如果您想学习 AI，可以按照以下步骤进行：
了解 AI 基本概念： 阅读「从这里启程」部分，熟悉 AI 的术语和基础概念，包括其主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 开始 AI 学习之旅： 在「入门：AI 学习路径」中，您可以找到一系列为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 选择感兴趣的模块深入学习：AI 领域广泛（比如图像、音乐、视频等），您可以根据自己的兴趣选择特定的模块进行深入学习。 学习相关知识： 对于不会代码的情况，20 分钟上手 Python + AI 也是可行的。之后如果希望继续精进，可以学习属性和方法，了解如何为类定义属性和方法，以及如何通过对象来调用它们。 学习继承和多态，了解类之间的继承关系以及如何实现多态。 掌握异常处理，包括理解异常是什么以及它们在 Python 中如何工作，学习如何使用 try 和 except 语句来处理程序中可能发生的错误。 熟悉文件操作，如文件读写，学习如何打开文件、读取文件内容以及写入文件，理解如何使用 Python 来处理文件路径，以及如何列举目录下的文件。 了解 AI 背景知识，包括基础理论（人工智能、机器学习、深度学习的定义及其之间的关系）、历史发展（简要回顾 AI 的发展历程和重要里程碑）。 掌握数学基础，如统计学基础（熟悉均值、中位数、方差等统计概念）、线性代数（了解向量、矩阵等线性代数基本概念）、概率论（基础的概率论知识，如条件概率、贝叶斯定理）。 熟悉算法和模型，包括监督学习（了解常用算法，如线性回归、决策树、支持向量机（SVM））、无监督学习（熟悉聚类、降维等算法）、强化学习（简介强化学习的基本概念）。 学会评估和调优，包括性能评估（了解如何评估模型性能，包括交叉验证、精确度、召回率等）、模型调优（学习如何使用网格搜索等技术优化模型参数）、神经网络基础。