基于上一篇的 前端AI入门之路（一） 整理的一些入门学习的资料，这期主要聊一下我这个零基础学习过程中的总结。
一、基本知识
既然看第二篇文章了，那默认应该是读完了《Python神经网络编程》这本书,毕竟这本书基本上没有很复杂的内容。最后结尾也只有一个简单的 MLP 识别 0-10 的数字。如果没有敲出来，建议找GPT 要个demo玩一下。
二、值得玩一下的demo
看完了视频，自己再找文章详细学习一下原理，然后再运行一下的例子：
- 逻辑回归 LogisticRegression
- 线性回归 LinearRegression
- KNN（K-Nearest Neighbors）算法
- KMeans算法
- Mean-shift算法
- PCA（主成分分析）进行数据降维
- sklearn 保存模型，加载训练好的模型
- keras 基于 MNIST 数据集 的 mlp 图片数字识别
- CNN 算法
- RNN 算法
- LSTM 算法，以及 文本分词（Tokenizer）
- 基于VGG16的猫狗识别，保存模型，二次加载训练
以上demo先学习理论，大概知道怎么回事，再找GPT给demo，自己验证效果。
三、是否应该先学习数学和python？
个人感觉学习AI主要是学习理论知识，知晓其中的道理。没必要去纠结具体的python代码，毕竟都是写了好几年代码的人了，基本编程思想存在即可。不必在意语法细节。所以即便不会python，影响也不大。 学习AI数学当然是很重要的，但是如果停下来，先把数学知识补齐不太可能，大概率也是中途就放弃了。不如先学习AI，遇见了数学问题再说。初学者其实明白结论就行。
接下来的计划
- 还是会去粗略了解一下 numpy ，毕竟这个用的太频繁了，只需要看一下常用核心API即可，看多了也记不住。
- 继续啃 《理解深度学习》 ，这本书的难度确实要高不少，不过无所谓，看不明白的数学公式推导，直接跳过看后面结论就行。这本书非常值得读，里面的函数可以用 desmos 来模拟，可以很直观的看到效果。
- 学习 OpenCV
