1
未来是一个AI的时代吗？很有可能是的，几乎每天都能看到AI相关的新闻，你会不会也有一种想要钻研AI，制造下一个AlphaGo的冲动？
可是学习AI说难不算特别难，但是说简单也绝不简单，尤其是对于初学者来说，更是容易有种无从下手的感觉。上个星期，AI科技评论急大家之所急，为大家准备了几份非常精彩的AI入门教程，为你全方位无死角的揭开目前AI最火热的机器学习方法背后的奥秘：
朴素贝叶斯分类
机器学习的本质是什么？其实就是连续的概率选择和调参，但到底是怎么个调法？神经网络到底是基于哪些函数建立而成？这篇文章详细的解释了这些问题。文中列出了监督学习、无监督学习和强化学习三大类中的十种神经网络类型，并简要介绍了它们各自的原理、适用的场景、运算的优势等内容。当你思考一个新的项目需求该用何种算法来实现才是最方便快速的，这篇文章可以给你一些启发。对于初学者来说，这也是一个了解机器学习大致现状的好机会。
开源框架之一：Facebook的Torch
对机器学习的理论架构有了一个大概的了解之后，你可能会陷入一种困惑：我该如何将这些理论转化为真正能够运行的程序？在这个问题上，许多在人工智能方面的研究中享有盛誉的大公司已经给出了自己的答案：发布自己的开源框架。框架可以看做是一些API，或者说的直白一点——相当于积木的零件。使用框架中内置的这些算法和结构，你可以相对轻松的用编程语言将自己的想法变为现实。它们有的基于被广泛使用的Python，Java，C/C++，也有些基于相对冷门一些的诸如Lua之类的语言。不过它们的目的都是相同的：为开发者提供相对舒适的开发环境。因此如果你在思考该使用哪种语言来实现你的算法，不妨参考了这篇介绍了8种比较受欢迎的AI开源框架的文章。
深度学习的一些经典特征描述
到这里，最最基础的准备工作已经进行的差不多了。我们可以对深度学习的理论体系进行更深一步的研究了。这篇文章从深度学习的概念讲起，由浅入深的讲解了基本思想、网络结构、训练过程等内容，并最终介绍了几种深度学习常用的建模方法。吃透这篇文章，对让你对算法有一个清晰的思路会有很大的帮助。
卷积神经网络工作原理示意图
卷积神经网络（Convolutional Neural Network,CNN）是一种前馈神经网络，是深度神经网络中非常重要的一种类型。其特性经常被用于图像处理系统，并能获得很好的效果。本文结合几个图像识别的实例，简单讲解了建立一个CNN模型的思路和方法，并给出了一些测试方法和常用的应用。相信在读完这篇文章后，你对图像识别算法的了解又会更深一层。
简单递归网络（左）与LSTM单元（右）的对比
递归神经网络也是人工神经网络中重要的一个种类，擅长用于识别诸如文本、基因组、手写字迹、语音等序列数据的模式，或用于识别传感器、股票市场、政府机构产生的数值型时间序列数据。
递归网络可以说是最强大的神经网络，甚至可以将图像分解为一系列图像块，作为序列加以处理。更重要的一点是，由于递归网络拥有一种特定的记忆模式，而记忆是智能的基本能力之一。所以“最强神经网络”可以说实至名归。这篇文章介绍了递归神经网络的一些应用方法，并着重介绍了其中的记忆单元（LSTM）的使用和调试方法。可见记忆对于AI的重要性。
学海无涯，短短一个星期的几篇文章可能没法让你从一个从没学过机器学习的小白变成大神，不过我们希望这些文章能给大家一个足够的引导。帮助大家在学习的过程中少走些弯路，我们今后还会陆续发布更多更深入的教程，敬请大家持续关注~
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
