原文链接: 人工智能学习系列教程-目录（附视频教程）
一. 人工智能基础篇 – 数学理论
数学基础知识蕴含着处理智能问题的基本思想与方法，也是理解复杂算法的必备要素。今天的种种人工智能技术归根到底都建立在数学模型之上，要了解人工智能，首先要掌握必备的数学基础知识。
在 AI 项目中学习这些数学课程，侧重点则是各类数学模型在 AI 中要如何使用，或者说如何在应用场合中套用这些数学模型。反而是平时数学上大家最头疼的那些推论啊、题海战术啊，在 AI 学习过程中可以暂时忽略掉。本阶段的学习内容如下：
1.线性代数：将研究对象形式化
2.概率论：描述统计规律
3.数理统计：以小见大
4.最优化理论： 找到最优解
5.信息论：定量度量不确定性
6.形式逻辑：实现抽象推理
二 人工智能提升篇 – python基础
编程语言是AI的实现工具，随着AI时代的到来以及其日益蓬勃的发展，Python作为AI时代的头牌语言地位基本确定，机器学习是着实令人兴奋，但其复杂度及难度较大，通常会涉及组装工作流和管道、设置数据源及内部和云部署之间的分流而有了Python库后，可帮助加快数据管道，且Python库也在不断更新发布中。本阶段的学习内容如下：
1.Python入门、环境搭建、变量、数据类型
2.Python运算符、条件结构、循环结构
3.Python函数、类
4.面向对象(封装、继承、多态)
5.模块、包、文件、异常、高阶函数
6.Python标准库之字符串处理库、文件及目录操作、时间日期
7.Python数据库编程
三 .人工智能进阶篇 – 机器学习
机器学习利用算法分析数据，构建模型，学习数据并优化模型，从而对未来做出判断和预测。我们使用计算机设计一个系统，使它能够根据提供的训练数据按照一定的方式来学习；随着训练次数的增加，该系统可以在性能上不断学习和改进；通过参数优化的学习模型，能够用于预测相关问题的输出。本阶段的学习内容如下：
1.机器学习概述
2.监督学习（逻辑回归、支持向量机SVM、决策树、随机森林）
3.无监督学习（高斯混合模型、聚类、PCA、密度估计）
4.数据处理与模型调优（特征提取、数据预处理、模型参数调优、模型可视化）
四.人工智能实战篇1 – 数据挖掘
数据挖掘是一种决策支持过程,它基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等,高度自动化地分析企业的数据,作出归纳性的推理,从中挖掘出潜在的模式,帮助决策者调整市场策略,减少风险,作出正确的决策。由以下三个阶段组成：数据准备，数据挖掘和结果表达。本阶段以两个实战项目来讲解：
1.音乐系统文件分类
2.金融反欺诈模型
五.人工智能高阶篇 – 深度学习
深度学习使用深度神经网络构建数学模型，从数据中统计学习规律，从而进行预测。深度学习是机器学习的子集，主要解决计算机视觉、自然语言处理、自动语音识别等问题。本阶段的学习内容有：
1.深度学习概述
2.深度学习基础（感知器、人工神经网络、前馈神经网络、BP算法）
3.深度学习进阶（卷积神经网络CNN、卷积层、池化层、全连接层、LSTM）
4.卷积神经网络改进（R-CNN、Fast-R-CNN）
5.深度学习模型训练及优化
6. Tensorflow、 Caffe等应用
六.人工智能实战篇2 – 图像处理
数字图像处理(Digital Image Processing)和自然语言处理（NLP）是人工智能和深度学习的重要研究方向。深度学习作为当前机器学习领域最热门的技术之一，已经在图像处理在自然语言处理领域获得了应用，并且展现出巨大的前景。本节将通过两个项目实战来讲解：
