1. 机器学习

首先，你需要学习机器学习的基本算法，这是人工智能的核心部分。建议使用Python中的scikit-learn库来实践一些小项目，以便更好地理解和应用这些算法。虽然没有必要深入了解所有算法的推导过程，但理解算法的关键点并将其应用于实际问题是非常重要的。

掌握一种编程工具，例如PyCharm或Jupyter Notebook，这并不难，大约只需要半小时。对于初学者来说，推荐以北京尚学堂的视频课程作为主要学习材料，因为这些课程涵盖了算法的理解、推导和应用，非常适合初学者。通过这些视频，你可以逐步深入算法的细节，并将其应用于实际项目中。

机器学习算法包括：监督学习中的多元线性回归、Lasso回归、岭回归；分类算法中的逻辑回归、支持向量机、决策树、随机森林、GBDT、Adaboost、XGBoost；无监督学习中的K均值聚类、密度聚类、谱聚类；降维算法中的PCA降维、FM因式分解、SVD奇异值分解；推荐算法中的协同过滤、ALS交替最小二乘；以及多层感知机和神经网络。此外，还包括关联分析算法如Apriori和FP-Growth，以及朴素贝叶斯、贝叶斯网络、隐马尔可夫模型和条件随机场。

对于初次接触人工智能的同学，建议先学习预科阶段的内容，以便对整个行业的技术体系、就业方向和发展前景有一个全面的认识。

2. 深度学习

深度学习是当前非常热门的一个领域，它是机器学习中神经网络的延伸，旨在进一步模拟人类的思维过程。深度学习工程师是许多公司争相招聘的重要人才。

学习深度学习可以从Google开源的TensorFlow框架开始，学习如何构建和应用深度神经网络（DNN）。随后，可以继续学习如何构建和应用卷积神经网络（CNN）和循环神经网络（RNN）。

建议在学习过程中尝试使用构建的DNN来解决分类和回归问题，对比其效果，以体验深度学习的魅力。还可以利用CNN进行图像识别，使用RNN进行自然语言处理任务。虽然CNN和RNN的应用不仅限于这些领域，但目前来看，它们在这两个领域表现出色。

除了TensorFlow，Keras也是一个非常优秀的深度学习框架，代码量更少，更适合实验。如果对TensorFlow感到有些复杂，可以尝试学习Keras。

3. Python数据分析模块

Python是当前数据科学领域的首选语言。熟练掌握NumPy、SciPy、Pandas和Matplotlib等数据分析模块不仅是数据分析师的必备技能，也是人工智能工程师必须具备的能力。如果你觉得自己对Python还不够熟悉，可以从学习这些基础模块开始，逐步提高自己的技能。

由于scikit-learn库是基于NumPy、SciPy和Matplotlib开发的，因此掌握这些基础库将有助于理解他人封装的算法源代码，甚至在未来自己开发算法。

在学习这些数据分析模块的同时，可以补充Python的基础语法，无需深入研究其他如Web开发或爬虫等领域。

4. Spark MLlib机器学习库

对于算法工程师来说，掌握Spark MLlib是一个加分项。Spark MLlib是Spark计算框架中的一个机器学习库。建议使用Python语言通过pyspark来学习。掌握了前面的机器学习部分之后，学习Spark MLlib将变得相对容易。

建议在学习过程中抓住重点，不要陷入集群搭建的细节中。Spark计算框架只是一个工具，可以帮助你更好地进行数据预处理和算法应用。在实际工作中，通常会有专门的运维人员负责集群管理，而数据预处理也会由专门的工程师完成。

5. 实践项目

学习了这么多理论知识后，需要通过实际项目来整合和应用这些知识。例如，可以尝试医疗图像识别、人脸识别、自动聊天机器人、推荐系统和用户画像等项目。这些项目不仅可以让你将理论知识应用到实践中，还能帮助你积累宝贵的工作经验。

6. 数学

数学是很多人担心的问题，但实际上，数学并不是成为算法工程师的唯一障碍。在学习机器学习时，数学更多是用来理解算法推导的思路。不需要详细地推导每一步，重要的是理解算法的核心思想。

建议在学习过程中适当补充一些数学知识，但不需要花费过多时间。实际上，在工作中，很少有人整天埋头于数学公式的推导。因此，无论你大学时期的数学基础如何，都不应成为阻碍你成为优秀算法工程师的因素。

最后

整理了关于人工智能的学习方法和视频教程，希望对有兴趣或正在从事相关工作的朋友们有所帮助。

1. 人工智能入门

2. 线性回归深入及代码实现

3. 梯度下降与过拟合及归一化

4. 逻辑回归详解及应用

5. 分类器项目案例与神经网络算法

6. 多分类

7. 分类评估与聚类

8. 密度聚类与谱聚类

9. 深度学习：TensorFlow安装与线性回归实现

10. TensorFlow深入：TensorBoard可视化

11. DNN深度神经网络手写数字识别

12. TensorBoard可视化

13. 卷积神经网络：CNN图像识别

14. 卷积神经网络深入：AlexNet模型实现

15. Keras深度学习框架

以上资料已经整理完毕，需要的朋友可以分享+关注并私信“材料”，即可免费获取。