圍繞人工智慧（AI）、自動化和認知系統的原則和實踐中， 無論您的業務領域、專業知識或專業如何， 都有可能變得越來越有價值。
幸運的是， 今天的你不需要花費幾年時間在大學學習， 才能熟悉這個看起來非常複雜的技術。 近年來， 越來越多的線上課程湧現出來， 涵蓋從基礎到高級實施的所有內容。
有些是針對想要直接編碼他們自己的人工神經網路的人， 並且可以理解為這類人群具有一定的技術能力。 對於那些想要瞭解如何將這項技術應用於任何人的人， 無論其是否具備先前的技術專業知識， 都可以用於解決實際問題。
在這篇文章中， 將簡要介紹一些今天可用的最好的免費軟體。
通過Google AI學習https://ai.google/education/#?modal_active=none
這個新推出的資源是Google計畫擴大公眾對AI的理解的一部分內容。 材料正在慢慢添加， 目前它已經包含了一個機器學習與TensorFlow（穀歌的機器學習庫）速成課程。
本課程涵蓋了機器學習的基本介紹， 包括TensorFlow入門、神經網路的設計和訓練。
它的設計目標是讓那些沒有機器學習知識的人可以在一開始就進入正題， 那些有經驗的人可以選擇感興趣的模組， 而機器學習專家則可以用它作為TensorFlow的入門介紹。
Google - 機器學習https://www.class-central.com/course/udacity-deep-learning-5681
這是來自Google通過Udacity提供的更深度的課程。 因此， 它並不完全針對新手， 至少是假設你具有以前的機器學習經驗到熟悉監督式學習的範圍。
它側重於深度學習， 並設計了可從大型複雜資料集中學習的自學系統。
本課程面向那些希望將機器學習、神經網路技術用作資料分析師、資料科學家或機器學習工程師以及想要利用大量開源庫和材料的企業家的人。
斯坦福大學 - 機器學習https://www.coursera.org/learn/machine-learning
本課程通過Coursera提供， 由Google深度學習研究部門的創始人、Google Brain和百度AI負責人吳恩達教授創設。
整個課程有可以免費學習的部分， 也可以選擇支付認證費用， 如果您打算使用您對AI的理解來提高您的職業前景， 那麼這項選擇是很有用的。
該課程涵蓋了從語音辨識和增強網頁搜索的實際機器學習實施範圍，
https://ai.google/education/#?modal_active=none
本課程也可以免費線上使用， 如果需要，
它承諾教授模型、方法和應用程式來解決實際問題， 也能使用概率和非概率方法以及監督和無監督學習。
為了充分利用課程， 您應該每週花費大約8到10個小時的時間在材料和練習上， 超過12周的時間。 這是免費的常春藤聯盟級教育， 所以它不會是輕而易舉就可以完成的。
它是通過非營利edX線上課程提供商提供的， 它構成了人工智慧納米學的一部分。
Nvidia - 電腦視覺深度學習基礎https://www.class-central.com/course/fundamentals-of-deep-learning-for-computer-vision-10730
電腦視覺是建立電腦的AI子學科， 它可以像我們的大腦那樣通過處理視覺資訊來“看到”。
除了技術基礎外， 它還涵蓋了如何識別能夠受益於能夠進行物體識別和圖像分類的機器的情況或問題。
作為圖形處理單元（GPU）的製造商， Nvidia毫不意外地涵蓋了這些高性能圖形引擎的重要組成部分，以前主要是為了展示尖端圖像，現在它已經在電腦視覺應用的廣泛應用中發揮作用。
最後的評估包括建立和部署一個神經網路應用程式，雖然整個課程可以按自己的步調進行研究，但建議您至少花費大約八個小時的時間。
麻省理工學院 - 自駕車的深度學習https://selfdrivingcars.mit.edu/
與上面的課程一樣，麻省理工學院採取的方法是將人工智慧的一個主要的現實方面作為出發點來探索所涉及的具體技術。
普遍預期會成為我們日常生活的一部分，它依靠人工智慧來感知所有的資料，這些資料會撞擊車輛的感測器陣列，並安全地行駛在道路上。這涉及教學機器來解釋來自這些感測器的資料，就像我們自己的大腦解讀來自我們的眼睛、耳朵和觸覺的信號。
它涵蓋了MIT DeepTraffic模擬器的使用，該模擬器要求學生教導模擬汽車盡可能快地沿著繁忙的道路行駛，而不與其他道路使用者發生碰撞。
Nvidia毫不意外地涵蓋了這些高性能圖形引擎的重要組成部分，以前主要是為了展示尖端圖像，現在它已經在電腦視覺應用的廣泛應用中發揮作用。最後的評估包括建立和部署一個神經網路應用程式，雖然整個課程可以按自己的步調進行研究，但建議您至少花費大約八個小時的時間。
麻省理工學院 - 自駕車的深度學習https://selfdrivingcars.mit.edu/
與上面的課程一樣，麻省理工學院採取的方法是將人工智慧的一個主要的現實方面作為出發點來探索所涉及的具體技術。
普遍預期會成為我們日常生活的一部分，它依靠人工智慧來感知所有的資料，這些資料會撞擊車輛的感測器陣列，並安全地行駛在道路上。這涉及教學機器來解釋來自這些感測器的資料，就像我們自己的大腦解讀來自我們的眼睛、耳朵和觸覺的信號。
它涵蓋了MIT DeepTraffic模擬器的使用，該模擬器要求學生教導模擬汽車盡可能快地沿著繁忙的道路行駛，而不與其他道路使用者發生碰撞。