人工智能学习的总体路线图：1。数据科学中的统计学基础
你可能没有太多的时间去系统地学习。掌握数据分析和挖掘所需的统计基础，以后慢慢补课。当然，你的专业是统计学，所以没什么大问题。
2.Python核心编程
这本市面上的Python书和视频几乎一样。我建议你看我的视频，快速开始一个小项目。
3.Python
数据分析/数据挖掘
掌握numpy、pandas、Matplotlib等与数据分析相关的库，如果数据分析是发展方向，则关注pandas/Matplotlib，而关注numpy则是AI方向。
4.机器学习
重点掌握sklearn机器学习库，熟悉各种机器学习算法的优缺点和应用场合。
5.深入学习
关注CNN/RNN和常见变体，tensorflow2/keras/pytorch框架。
6.计算机视觉/自然语言处理/语音技术
计算机视觉相对成熟，而NLP是近年来学术界爆发的主要方向。
希望对您有所帮助
Keras还是TensorFlow，程序员该如何选择深度学习框架？如果您想用少量代码尽快构建和测试神经网络，keras是最快的，而且顺序API和模型非常强大。而且keras的设计非常人性化。以数据输入和输出为例，与keras的简单操作相比，tensorflow编译码的构造过程非常复杂（尤其对于初学者来说，大量的记忆过程非常痛苦）。此外，keras将模块化作为设计原则之一，用户可以根据自己的需求进行组合。如果你只是想快速建立通用模型来实现你的想法，keras可以是第一选择。
但是，包装后，keras将变得非常不灵活，其速度相对较慢。如果高度包装，上述缺点将更加明显。除了一些对速度要求较低的工业应用外，由于tensorflow的速度较高，因此会选择tensorflow
如果您在验证您的想法时，想定义损失函数而不是使用现有的设置，与keras相比，tensorflow提供了更大的个性空间。此外，对神经网络的控制程度将在很大程度上决定对网络的理解和优化，而keras提供的权限很少。相反，tensorflow提供了更多的控制权，比如是否训练其中一个变量、操作梯度（以获得训练进度）等等。
尽管它们都提供了深度学习模型通常需要的功能，但如果用户仍然追求一些高阶功能选择，例如研究特殊类型的模型，则需要tensorflow。例如，如果您想加快计算速度，可以使用tensorflow的thread函数来实现与多个线程的相同会话。此外，它还提供了调试器功能，有助于推断错误和加快操作速度。
有人说，人工智能将来可替代程序员写代码，你怎么看？感谢您的邀请
！有人说人工智能在未来可以取代编程。你怎么认为？
很好
！随着科学技术的发展，
这是绝对可能的，
然而，
多么发达，
有些程序仍然离不开人类的操作，
程序猿，
有些程序必须由人类来完成，
毫无疑问，
无论智能多么发达，
有些人的操作，
永远不能被取代，
这是真的，
有些事情，
人工智能无法随时完成，
人不会被智能取代和平息，
总有一些程序供人操作！
