2019想转行人工智能？朋友你的机会来了！把握住
最近有个脑筋急转弯，很有意思。
问：移动支付时代，口香糖的销量为什么急速下滑？
答案：从前购物用现金支付，大家结账时为了凑整，总爱顺手拿只口香糖。口香糖价格便宜，也挺实用，所以常常摆在收银台上。
如今，移动支付横扫大城小镇。手机一扫，能精确到分分角角，没人再顺手拿口香糖了。
像是方便面产业想不到最后是被外卖行业摆了一道。
又像是那个用石头填水的乌鸦，可能也没有想到，最后干掉自己的竟是一只衔着吸管的乌鸦。
索尼被诺基亚干掉了；
口香糖的对手是移动支付；
大润发被阿里巴巴收购；
美团喊出“灭饿除滴”的口号（“饿了么”、“滴滴”）。
愈是接近未来，敌人愈是无孔不入、愈是无处不在。
“铁饭碗”工作不复存在，最大的保障别无其他，只是身怀一技。
如今，有了巨量信息与云计算的加持，AI正以前所未有的速度成长着，推动每一个行业的变革。
因此近乎所有的事物都正在坍塌中重构。
对于“穿鞋的人”来说，重构意味着危机。
对于“光脚的人”来说，重构意味着机会。
但无论是光脚还是穿鞋，我们都是要么守着旧业，被淹死在浪潮里。
要么保持敏感的警觉性，站在潮流中。
有人说2017年是AI的元年，有人说2018年是AI的元年。
而2019年，伴随着5G时代的来临，有人说AI的元年或会于今年正式开启。
正在读着这句话的你，认为何时人类会真正迎来AI的元年呢？
或许，我们都不知道一个准确的答案，但可以确定的是——我们每个人比以往任何的历史时刻中，都更接近人工智能。
根据美国市场情报公司Tractica公布的一些数据，我们可以推断，在接下来的至少10年中，AI都将依然持续成为一大热门领域。
据美国市场情报公司Tractica预测的数据，相较2018年，至2025年，AI市场总值会增长近15倍
近两年的概念炒作期，使得AI人工智能这个概念到了近乎无一人不晓的地步。
可能众人对AI的火爆已经当做了一种常态，以至于很多人在听到AI与自己本职工作的对抗与协作时，内心也都激不起任何波澜。
但新时代的更迭，却不会被个体内心消极的感受所阻碍。
- 2015年07月04日国务院发布《国务院关于积极推进“互联网+”行动的指导意见》
- 2016年11月29日国务院发布《“十三五”国家战略性新兴产业发展规划》中关于人工智能的部分。
- 2017年7月20日，国务院发布《新一代人工智能发展规划》，正式开启国内人工智能的新篇章。相关政策进入全面爆发期。人工智能人才需求也达到井喷期，真正供不应求。
而刚过去的2018年的11月底，在深圳召开的第二十届中国国际高新技术成果交易会人才与智力交流会上，相关记者又了解到：
- 0年经验AI工程师年薪30万起，算法工程师等年薪40万+。
- 普遍从业者年薪30万起的情况下，AI应届生的薪水较之往年，上涨了10%~20%以上或者更多；
- 博士生的薪水则从2017年的 50 万元直接猛涨到 80 万元；
- 一些准备布局 AI 领域的新锐企业，则更是做好了高价从互联网巨头处抢夺人才的准备。
可想而知，在国家项目、互联网、金融等100多种热门行业中，新兴产业人才需求之旺盛，已然成为每个人打破阶层，进军大公司及国企的好机会。
（我国人工智能产业规模及年增长率）
（我国人工智能企业投融资金额总量）
和菜头说：“顺着大浪游泳，怎么都能游得更快一点”。
如何学习？别急，资料柠檬已经给你准备好了！下面柠檬给大家简单看一下目录。
第一部分 基础篇
第1章 初识机器学习
1.1 引言
1.2 基本术语
1.3 假设空间
1.4 归纳偏好
1.5 发展历程
1.6 应用现状
第2章 模型评估与选择
2.1 经验误差与过拟合
2.2 评估方法
2.2.1 留出法
2.2.2 交叉验证法
2.2.3 自助法
2.2.4 调参与最终模型
2.3 性能度量
2.3.1 错误率与精度
2.3.2 查准率、查全率与F1
2.3.3 ROC与AUC
2.3.4 代价敏感错误率与代价曲线
2.4 比较检验
2.4.1 假设检验
2.4.2 交叉验证t检验
2.4.3 McNemar检验
2.4.4 Friedman检验与后续检验
2.5 偏差与方差
第3章 线性模型
3.1 基本形式
3.2 线性回归
3.3 对数几率回归
3.4 线性判别分析
3.5 多分类学习
3.6 类别不平衡问题
第4章 决策树
4.1 基本流程
4.2 划分选择
4.2.1 信息增益
4.2.2 增益率
4.2.3 基尼指数
4.3 剪枝处理
4.3.1 预剪枝
4.3.2 后剪枝
4.4 连续与缺失值
4.4.1 连续值处理
4.4.2 缺失值处理
4.5 多变量决策树
第5章 神经网络
5.1 神经元模型
5.2 感知机与多层网络
5.3 误差逆传播算法
5.4 全局最小与局部极小
5.5 其他常见神经网络
5.5.1 RBF网络
5.5.2 ART网络
5.5.3 SOM网络
5.5.4 级联相关网络
5.5.5 Elman网络
5.5.6 Boltzmann机
第6章 支持向量机
6.1 间隔与支持向量
6.2 对偶问题
6.3 核函数
6.4 软间隔与正则化
6.5 支持向量回归
6.6 核方法
第7章 深度学习
7.1 卷积神经网络CNN基本原理
7.2 开源深度学习框架与常见卷积网络模型
7.3 循环神经网络RNN
7.4 生成模型与对抗生成网络
7.5 Keras基础（一）
7.6 Keras基础（二）
7.7 Keras基础（三）
7.8 Keras基础（四）
7.9 Keras基础（五）
7.10 Keras基础（六）
7.11 Keras（七） - 图像识别例子分析
7.12 Keras（八） - 时序模型例子分析
7.13 Keras（九） - 自然语言处理例子分析
7.14 Keras（十） - 对抗网络与生成模型例子分析
7.15 Tensorflow，TFSlim，Tensorlayer基础（一）
7.16 Tensorflow，TFSlim，Tensorlayer基础（二）
7.17 Tensorflow，TFSlim，Tensorlayer基础（三）
7.18 Tensorflow，TFSlim，Tensorlayer基础（四）
7.19 Tensorflow，TFSlim，Tensorlayer基础（五）
7.20 Tensorflow，TFSlim，Tensorlayer（六） - 图像识别例子分析
7.21 Tensorflow，TFSlim，Tensorlayer（六） - 时序模型例子分析
7.22 Tensorflow，TFSlim，Tensorlayer（六） - 自然语言处理例子分析
7.23 Tensorflow，TFSlim，Tensorlayer（六） - 图像分割例子分析
7.24 Tensorflow，TFSlim，Tensorlayer（六） - 对象检测例子分析
第8章 贝叶斯分类器
8.1 贝叶斯决策论
8.2 极大似然估计
8.3 朴素贝叶斯分类器
8.4 半朴素贝叶斯分类器
8.5 贝叶斯网
8.5.1 结构
8.5.2 学习
8.5.3 推断
8.6 EM算法
第9章 集成学习
9.1 个体与集成
9.2 Boosting
9.3 Bagging与随机森林
9.3.1 Bagging
9.3.2 随机森林
9.4 结合策略
9.4.1 平均法
9.4.2 投票法
9.4.3 学习法
9.5 多样性
9.5.1 误差--分歧分解
9.5.2 多样性度量
9.5.3 多样性增强
第10章 聚类
10.1 聚类任务
10.2 性能度量
10.3 距离计算
10.4 原型聚类
10.4.1 k均值算法
10.4.2 学习向量量化
10.4.3 高斯混合聚类
10.5 密度聚类
10.6 层次聚类
第11章 降维与度量学习
11.1 k近邻学习
11.2 低维嵌入
11.3 主成分分析
11.4 核化线性降维
11.5 流形学习
11.5.1 等度量映射
11.5.2 局部线性嵌入
11.6 度量学习