怎样快速学好Ai！
1.对于精通PS的设计师来说，AI有很多相似之处，学起来更加容易，如果PS不熟练，可以先买本书阅读下基本的理论知识，了解AI的界面和工具选项栏的作用。推荐电子书和纸质书。
2.大概熟悉之后，在电脑要安装AI软件，打开软件，进行最基本的操作，所谓熟能生巧，多练多看，达到很熟悉的程度。
3.学会使用快捷键，也可以自己设置快捷方式，快捷键可以帮助我们提高工作效率，还有就是掌握一些操作技巧，这些能够提高我们的速度和更加理解工具的应用。
4.简单模仿，看一些简单的素材文件，开始模仿其操作，想像一下要怎么实现操作，应用了哪些工具。
5.自己定义目标，根据创作理念，开始发挥创作性思维，用学到的知识填补画面，设计一副完整的作品。
6.最重要的还是要多看大师们的作品，领悟其精髓，化为已用，多看多思考，形成自己的设计风格。
有兴趣学习设计的朋友，建议点击【下方评论】花30秒测试下自己适不适合做设计师：↓↓↓
1、熟悉左侧工具栏的每个工具的功能
2、熟悉右侧菜单栏的功能及头部菜单栏的功能
3、掌握钢笔绘图，必须要熟练掌握
4、掌握各种效果的制作方法，例如：渐变、阴影、不透明蒙版、混合、网格
5、熟悉对齐和路径查找器的各个功能
6、熟悉排版及刀模、纸张尺寸及排版限制、注意事项等
7、熟悉各印刷工艺的色彩、尺寸、制造限制及事项
8、学习制作各类包装及印刷稿的制作流程及制作细节
9、临摹他人的作品，多看、多想、多理解、多欣赏他人作品
10、开始进入实战，找些东西自己来做；前提是要清楚自己做的东西有哪些要求。可无偿帮别人做点东西开始或者去接一些小的订单，可开淘宝等。不满意顶多退款给客户
11、做之前要先跟客户商量，要做成什么效果；如没有要求的话对新手来说是很苦恼的，会无从下手。
12、再学习illustrator的同事也要掌握photoshop，两款软件结合使用才是硬道理
13、偷师：如不知如何了解各行业印刷流程及工艺方法可加企业QQ装扮成客户，跟对方洽谈。便可得知、屡试不爽！
14、临摹和抄袭要适可而止，不要依赖；不然只能停留在底层。
最好总结一句话：人分两种，一种是教不会的，一种是不用教的！
给自己定个方向，一般从基础到娴熟操作只需要两个月时间。之后的只能看自己的天赋了！
有些东西和制作方法不要刻意去学，多半都记不住的。等需要用的时候再去看怎么做，印象会更深刻。能够事半功倍！
注：设计不易做，入行需谨慎。
建议的入门时间安排：
1）每周一、三、五，每晚花两个小时学习、看视频
2）周六、周日每天四小时左右。
3）坚持三个月以上。
4）平时学习侧重看视频、书籍；周末侧重完成课程附带的编程作业、及思考归纳。
关于思考与归纳的几个层次举例：
1）知道理解人工智能这个概念（几乎所有人）；
2）知道“机器学习”这个概念（有一部分人）；
3）清楚描述“深度学习”、“机器学习”和“神经网络”的关系（一小部分人）；
4）能够正确说明“卷积”、“池化”、“梯度下降”这些名词的正确含义与计算/实现的方法（很少一部分人）；
5）能清楚地理解损失函数和反向传播的数学表达（非常少的人）；
6）能够阐述网络参数的一个修改（比如把卷积核改小）对precision/recall会产生什么影响（极少极少的人）；
7）准确描述上述影响到底是什么原理（几乎没有人）。
一） 零基础学习入门课程：
吴恩达的机器学习课程开始： Machine Learning - Stanford University | Coursera
吴恩达的英语又慢又清晰，课程字幕的翻译又到位，课程设置与课中测验及时而又合理，重点清晰、作业方便，再加上吴恩达教授深入浅出的讲解，讲解过程中不时的鼓励和调侃，都能让你更为积极地投入到机器学习的学习之中，让你扎实而快速地掌握机器学习的必备基础知识。
这门在线课程，相当于斯坦福大学CS229的简化版，涵盖内容包括机器学习最基础的知识、概念及其实现，以及最常用的算法（例如PCA、SVM）和模型（全连接神经网络）。学习这门课程，重要的是基础的概念与实现。作为一名具备编程基础的开发人员，在这个阶段要将自身理论同实践相结合的优势发挥出来，充分利用它所提供的编程作业，尽可能多地实践，从理论和代码两个角度去理解课程中的知识点。
二） 夯实基础
回头去看一遍CS229，将传统算法整体熟悉一遍，尽可能把所有的基本概念都掌握扎实。
三） 选择主攻领域并学习
任何人不可能选择计算机视觉（CV）、自然语言处理（NLP）以及其他领域等全部领域学习。在每个领域下，都有大量的研究者在投入精力钻研，发表论文和成果。可选择一到两个方向作为主攻，跟上学术界主流的进展。 在完成了相应领域的学习后，下一步要做的就是尝试阅读最新的经典论文并试图实现。
四） 编程语言与框架
1. 入门编程语言 python
2. 框架
1） pytorch
2） tensorflow
五） 实战常用数据集
1. mnist 手写数字库
每条数据是固定的784个字节，由28x28个灰度像素组成。体积小（10M左右）、数据多（6万张训练图片）、适用范围广（NN/CNN/SVM/KNN都可以拿来跑跑）而闻名天下，其地位相当于机器学习界的Hello World。在LeCun的MNIST官方网站上（yann.lecun.com/exdb/mnist/），还贴有各种模型跑这个数据集的最好成绩，当前的最好得分是CNN的，约为99.7%。由于该数据集非常之小，所以即便是在CPU上，也可以几秒钟就跑完NN的训练，或是几分钟跑完一个简单的CNN模型。
2. CIFAR 图形库
CIFAR数据库（官网：www.cs.toronto.edu/~kriz/cifar.html）则是一个图像学习的入门选项。该数据库分为2个版本，CIFAR-10和CIFAR-100。顾名思义，CIFAR-10有10个分类，每个分类有5000张训练图片和1000张测试图片，每张图片是32x32像素的3通道位图。 之所以它比MNIST更适合作为图片处理的入门，是因为它尽管分辨率较低，但却是三通道、真实拍摄的照片。其中有些图片的背景还略微复杂，更贴近我们真实的图片处理场景。相对而言，MNIST的灰度输入和干净背景就显得过于简单，况且99.7%的准确率也确实难有提升的空间。AI学习路线图谱
