏最小二乘回归（PLS），Sammon映射，多维缩放（MDS），投影追踪（Projection Pursuit）等； 12）集成算法：常用算法包括：Boosting，自举聚合（装袋），AdaBoost，Stacked Generalization（堆叠通用，混合），Gradient Boosting Machine（GradientBoosting Machine，GBM），Random Forest（随机森林）。 3.掌握编程工具，例如Python。一方面，Python是一种脚本语言，既简单又方便。您可以使用记事本进行编写，并且可以在完成编写后使用控制台运行。另外，Python比java，r和matlab效率更高，效率更高。 。尽管matlab有许多软件包，但其效率是这四个软件包中最低的。 4.了解最新的行业发展和研究成果，例如经典论文，博客，阅读笔记，微博和微信以及其他主要牛的媒体信息。 5.购买GPU，找到开放源代码框架，自己训练深度神经网络，手动编写更多代码，并从事更多与人工智能相关的项目。 6.选择一个您想要的字段