人工智慧學習太艱苦？試試Google的這項產品！
人工智慧學習之路固然艱苦，然而學習難度大，曲線陡的機器學習，對大多數入門者也有一個比較通用的學習路徑，也有一些優秀的入門資料可以降低大家的學習門檻，同時激發我們的學習樂趣。
簡單說來，大概的一個學習路徑如下
1、數學基礎
機器學習之所以相對於其他開發工作，更有門檻的根本原因就是數學。每一個演算法，要在訓練集上最大程度擬合同時又保證泛化能力，需要不斷分析結果和數據，調優參數，這需要我們對數據分佈和模型底層的數學原理有一定的理解。所幸的是如果只是想合理應用機器學習，而不是做相關方向高精尖的research，需要的數學知識溫習一下還是基本能理解下來的，基本所有常見機器學習演算法需要的數學基礎，都集中在微積分、線性代數和概率與統計當中。
2、機器學習典型方法
絕大多數問題用典型機器學習的演算法都能解決，粗略地列舉一下這些方法如下：
處理分類問題的常用演算法包括：邏輯回歸(工業界最常用)，支持向量機，隨機森林，樸素貝葉斯(NLP中常用)，深度神經網路(視頻、圖片、語音等多媒體數據中使用)。
處理回歸問題的常用演算法包括：線性回歸，普通最小二乘回歸（Ordinary Least Squares Regression），逐步回歸（Stepwise Regression），多元自適應回歸樣條（Multivariate Adaptive Regression Splines）
處理聚類問題的常用演算法包括：K均值（K-means），基於密度聚類，LDA等等。
降維的常用演算法包括：主成分分析（PCA）,奇異值分解（SVD） 等。
推薦系統的常用演算法：協同過濾演算法
模型融合(model ensemble)和提升(boosting)的演算法包括：bagging，adaboost，GBDT，GBRT
其他很重要的演算法包括：EM演算法等等。
3.編程語言、工具和環境
看了無數的理論與知識，總歸要落到實際動手實現和解決問題上。而沒有工具所有的材料和框架、邏輯、思路都給你，也寸步難行。因此我們還是得需要合適的編程語言、工具和環境幫助自己在數據集上應用機器學習演算法，或者實現自己的想法。對初學者而言，Python和R語言是很好的入門語言，很容易上手，同時又活躍的社區支持，豐富的工具包幫助我們完成想法。Google的TensorFlow機器學習訓練系統以及最新發佈的vision kit 人工智慧圖像識別套件和voice kit人工智慧語音識別套件更是大大降低了人工智慧學習實踐的門檻。
TensorFlow簡介
TensorFlow是Google的開源深度學習庫，在圖形分類、音頻處理、推薦系統和自然語言處理等場景下都有豐富的應用，使用這一框架，可以用來構建和測試深度神經網路。毫不誇張得說，TensorFlow的流行讓深度學習門檻變得越來越低，只要你有Python和機器學習基礎，入門和使用神經網路模型變得非常簡單。
深度學習讓我們能夠以極高的準確性構建複雜的應用程式。圖像、視頻、文本、音頻等領域的問題，都可以通過深度學習解決。TensorFlow可以用於實現前述所有應用。
TensorFlow很快成為GitHub上用戶最多的深度學習框架。這個庫之所以如此流行，是因為開發人員可以輕鬆的用其來搭建、測試和部署機器學習應用。
Voice Kit 簡介
Google的AIY Voice Kit 套件可借助 Google Assistant SDK 和 Cloud Speech API，將樹莓派 3 轉換為語音數字助理。用戶可在此基礎上創建虛擬語音助手、為自己的專案添加語音交互功能。比如用戶可以打造類似於於Google home，Apple HomePod、Amazon Alexa ，小度同學，小愛同學等的智能語音助手。
Google 還提供了一些 Voice Kit 的使用場景，控制開關等等。通過 Google 提供的技術文檔和演示，很多用戶都能親手構建出屬於自己的AI語音助手。
Vision Kit 簡介
開發套件內置3種基於 TensorFlow 的類神經網路模型應用程式：
第 1 種程式以 MobileNets 為基礎，能夠辨識數千種常見的物品；
第 2 種則是用於進行人臉辨識並分析他們的表情，
第 3 種程式可以用來區分人，貓，狗。
Vision Kit 套件的功能相當豐富，使用者也能自行開發各種功能，同樣也可以將自己訓練的模型結合套件製作產品原型，例如可以用來分辨多種動物與植物的品種，記錄寵物的行動，記錄車輛，訪客的進出，或是在有外人進入房間時發出警報等等。在家做完人工智能相機，出門就可以跟朋友“曬命”了~~
除了在 AIY Projects 網站可以下載視覺套件的預訓練模型，Google 也在近日推出了基於 TensorFlow 框架的 TensorFlow.js，有了這項工具，即使沒有機器視覺方面的博士學位，也可以做到許多事情；像是在流覽器中訓練自己的寵物臉辨識系統，並在自家的監視系統中使用。
簡單說來，大概的一個學習路徑如下
1、數學基礎
機器學習之所以相對於其他開發工作，更有門檻的根本原因就是數學。每一個演算法，要在訓練集上最大程度擬合同時又保證泛化能力，需要不斷分析結果和數據，調優參數，這需要我們對數據分佈和模型底層的數學原理有一定的理解。所幸的是如果只是想合理應用機器學習，而不是做相關方向高精尖的research，需要的數學知識溫習一下還是基本能理解下來的，基本所有常見機器學習演算法需要的數學基礎，都集中在微積分、線性代數和概率與統計當中。
2、機器學習典型方法
絕大多數問題用典型機器學習的演算法都能解決，粗略地列舉一下這些方法如下：
處理分類問題的常用演算法包括：邏輯回歸(工業界最常用)，支持向量機，隨機森林，樸素貝葉斯(NLP中常用)，深度神經網路(視頻、圖片、語音等多媒體數據中使用)。
處理回歸問題的常用演算法包括：線性回歸，普通最小二乘回歸（Ordinary Least Squares Regression），逐步回歸（Stepwise Regression），多元自適應回歸樣條（Multivariate Adaptive Regression Splines）
處理聚類問題的常用演算法包括：K均值（K-means），基於密度聚類，LDA等等。
降維的常用演算法包括：主成分分析（PCA）,奇異值分解（SVD） 等。
推薦系統的常用演算法：協同過濾演算法
模型融合(model ensemble)和提升(boosting)的演算法包括：bagging，adaboost，GBDT，GBRT
其他很重要的演算法包括：EM演算法等等。
3.編程語言、工具和環境
看了無數的理論與知識，總歸要落到實際動手實現和解決問題上。而沒有工具所有的材料和框架、邏輯、思路都給你，也寸步難行。因此我們還是得需要合適的編程語言、工具和環境幫助自己在數據集上應用機器學習演算法，或者實現自己的想法。對初學者而言，Python和R語言是很好的入門語言，很容易上手，同時又活躍的社區支持，豐富的工具包幫助我們完成想法。Google的TensorFlow機器學習訓練系統以及最新發佈的vision kit 人工智慧圖像識別套件和voice kit人工智慧語音識別套件更是大大降低了人工智慧學習實踐的門檻。
TensorFlow簡介
TensorFlow是Google的開源深度學習庫，在圖形分類、音頻處理、推薦系統和自然語言處理等場景下都有豐富的應用，使用這一框架，可以用來構建和測試深度神經網路。毫不誇張得說，TensorFlow的流行讓深度學習門檻變得越來越低，只要你有Python和機器學習基礎，入門和使用神經網路模型變得非常簡單。
深度學習讓我們能夠以極高的準確性構建複雜的應用程式。圖像、視頻、文本、音頻等領域的問題，都可以通過深度學習解決。TensorFlow可以用於實現前述所有應用。
TensorFlow很快成為GitHub上用戶最多的深度學習框架。這個庫之所以如此流行，是因為開發人員可以輕鬆的用其來搭建、測試和部署機器學習應用。
Voice Kit 簡介
Google的AIY Voice Kit 套件可借助 Google Assistant SDK 和 Cloud Speech API，將樹莓派 3 轉換為語音數字助理。用戶可在此基礎上創建虛擬語音助手、為自己的專案添加語音交互功能。比如用戶可以打造類似於於Google home，Apple HomePod、Amazon Alexa ，小度同學，小愛同學等的智能語音助手。
Google 還提供了一些 Voice Kit 的使用場景，控制開關等等。通過 Google 提供的技術文檔和演示，很多用戶都能親手構建出屬於自己的AI語音助手。
Vision Kit 簡介
開發套件內置3種基於 TensorFlow 的類神經網路模型應用程式：
第 1 種程式以 MobileNets 為基礎，能夠辨識數千種常見的物品；
第 2 種則是用於進行人臉辨識並分析他們的表情，
第 3 種程式可以用來區分人，貓，狗。
Vision Kit 套件的功能相當豐富，使用者也能自行開發各種功能，同樣也可以將自己訓練的模型結合套件製作產品原型，例如可以用來分辨多種動物與植物的品種，記錄寵物的行動，記錄車輛，訪客的進出，或是在有外人進入房間時發出警報等等。在家做完人工智能相機，出門就可以跟朋友“曬命”了~~
除了在 AIY Projects 網站可以下載視覺套件的預訓練模型，Google 也在近日推出了基於 TensorFlow 框架的 TensorFlow.js，有了這項工具，即使沒有機器視覺方面的博士學位，也可以做到許多事情；像是在流覽器中訓練自己的寵物臉辨識系統，並在自家的監視系統中使用。