大家都在问
adobe illustrator CS3,硬件要求低，容易接受。 饿~两个都一样，看你自己比较感兴趣和自己认为比较容易看得懂的，先去练习就好，不过个人推荐你还是开始学AI的好，虽然CDR上手很容易，但是要精通那可真的是要花很大功夫的，而AI上手和精通方面相对来说过度的时间会比CDR要快很多，首先的就是至少AI得颜色设置什么的不用和CDR里还要注意这个注意那个的颜色设置。AI和PS的设置基本都是一致的。另外在操作方法上都有很多共同点，所以，专业一点的说，初学还是AI好，这也是未来发展的趋势。 至于CDR，虽然很多人也在用，但是功能相对还是有限的，要联合PS一起来做文件的话是一个很麻烦的过程。而AI就不一样了，毕竟是自家adobe的产品。CDR主要用来做标志设计和做VI手册多一些，做标志的速度可以比AI快1.5--2倍的速度。
新入学研究生想学大数据与人工智能方向，学习路线是怎么样的
作为一名研究生导师，同时大数据和机器学习也是我的主要研究方向，所以我来回答一下这个问题。首先，大数据虽然与人工智能有紧密的联系，但是大数据方向与人工智能方向有较为明显的区别。大数据方向往往致力于数据价值化，涉及到数据采集、数据整理、数据分析（挖掘）、数据呈现等内容，另外还涉及到大数据平台研发和大数据应用研发。人工智能研究的细分方向包括机器学习、计算机视觉、自然语言处理、知识表示、自动推理和机器人学，另外人工智能按照行业领域划分还可以选择智慧医疗、智慧出行、智慧城市、智慧金融、智能装备、智慧教育等方向。从技术体系结构上来看，人工智能与物联网、云计算、大数据、边缘计算也都有比较紧密的联系。对于刚入学的研究生来说，从大数据开始学习然后再进入人工智能领域也是可以的，比如从大数据分析转向机器学习就是比较常见的选择。从大数据分析转向机器学习可以按照以下学习路线展开学习步骤：第一：系统学习一下算法知识。通常大数据方向的研究生在研二的时候会进驻项目组，具体的研发内容要根据导师的安排来进行，而在研一期间一定要做好基础知识的深入学习，其中算法知识就是比较重要的内容。无论是从事大数据还是人工智能，算法知识都是重要的基础。第二：学习一下大数据平台知识。学习大数据平台知识能够锻炼自身的动手实践能力，同时也能够积累一定的开发经验。大数据平台可以从Hadoop开始学起，然后系统的学习一下编程语言，可以选择Java或者Python，目前可以重点关注一下Python。第三：采用机器学习的完成数据分析。机器学习是目前进行数据分析的两种主要之一，通过采用机器学习的实现数据分析包括数据整理、算法设计、算法实现、算法训练和算法应用几个步骤。实验可以从比较常见的算法开始，比如kNN、决策树、支持向量机、朴素贝叶斯等等。我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。如果有互联网、大数据、人工智能等方面的问题，或者是考研方面的问题，都可以在评论区留言！
初学者应该如何从零开始学习人工智能
此文是想要进入人工智能这个领域、但不知道从哪里开始的初学者最佳的学习资源列表。机器学习有关机器学习领域的最佳介绍，请观看 Coursera 的 Andrew Ng 机器学习课程。 它解释了基本概念，并让你很好地理解最重要的算法。有关ML算法的简要概述，查看这个 TutsPlus 课程“Machine Learning Distilled”。“Programming Collective Intelligence”这本书是一个很好的资源，可以学习 ML 算法在 Python 中的实际实现。 它需要你通过许多实践项目，涵盖所有必要的基础。这些不错的资源你可能也感兴趣:Perer Norvig 的 Udacity Course on ML（ML Udacity 课程）Tom Mitchell 在卡梅隆大学教授的 Another course on ML（另一门ML课程）YouTube上 的机器学习教程 mathematicalmonk深度学习关于深度学习的最佳介绍，我遇到最好的是 Deep Learning With Python。它不会深入到困难的数学，也没有一个超长列表的先决条件，而是描述了一个简单的方法开始DL，解释如何快速开始构建并学习实践上的一切。它解释了最先进的工具（Keras，TensorFlow），并带你通过几个实际项目，解释如何在所有最好的DL应用程序中实现最先进的结果。在Google上也有一个great introductory DL course，还有Sephen Welch的great explanation of neural networks。之后，为了更深入地了解，这里还有一些有趣的资源：Geoffrey Hinton 的coursera 课程“Neural Networks for Machine Learning”。这门课程会带你了解 ANN 的经典问题——MNIST 字符识别的过程，并将深入解释一切。MIT Deep Learning（深度学习）一书。UFLDL tutorial by Stanford （斯坦福的 UFLDL 教程）deeplearning.net教程 Michael Nielsen 的 Neural Networks and Deep Learning（神经网络和深度学习）一书Simon O. Haykin 的Neural Networks and Learning Machines （神经网络和机器学习）一书人工智能“Artificial Intelligence: A Modern Approach (AIMA)” （人工智能：现代方法） 是关于“守旧派” AI最好的一本书籍。这本书总体概述了人工智能领域，并解释了你需要了解的所有基本概念。来自加州大学伯克利分校的 Artificial Intelligence course（人工智能课程）是一系列优秀的视频讲座，通过一种非常有趣的实践项目（训练AI玩Pacman游戏 ）来解释基本知识。我推荐在视频的同时可以一起阅读AIMA，因为它是基于这本书，并从不同的角度解释了很多类似的概念，使他们更容易理解。它的讲解相对较深，对初学者来说是非常不错的资源。大脑如何工作如果你对人工智能感兴趣，你可能很想知道人的大脑是怎么工作的，下面的几本书会通过直观有趣的来解释最好的现代理论。Jeff Hawkins 的 On Intelligence（有声读物）Gödel, Escher, Bach我建议通过这两本书入门，它们能很好地向你解释大脑工作的一般理论。其他资源：Ray Kurzweil的 How to Create a Mind （如何创建一个头脑Ray Kurzweil） (有声读物)。Principles of Neural Science （神经科学原理）是我能找到的最好的书，深入NS。 它谈论的是核心科学，神经解剖等。 非常有趣，但也很长 – 我还在读它。数学以下是你开始学习AI需要了解的非常基本的数学概念：微积分学Khan Academy Calculus videos（可汗学院微积分视频）MIT lectures on Multivariable Calculus（MIT关于多变量微积分的讲座）线性代数Khan Academy Linear Algebra videos（可汗学院线性代数视频）MIT linear algebra videos by Gilbert Strang（Gilbert Strang的MIT线性代数视频）Coding the Matrix （编码矩阵） – 布朗大学线程代数CS课程概率和统计可汗学院 Probability（概率）与 Statistics（统计）视频edx probability course （edx概率课程）计算机科学要掌握AI，你要熟悉计算机科学和编程。如果你刚刚开始，我建议阅读 Dive Into Python 3 （深入Python 3）这本书，你在Python编程中所需要的大部分知识都会提到。要更深入地了解计算机编程的本质 – 看这个经典的 MIT course （MIT课程）。这是一门关于lisp和计算机科学的基础的课程，基于 CS -结构和计算机程序的解释中最有影响力的书之一。其他资源Metacademy – 是你知识的“包管理器”。 你可以使用这个伟大的工具来了解你需要学习不同的ML主题的所有先决条件。kaggle – 机器学习平台以上就是我的观点，对于这个问题大家是怎么看待的呢？欢迎在下方评论区交流 ~ 我是科技领域创作者，十年互联网从业经验，欢迎关注我了解更多科技知识！
零基础，Python如何入门
自学非常重要的一件事情就是要有一个整体的学习路线图，知道自己下一步该如何做！Python职业生涯规划Python 各阶段获得技能说明第一阶段：Python基础编程配套学习视频：Python入门教程完整版（懂中文就能学会）第二阶段：Html5+Css3由浅入深教程第三阶段：Python进阶之Django框架Django搭建垃圾分类论坛python实战项目从0开发一个Django博客系统第四阶段：nginx之项目部署实战技术干货-Linux Shell 精通教程IT技术圈的虚拟化容器化技术之Docker第五阶段：第六阶段：Python爬虫数据挖掘基础教程第七阶段：第八阶段：Python3天快速入门机器学习项目关于学习视频：可关注“传智播客官方账号”头条号，私信“Python”获取