本课程以 AI 工程师为终极目标，从 AI 职业出发，利用 Python 3 破冰 AI。
本课程从数学建模入手，详细介绍了 Python 3 在 AI 工程中的应用，包括数据探索、数据分析与挖掘、机器学习、数据科学、自然语言处理等主题。每一小节都为读者提供了数学知识和代码示例来理解，帮助读者更好地掌握各个知识点。
认真学完本课，你会发现 AI 并不是那么高不可攀，甚至要跟 AI 相关的技术工作说 Hello！
本课程主要包含三部分：
第一部分（第01课），基础部分（包含预备知识与前期准备），其中简单介绍了 Python 中重要包如 Numpy、Pandas 等；
第二部分（第02-10课），介绍四种工程师内容(数据科学家、机器学习工程师、自然语言工程师与推荐算法工程师)，以构建实战案例的形式进行阐述，真实实现“身临其境”；
第三部分（第11课），TensorFlow 极简入门，开启深度学习的大门。
作者介绍黄海涛，笔名零壹，资深算法工程师，目前担任 AI 医疗项目技术负责人，CSDN 专家。前供求世界网络科技运营总监、数学硕士，数十次获得建模奖项，全国研究生数学建模竞赛一等奖得主，热衷分享。个人微信号：huangtaonide、微信公众号：Ｒ-data、还有一个你。
课程内容 导读：进入 AI 领域需做的准备 对 AI 的态度对于 AI，不用嘲笑，也不要过誉！
人工智能（Artificial Intelligence，英文缩写为 AI）的话题隔一段时间就会火一把。刚结束不久的国际盛会——2018 年博鳌亚洲论坛上，首次运用的人工智能( Artificial Intelligence，英文缩写为AI)同声传译就在关键时刻“掉链子”了：将发言外宾用英文表述的“一带一路”翻译成了“一条公路和一条腰带”“道路和传送带”。此次 AI 同声传译被吐的“槽点”还有不少，比如系统崩溃、乱码、一会儿一个“啊、啊”，连续出现一堆“for，for，for⋯⋯”，甚至连自己的英文缩写“ AI ”都认不出，只能翻译成“挨”。这么多的梗，以至于翻译界一片唏嘘和自嘲：“饭碗终于暂时保住了!”
不过李彦宏说得好，“对于 AI，不用嘲笑，也不要过誉”。现在需要做的，不是找 AI 的黑历史、挖它的“槽点”、抗拒它的到来，而是要主动适应，迎接“AI 时代”的到来。对于 AI 从业者，尤其需要客观认清技术与产业应用现状，不断发现问题，解决问题，推动 AI 朝着越来越成熟的方向迈进。（信息来源：北京科技报第004版）
AI的趋势 一、世界一流的人工智能来自中国去年7月份，国务院发布《新一代人工智能发展规划》，对人工智能的布局发展做出全面的设计，提出到 2030 年人工智能理论、技术与应用总体达到世界领先水平。
越来越多的传统制造业企业希望借助人工智能实现转型升级，互联网企业则加大了人工智能领域的布局。
二、人工智能行业人才最紧缺而随着人工智能站上风口，相关企业、人才都变得紧俏。在国务院规划中，必须加快培养人工智能各层次人才，用于满足行业发展需要。
中国人工智能人才缺口超过 500 万人，而目前中国人工智能人才数量不足 5 万人。目前，中国人工智能方向的高校实验室只有不到 30 个，每年输出的人才数量远远小于市场需求。所以人工智能行业在近 3 到 5 年会成为最缺人的行业。
三、行业巨头如何在 AI 领域布局
1956 年，人工智能概念首次被提出，如今，人工智能已成为最炙手可热的产业之一！计算机二级考试加入“ Python 语言程序设计”科目！Python 编程确定进入浙江省信息技术高考！小学信息技术六年级教材也加入了 Python 内容！小学生都开始接触 Python 语言了！！！真的是，不能让孩子输在起跑线上啊！！
语言的选择谁会成为 AI 和大数据时代的第一开发语言?这本已是一个不需要争论的问题。如果说三年前， Matlab、Scala、R、Java 和 Python 还各有机会，局面尚且不清楚，那么三年之后，趋势已经非常明确了，特别是前两天 Facebook 开源了 PyTorch 之后， Python 作为 AI 时代头牌语言的位置基本确立，未来的悬念仅仅是谁能坐稳第二把交椅。
Python 语言从 1991 年发布第一个版本，至今已经快 30 年了。作为一种解释型语言，很多年里一直打着“脚本语言”的标签，并因为运行速度被诟病。根据数据平台 Kaggle 发布的 2017 年机器学习及数据科学调查报告，在工具语言使用方面，Python 是数据科学家和人工智能从业者使用最多的语言（见下图）。
IEEE 综览（IEEE Spectrum）发布的 2017 最受欢迎编程语言列表中，Python 同样位列第一（见下图）。
如果不是想成为代码诗人，或者语言大师，只是想用尽量简单直接的方法，把事情做了，首选语言确实是 Python。
以理论与实践入门 AI人工智能研究这个领域是有一定门槛的。对于初学者来说，一般通常的做法是直接购买一些热门的书籍，比如“西瓜书”、“花书”、“xx天从入门到精通”、“xx天从入门到放弃”等等，但大多数书籍都是讲的基础知识，稍显乏味和枯燥，此外内容太深奥，初学者可能看一段时间就想放弃了。因此需要一个好的方法才可以！
this is 故事：这是一个数学家通过代码找到女朋友的故事。
OkCupid 是一家约会网站，每个注册用户需要回答 350 道问题，系统根据答案自动计算用户间的匹配程度，优先将合适的对象推荐出来。
麦克金雷（Mckinlay）是一位数学家，会写代码的数学家。他注册了 12 个账号，用 Python 脚本从 OkCupid 网站爬取了几万个符合他个人要求的女性。然后用贝尔实验室的 K-Modes 算法将这些女人分成了7类。他又写了个程序，在和他最匹配的那类人的主页留下脚印。这样，当姑娘们登录之后就会发现，有个速配指数超高的男人前来关注自己。很快，麦克金雷的收件箱就被塞爆了，每天不停有美女主动前来答讪，最终麦克金雷选择了一位美术专业的硕士生作自己的女朋友。这一年，他35岁。 麦克金雷将他的故事写成了书，OkCupid 更是大肆宣传，为网站带来了千万次曝光量。这个故事发生在 2012 年，至今仍在传播。
“最有用的知识是关于方法的知识” ---达尔文，作者从自身学习经历入手，选取有价值的知识点，希望本课程的思路与方法能够在您的职业生涯中起到正向作用！
本课程目录- 第01课：早期的数学建模与当今火热的 AI
- 前言
- 早期的数学建模
- 认识数学建模
- 什么是数学模型
- 当今火热的 AI
- AI概念
- 认识 AI
- AI 应用领域
- AI、机器学习、深度学习关系
- 数学建模与人工智能
- 数学建模与人工智能间联系
- 数学建模与人工智能间差异
- 小结
- 第02课：前期准备-AI中的数据科学家入门
- 目录
- 导读
- 数据科学与数据科学家
- 数据科学家的源头
- 数据科学家主要做什么
- 数据科学三要素
- 专业领域知识
- 数学统计知识
- 计算机软件知识
- Ｎumpy
- 数据类型
- 创建数组
- 最小二乘求解线性函数
- Pandas
- Matplotlib
- Scipy
- 第03课：前期准备-AI中的数据科学家实战
- 案例1 Matplotlib绘常见统计图
- 案例2 绘图对比两组高斯分布样本
- 案例 3 全美婴儿数据分析
- 1. 数据源文件概览
- 2.载入数据
- 3.数据统计描述分析
- 4.分析最后一个字母的变革
- 5.提取特征分析
- 案例4 从Scipy了解图像处理
- 小结：
- 参考文献：
- 第04课：AI中的机器学习工程师入门
- 目录
- 前言
- 白话谈什么是机器学习？
- 机器学习的工作方式
- 监督学习与非监督学习
- k-means聚类小案例（含源码连接）
- 第05课：AI中的机器学习工程师实战（三种朴素贝叶斯）
- 目录
- 认识朴素贝叶斯
- 朴素贝叶斯算法
- 算法的分类流程
- 朴素贝叶斯的优缺点
- 优点：
- 缺点:
- 随机变量与概率分布
- 随机变量
- 1.随机变量引入
- 2.随机变量的划分
- 3.辨析
- 4.总结
- 概率分布
- 伯努利分布（离散）
- 例1 伯努利贝叶斯
- 多项式分布（离散）
- 例2 多项式贝叶斯
- 高斯分布(连续)
- 例3 高斯贝叶斯
- 第06课：AI中的机器学习工程师实战（SVM）
- 目录
- SVM简介
- SVM优劣势
- 优势
- 劣势
- 以非线性分类SVM为例学习支持向量机
- 非线性分类
- 参数解读
- 支持向量机的二分类
- 支持向量机的多元分类
- 案例：不同核函数下的分类结果
- 参考文献:
- 附录：基本的核函数与选择方案
- 第07课：实战-AI 中的自然语言处理工程师实战（分词与关键词提取）
- 目录
- 前言
- 自然语言简介
- 自然语言处理基本概念
- 人工智能下的自然语言处理
- 自然语言处理技能树
- 聊天机器人工作机制
- Jieba 实战中文分词
- 中文分词基础
- 基本操作
- 中文分词
- 标注词性与添加定义词
- 案例解读
- 关键词提取
- TFIDF算法关键词原理
- TFIDF算法关键词案例
- 附词性表
- 第08课：AI中的自然语言处理工程师实战（word2vec）
- 目录
- word2vec简介
- 词向量
- D L下的词向量
- word2vec的训练模型
- word2vec案例：基于财经博主博文分析相似板块
- 模块安装
- 数据下载与概览
- 附录word2vec参数说明
- 第09课：AI中的推荐算法工程师理论入门
- 目录
- 前言
- 推荐系统的出现
- 推荐算法工程师技能
- 推荐任务
- 初识推荐系统
- １.基于商品的推荐
- ２.基于评分的推荐
- ３.基于标签的推荐
- 组合推荐
- 以旅游推荐系统来阐述推荐系统的差异
- 1.情景化推荐机理
- 2.用户画像概念模型与信息
- 3.推荐结果对比
- AI下的深度模型与宽度模型
- 结束语
- 第10课：实战-AI中的推荐算法工程师实战
- 目录
- AI下的推荐算法
- 协同过滤
- 实战案例
- 数据获取与预览
- 统计user与item
- 构建评分矩阵
- 计算相似度
- user方向
- item方向
- 预测
- 模型评估
- 参考文献：
- 第11课：向AI宣战，破冰tensorflow
- 目录
- 前沿
- 一、初识 TensorFlow（简述部分）
- 1.1 什么是 TensorFlow
- 1.2 TensorFlow 安装
- 1.3 TensorFlow 基本概念与原理
- 二、 数据结构（重点部分）
- 2.1 基础知识：Rank（阶）
- 2.2 基础知识：Shape（形状）
- 2.3 基础知识： Data Type（数据类型）
- 三、生成数据十二法 （重点部分）
- 3.1 生成tensor
- 3.2 生成序列
- 3.3 生成随机数
- 四、实战 TensorFlow（附源码）
- 五、小知识附录
看到这，如果你仍然对 Python 下 AI 很感兴趣，那么你就需要准备安装 Python 环境了（具体安装方法请自行百度，如果实在不会可以联系），在你开始学习 Python 之前，最重要的是，你要安装 Python 环境。许多初学者会纠结，应该选择 2.x 版本还是 3.x 版本的问题。在我看来，世界变化的速度在变得更快，语言的更新速度亦然，没有什么理由让我们只停留在过去，而不往前看。对于越来越普及、同时拥有诸多酷炫新特性的 Python 3.x，我们真的没有什么理由拒绝它。如果你理解了 Life is short, you need Python 的苦衷，就应该去选择这种面向未来的开发模式。同时选择一个自己喜欢的 IDE 工具，在这里推荐作者使用的 Python IDE，叫做 PyCharm，当然其他的 IDE 也都是可以的。安装完成后即可步入学习进程。
第01课：预备知识：早期的数学建模与当今火热的 AI 第02课：前期准备：AI 中的数据科学家入门 第03课：前期准备：AI 中的数据科学家实战 第04课：AI 中的机器学习工程师入门 第05课：AI 中的机器学习工程师实战（三种朴素贝叶斯） 第06课：AI 中的机器学习工程师实战（SVM） 第07课：AI 中的自然语言处理工程师实战（分词与关键词提取） 第08课：AI 中的自然语言处理工程师实战（Word2vec） 第09课：AI 中的推荐算法工程师理论入门 第10课：AI 中的推荐算法工程师实战 第11课：向 AI 宣战，破冰 Tensorflow阅读全文: http://gitbook.cn/gitchat/column/5b433e18df17855431c9617a
