7 初级项目实践
在实践中学习，用一些小的示例来实现功能，用机器学习来解决一个实际的问题(如图像领域，识别狗，识别花等等)，把机器学习方法当作一个黑盒子来处理，选择一个应用方向，是图像（计算机视觉），音频（语音识别），还是文本（自然语言处理），推荐选择图像领域，这里面的开源项目较多。也可以上github找一下相关的开源项目来参考。
8 深度学习知识
深度学习是机器学习中的一个子项，它源于人工神经网络的研究，含多个隐藏层的多层感知器就是一种深度学习结构。学习过程中，需要对深度学习的概念进行了解，熟悉BP神经网络，CNN卷积神经网络，RNN循环神经网络等原理及应用。以下是一些参考资料：
- 书籍，《Deep Learning for Computer Vision with Python》，Adrian Rosebrock
- 书籍，《Tensorflow：实战Google深度学习框架》，郑泽宇
- 书籍，《深度学习》，伊恩·古德费洛
- 书籍，《Python深度学习》，弗朗索瓦·肖莱
- 书籍，《深度学习与计算机视觉》，叶韵
- 视频，《Deep Learning》吴恩达： https://www.bilibili.com/video/av49445369
- 视频，《Stanford CS231N 2017》李飞飞: http://t.cn/RTueAct
- 视频，《一天搞懂深度学习心得》李宏毅: http://t.cn/RTukvY6
- 视频，《李宏毅深度学习2017》： http://t.cn/RpO3VJK
- 视频，《 Deep Learning With Tensorflow》： http://t.cn/RTuDcjC
9 高级项目实践或论文
具备了较强的知识储备，可以进入较难的实战。两个选择，工业界的可以选择看开源项目，以改代码为目的来读代码；学术界的可以看特定领域的论文，为解决问题而发论文。或者可以参加 kaggle 竞赛，来验证一下，解决问题。到了这个阶段，就看个人的修行了。不过到了此阶段，回头看一开始的学习计划，基本已经达到目的了。最后，对于论文查询，就不得不提arXiv了，arXiv是个收集物理学、数学、计算机科学与生物学的论文预印本的网站。将预稿上传到arxiv作为预收录，可以防止自己的idea在论文被收录前被别人剽窃。因此arXiv是个可以证明论文原创性（上传时间戳）的文档收录网站。现今的很多科学家习惯先将其论文上传至arXiv.org，再提交予专业的学术期刊。以下提供两个工具可以使用：
- arXiv官网： https://arxiv.org
- arxiv论文查询： http://www.arxiv-sanity.com
- 带代码的论文查询: https://paperswithcode.com
总结
通过查询并阅读了十多篇对人工智能的学习方法和学习资源的文章后，本文试图对这些资源进行整合，整理出一条相对完整的学习路径，每一个阶段都给出了相应的参考资料，有了资料，更重要的是需要去学习和实践，希望对自己的学习有一个明确的计划，也希望对想进行AI领域的同学有帮助。
