python用于人工智能的方法：1、掌握基础Python程序语言知识；2、了解基础数学及统计学和机器学习基础知识；3、使用Python科学计算函式库和套件；4、使用【scikit-learn】学习Python机器学习应用。
【相关学习推荐：python教程】
为什么选择Python？
在数据科学和机器学习领域最重要的两大程序语言就是Python 和R，Python 简洁易学、应用范围广（不限于数据分析）且学习曲线平缓，适合作为第一个入门的程序语言，透过pandas、SciPy/NumPy、sckikit-learn、matplotlib和statsmodels 可以进行数据分析的工作，适合工程任务和需要和网络应用程序整合的项目。至于R 由于是统计学家开发的程序语言，则是擅长于统计分析、图表绘制，常用于学术研究领域，建议也要有一定程度的掌握。一般情况下Python 和R 并非互斥，而是互补，许多数据工程师、科学家往往是在Python 和R 两个语言中转换，小量模型验证、统计分析和图表绘制使用R，当要撰写算法和数据库、网络服务互动等情况时在移转到Python。为了降低学习成本。
立即学习“Python免费学习笔记（深入）”；
此外Python本身是一种通用语言，除了数据科学外也可以广泛使用在 网络开发、网站建置、游戏开发、网络爬虫等领域，当你需要整合系统产品服务时，可以担任一站式的开发语言，更重要的是 Python 也可以当成 胶水语言非常轻易和 C/C++ 等效能较佳的语言整合。简而言之，Python是一种简洁易学但功能强大，值得投资的程序语言，所以我们这边先使用Python 进行介绍。
若对于Python和R 比较，这边有两篇文章可以参考数据科学界华山论剑：R与Python巅峰对决、Which is better for data analysis:R or Python?。
如何开始入门机器学习？
事实上，数据科学是个跨领域学门，在学习如何使用Python 进行机器学习过程中通常必须掌握以下知识：
机器学习算法
Python 程序语言和资料分析函式库
线性代数 / 统计学等相关学门
专业领域的领域知识（ Domain Knowledge ）
为了掌握以上三大领域知识（我们先把焦点放在机器学习核心技法，暂时忽略数据科学中对于领域知识的掌握），具体来说我们可以有以下步骤可以参考：
1. 掌握基础Python 程序语言知识
在线学习资源：
o Codecademy
o DataCamp（也可以学R）
o Learn X in Y Minutes(X = Python)
o Learn Python theHard Way
2. 了解基础数学/统计学和机器学习基础知识
o 可汗学院线性代数
o Introto Deive Statistics
o Introto Inferential Statistics
o Andrew Ng 机器学习课程
o Andrew Ng 机器学习笔记
o CarnegieMellon University Machine Learning
o MachineLearning Foundations (机器学习基石)
3. 知道如何使用Python 科学计算函式库和套件
推荐安装Anaconda，支持跨平台多种版本Python，默认将数据分析、科学计算的套件装好，自带spyder 编辑器、JupyterNotebook（IPythonNotebook），可以提供一个网页版接口，让用户可以透过浏览器进行Julia、Python或R 程序的开发与维护。
o numpy：科学分析，ScipyLecture Notes 教学文件
o pandas：资料分析
o matplotlib：会制图瞟
o scikit-learn：机器学习工具
4. 使用scikit-learn 学习Python 机器学习应用
o MachineLearning: Python 机器学习：使用Python
5. 运用Python 实作机器学习算法
o 感知器
o 判定树
o 线性回归
o k-means分群
6. 实作进阶机器学习算法
o SVM
o KNN
o RandomForests
o 降低维度
o 验证模型
7. 了解深度学习（DeepLearning）在Python 的实作和应用
o NTU Applied DeepLearning
o Stanford DeepLearning
o 深度学习(Deep Learning)自学素材推荐
o 深度学习Deep Learning：中文学习资源整理
想了解更多相关学习，敬请关注php培训栏目！
