本书是“人工智能与大数据技术大讲堂”丛书中的*本书。全书贯穿“*简体验”的讲授原则，并模拟实际课堂的教学风格，通过幽默风趣的大白话语言，手把手带领读者由浅入深、循序渐进地进行学习，让他们在身临其境的教学氛围中，轻松、愉悦地掌握人工智能技术领域的基础知识，从而跨入人工智能的大门。本书的阅读门槛极低，只需要读者具备初步的数理知识和计算机操作技能即可顺利学习；本书的学习曲线非常平滑，前面章节中的知识点都为后续章节的学习做好了铺垫，让读者的学习毫无障碍；本书通过“图书 视频 GitHub 微信公众号 学习管理平台 群 专业助教”的立体化学习解决方案及大量线上、线下互动，让读者可以体验到远超过同类图书的学习效果。

张光华  博士毕业于重庆大学和清华大学，硕士毕业于中国科学技术大学。现为中国医药教育协会智能眼科学组常委、山西智能大数据产业技术创新研究院医疗大数据研究中心主任。主要研究方向为量子点微型多光谱成像技术、医学图像处理、机器学习等。已在顶级的国际会议及SCI期刊上发表了医学、图像处理和机器学习等领域的多篇论文，并参与了多项中国与欧洲的科学基金项目。

贾庸  AI精研社秘书。有多年的研发与管理经验，持续不断地追求更好的产品体验与更高的代码质量。所研发的产品GFE已被众多的全球500强企业采购。

李岩  AI精研社会士。有多年的高校教学经验，擅长讲授C程序设计、C 程序设计、Java程序设计和数据结构等多门课程，教学风格颇受学生的喜爱。

人工智能领域知名的《统计学习方法》《机器学习》《深度学习》三本经典图书对于大多数想要进入该领域的人而言有较高的学习门槛。而由“AI精研社”组织编写的“人工智能与大数据技术大讲堂”丛书则会提供较低的学习门槛，可以帮助读者能够更加轻松地掌握人工智能算法与编程，也能给读者进一步深度理解这三本经典图书带来很大的帮助。假如你已经通透地掌握了这套丛书或三本经典图书中的内容，那么你就可以直接来地平线实习了。即使你尚未发表论文也没关系，很多小伙伴都是在地平线实习期间发表了顶会论文，而且是顶会一作。

——全球范围内自动驾驶处理器领域的领跑者地平线创始人/CEO  余凯

“人工智能与大数据技术大讲堂”丛书是一套提纲挈领的纵览式图书，内容系统、全面，讲解深入浅出，可以帮助AI初学者梳理人工智能技术的知识体系，也可以让AI从业者即用即查，温故而知新，非常值得推荐。相信好学上进的读者朋友们能感受到作者团队的用心和努力，能通过这套图书更好地掌握人工智能技术。

—— 领先的计算机视觉服务商Yi 创始人/CEO  张默

人工智能作为计算机科学与统计学、脑科学和认知科学等多学科交叉的前沿领域，致力于让机器拥有类似于人类的感知、认知、操控和交互能力，已形成相对完整的学科体系。很多同学担心进入人工智能这一领域的门槛太高，一直徘徊在观望或浅尝辄止的程度。而这本书通过风趣易懂的语言和精心设计的知识体系降低了这一门槛，使得初学者也可以掌握人工智能算法思想，领略到人工智能的趣味。这本书不仅适合院校师生，也适合广大的人工智能爱好者自学使用。

——清华大学计算机系学术委员会主任/IEEE Fellow  孙富春

本书浅显易懂，文笔诙谐，有理论，更有实践，非常适合进入人工智能领域的初学者阅读。相信通过阅读本书，读者能够顺利地完成从零到一的学习过程。

——神策数据创始人/CEO  桑文锋

当前，人工智能技术正在快速应用于各行各业。经济社会的发展不仅需要大量的人工智能高级人才去推动基础理论和共性技术的发展，而且也需要初步掌握了算法的工作原理，并能灵活应用于不同场景的智能算法工程师及系统开发与维护工程师去推动智能技术的落地。本书契合了这种需求，讲解上从基本概念到基础算法，再到应用范例，手把手带领初学者实现智能应用。本书的阅读门槛很低，适合的读者群体也很广泛，只要你具备初步的数理知识，就可以在作者的引领下顺利学习。

——天津大学智能与计算学部副主任/人工智能学院院长  胡清华

第1章  零基础入门AI解决方案

2015年，一条阿法狗（AlphaGo）让普通大众看到了一个新时代大门的开启，虽然只是一条窄窄的门缝，但从中可以看到未来无限的可能。随后，无人车、无人超市、无人银行的新闻报道铺天盖地。刷脸解锁也已经成为智能手机的标配。这背后都是人工智能在发挥作用。

其实，在阿法狗之前，使用某宝或某东网购时，或使用某歌或某度搜索时，我们早已经在使用人工智能了。

越来越多的小伙伴想要了解人工智能，学习人工智能。本章将帮助这些爱学习、求上进的小伙伴们对人工智能建立初步的直观感受，并给出针对性的入门解决方案。

1.1  AI极简史（选修）

AI是Artificial Intelligence的缩写，译成中文就是人工智能。起于2006年，发于2012年，火于2015年的新一波人工智能热潮，基本上让人工智能这个词达到了无人不知的程度。

在Hinton、LeCun和Bengio这3位专家默默付出和多年耕耘的基础上，Alexnet于2012年横空出世，对业界产生了巨大的影响。彼时普通大众还基本没有感知。

直到2015年，阿法狗的横空出世，让人工智能进入了普罗大众的视野。

随着AI热度的不断攀升，越来越多的企业参与到这波热潮中。除了传统的互联网巨头外，像卖摄像头的、造挖掘机的等各类公司都华丽地变身成为AI企业，这不是在开玩笑，是真实发生的事。

随着更多的人才、资金和企业在AI上的投入，AI也取得了更多的进展。

AI已经在围棋（AlphaZero）和《星际争霸》（AlphaStar）上全面战胜了人类选手，并且还在积极探索更多的领域。

随着越来越多的企业转型AI，越来越多的童鞋（为了让讲解的风格更加活泼，本书中会沿用一些网络用语和昵称，具体会在1.7节中给出）也逐渐把AI作为自己的兴趣爱好、专业方向及职业发展目标。

在All in AI之前，先简单地了解一下AI及其相关领域，这可能会对童鞋们选择自己的兴趣方向有所帮助。

1.2  AI极简介

首先说明，人工智能不是只有以下三大领域哦，这里只是为了让萌新们把大词、热词与直观的生活体验联系起来，对人工智能有一个初步的直观感受。

说明结束，翠花，上酸菜！哦，不对，应该是来个魔方！

纳尼？不是要讲人工智能吗？为嘛要拿出个魔方！这是因为，人工智能的三大领域对应的正好是咱们人类玩魔方的过程。

那么，咱们人类玩魔方的过程是怎样的呢？我们按步骤来拆解说明。

So，玩魔方有几步呢？把大象装进冰箱有几步，玩魔方就有几步。

（1）看！首先要看到魔方每个面中的每个方块的颜色和位置，这一步中还有个子步骤，就是整体转动，这是为了观察颜色和位置。

（2）想！这个过程可能很快，但是一定要有，对此有疑问的童鞋请到群里讨论。

（3）转！这次是一层一层地旋转，是为了令每一面的颜色复原。

前面这3步对应着人工智能的三大领域，分别是表征、决策和控制。

为了方便说明，我们给这个用来玩魔方的人工智能程序起个名字，叫阿法喵。

人类的第一步是“看”，相应的，阿法喵的第一步是表征学习（Representation Learning）。

1.2.1  认识颜色：表征学习与深度学习

人可以通过眼睛看到方块的颜色和位置，识别方块的颜色和位置。那阿法喵如何看到呢？不少童鞋已经抢答正确了，没错，是摄像头！但是，摄像头传给阿法喵的是数据，阿法喵如何从这些数据中解读出颜色和位置呢？这就要用到表征算法。这几年推动人工智能重新崛起的主要因素之一就是深度学习（Deep Learning）算法，它属于表征算法的一种。

上面这段话有点长，再直白点说，就是如何让阿法喵认识不同的颜色，如这个方块是白色，那个方块是红色，在识别颜色的时候，还要准确地识别这个方块的位置。这个就是表征学习。

这一点对咱们人类似乎很容易，即使3岁的儿童也能准确地分清楚它们是不同的颜色，并且可以判断哪几个方块是相同的颜色。但是，对于阿法喵来说，这个很难。由于光照、角度、颜色算法及其他因素，阿法喵常常会把红色和橙色搞混。

那怎么办呢？最low的办法就是把红或橙的其中一个颜色涂成黑色。如果还要问，到底把哪个涂成黑色呢？建议选橙色。如果还要问，为什么选橙色呢？因为不同光照下，阿法喵对橙色识别得不好，而对黑色识别得更准确，这里给阿法喵降低难度。

虽然low，但是能解决问题就好。

那有没有不那么low的操作呢？有的，可以近距离一个方块一个方块地扫描识别。大家可以输入网址，观看视频，看看阿法喵为了识别颜色有多么拼。

发送“魔方”到“AI精研社”可获取URL。

但是显而易见，这效率太低了！

有的童鞋会安慰说，2分钟多一点，其实还好啦。确实是，但是世界总是向前发展的，魔方界也是一样的，成为更快的 Solver 是魔方玩家的荣耀哦！

回到表征学习的问题上来，在深度学习出现之前，科学家们需要手工设计算法和参数（如HSV和RGB的值），让阿法喵来识别出每个方块的颜色和位置。

深度学习出现后，科学家们只需要准备几百张或几百万张图（数据集）；告诉阿法喵，这几十张（或几十万张）图中的颜色是红色（标注），另外那几十张（或几十万张）图中的颜色是白色（标注）；然后让阿法喵自己去学习，红色的RGB是多少，白色的HSV是多少，或者其他用于识别颜色的指标、数值，通通由阿法喵自己领悟。

前面这段中，把红色作为标注，是为了与整体的举例（魔方）衔接，但可能会引起误解，因此有必要再举一个例子来说明。这次我们想要训练阿法喵识别香蕉和苹果，那么就给阿法喵3000千张图。

q 1000张香蕉图片，用数字1表示（可以自定义）；

q 1000张苹果图片，用数字2表示；

q 1000张既不是苹果也不是香蕉的图片，用数字0表示；

每张图是阿法喵的学习材料，每张图对应的0、1、2就是这张图的标注。

阿法喵真的能自己学会？必须的！

在我们的日常生活中已经广泛应用了这种技术。最具代表性的就是各种刷脸应用，如刷脸解锁、刷脸支付、刷脸检票和刷脸签到等。童鞋们身边还有哪些刷脸应用，欢迎到公众号后台留言哦！

让阿法喵具备这种学习能力的基础就是卷积运算（Convolution Computation）与深度神经网络（Deep Neural Networks）。

本书从第2章开始，将带领大家从零基础开始，逐步掌握 Python 编程，理解计算机视觉（ComputerVision,CV）概念，并在此基础之上，初步理解并掌握卷积运算。

1.2.2  该往哪边旋转: 决策科学

还记得玩魔方的第二步吗？抢答正确！是“想”。孔子他老人家告诉我们，阿法喵不能只会学，不会思考，正所谓学而不思则罔。这个思考的过程，让阿法喵能自己作出“先转哪一层，该往哪边转”决定的算法，就属于决策科学的范畴了。

这个领域最著名的算法就是“阿法狗”了，根据棋盘上的局势，判断怎样的落子对自己更有利。

象棋中，对方走了“当头炮”之后，阿法狗是应该“把马跳”还是“支起士象”，这些都属于决策科学。

“阿法狗”缔造者DeepMind主要用到的算法是深度强化学习（Deep Reinforcement Learning）。应用了深度强化学习技术的机器人，已经可以在多个智力对抗类的游戏中战胜人类了，这方面的新闻童鞋们自行了解即可，也欢迎到群里讨论。

需要说明的是，深度强化学习只是决策科学的一部分哦！不是所有的决策只能通过深度强化学习算法来做出。

以魔方为例，可以用深度强化学习的技术来玩魔方，也可以用专门的魔方算法来玩魔方。区别在于，专门用于玩魔方的算法只能用于玩魔方，不能用来玩Flappy Bird，更不能用来打《星际争霸》，所以这样的算法叫做专用人工智能。与此相对的，是通用人工智能 Artificial General Intelligence （AGI）。

DeepMind团队致力于通过深度强化学习技术来实现通用人工智能，并且已经取得了一些非常有趣的成果，感兴趣的童鞋们可以通过以下URL访问其官方网址以进一步了解，网址是。

1.2.3  转起来：控制论

玩魔方的第三步是“转”，控制手，拿起魔方转动魔方。对于咱们人类而言，这种操作的难度显然是婴儿级别的。但是对于人工智能的机器人而言，是非常复杂的一系列问题。

在视频中大家都看到了，机器人阿法喵（虽然长的一点都不像人）通过机械臂操作魔方，旋转魔方。有兴趣了解更智能、更酷炫的机器人的童鞋，可以搜索“波士顿动力”（Boston Dynamics），也可以访问其官网进行进一步了解，网址是。

从简单的机械臂，到复杂的人形机器人跑酷，这背后涉及的是控制论与机器人学，除了传统的控制论，越来越多的研究机构在尝试使用强化学习（Reinforcement Learning）算法来解决控制问题。

1.2.4  自动驾驶与AI三大领域

简单地了解了玩魔方的三步后，同样的套路也可以用在自动驾驶领域。“看”，要让汽车自己能够看到并看懂路、车道线，看到行人、其他车辆、障碍物、路标交通信号灯；“想”，要让汽车自己能够做出决策，是加速、减速还是刹车，应该以多少的车速在什么位置转向；“转”，将决策转换成汽车部件的控制信号，同时保障车内乘客与车外环境的安全。

1.2.5  有关AI三大领域的解释说明

前面以玩魔方为例，简单介绍了人工智能相关的几个领域，这对于初学者，可能感觉不够科幻，与原本想象的人工智能相差甚远。当然这是很自然的事。

因为大众对人工智能的了解，一小部分来源于媒体（其中还包含了大量为吸引眼球的不负责任媒体），一大部分来自于影视作品。但是，从翻开本书开始，亲爱的读者们就已经不再是普通大众了，而是从专业（至少是准专业）的角度了解、学习、研究人工智能的相关领域。

玩魔方的例子旨在为初学者建立直观感受，所以既不全面，也不精准，并且也没有说明当前深度学习技术的能力范围。了解相关方面的更多信息，首选当然是“花书（经典图书DeepLearning）”。

花书64页到65页中列举了一些“非常常见的机器学习任务”。

花书104页第4段简洁、清楚地说明了深度学习技术目前可以做什么，尚不能做什么。

随着人工智能技术的发展，越来越多的领域、学科、行业正在与人工智能深度结合。限于篇幅，与人工智能、机器学习、深度学习、强化学习相关的学科、研究方向与应用场景未能详尽解释，相关专家与感兴趣的童鞋欢迎加入社群讨论交流。

数据科学、决策科学、运筹学、机器人学、自动驾驶及其他相关学科门类与人工智能的学科划分请咨询相关学科带头人，本书并无任何划分学科归属的意图。

完成本节的内容后，大家已经对人工智能（AI）、机器学习（ML）和深度学习（DL）这些术语有了进一步的了解。为了提高阅读效率，后续的章节将直接使用AI、ML和DL这些简写进行讲述。

需要说明的是，DL只是ML的一个子集，而ML则是AI的一个子集。花书第6页图1.4中相对清楚、直观地给出了这几个领域与其他领域的涵盖范围及关系。发送“维恩图”到微信众号AI精研社，可获取该示意图。

初步了解人工智能的研究目标和应用领域之后，就要讨论如何学习人工智能了。本书将分成3部分来讨论，分别是学习主张、学习资源与学习方案。

1.3  史上最轻松的入门AI完整解决方案

随着AI第三次兴起，越来越多的小伙伴都对学习ML和DL表达了强烈的兴趣。其中一大部分都是零基础或弱基础的读者，而市场上的很多学习资源并没有专门为这些人进行优化，导致很多人以极大的热情开始，却又很快中断学习。

因此，本书的作者团队、客服团队、助教团队及其他支持团队尝试通过本书及助教服务、本系列后续的其他书、配套的视频、微信公众号、论坛、社群及其他互动形式，为童鞋们提供一个最易懂的入门解决方案。

完成该方案后，可以通透掌握《统计学习方法》《机器学习》《深度学习》这3本书（详情见1.3.3节）中的主要内容，达到国内人工智能领域旗舰企业算法工程师的岗位要求，正式迈进人工智能这扇通往未来的大门。

这个方案可以帮助童鞋们在专业知识的学习上更轻松。但是想要成为一名合格的算法工程师，除了专业知识以外，还有一项重要的能力，即英语。

这里所说的英语，不是用于考试的英语能力，而是可以无须字幕也能听懂专业课程的英语能力（重点在听，入门效率最高），无障碍地阅读英文原版教材、论文的能力（重点在读，是最主要的知识获取方式），用英文撰写技术文章进行专业交流讨论的能力（重点在写，是入门后进一步提升自己的重要方式），用英语进行视频会议现场讨论、汇报演讲的能力（重点在说，基于专业技术背景的口语表达）。

关于如何培养、提高这方面的能力，已经超出了本方案的讨论范围，欢迎有兴趣的童鞋到社群中讨论。

插播结束，以下是正题。

从内容上分，本方案包含以下几个模块：

q 兴趣模块，旨在培养兴趣，呵护兴趣，主要通过公众号文章与视频的形式提供；

q 基础模块，包含入门ML和DL所需的概率统计、线性代数与Python基础；

q 入门模块，正式学习ML和DL的相关知识，从原理到代码，理论与实践并重；

q提高模块，选定某一个方向（如推荐系统、人脸识别或机器翻译），进一步深入学习；

q 职业模块，通过实习或相当于实习的多个工业级实战项目，使童鞋们获得实际工作经验，满足相关企业的岗位要求。

以下章节是每个模块的详细说明。