普通程序员如何向人工智能方向转型？_百度知道
普通程序员如何向人工智能方向转型？
答题抽奖
首次认真答题后
即可获得3次抽奖机会，100%中奖。
当下，人工智能已经成为越来越火的一个方向。普通程序员，如何转向人工智能方向，是知乎上的一个问题。一.目的本文的目的是给出一个简单的，平滑的，易于实现的学习方法，帮助“普通”程序员踏入AI领域这个门。这里，我对普通程序员的定义是：拥有大学本科知识;平时工作较忙;自己能获取的数据有限。因此，本文更像是一篇“from the scratch”的AI入门教程。二. AI领域简介AI，也就是人工智能，并不仅仅包括机器学习。曾经，符号与逻辑被认为是人工智能实现的关键，而如今则是基于统计的机器学习占据了主导地位。最近火热的深度学习正是机器学习中的一个子项。目前可以说，学习AI主要的是学习机器学习。但是，人工智能并不等同于机器学习，这点在进入这个领域时一定要认识清楚。关于AI领域的发展历史介绍推荐看周老师写的《机器学习简介》。下面一个问题是：AI的门好跨么?其实很不好跨。我们以机器学习为例。在学习过程中，你会面对大量复杂的公式，在实际项目中会面对数据的缺乏，以及艰辛的调参等。如果仅仅是因为觉得这个方向未来会“火”的话，那么这些困难会容易让人放弃。考虑到普通程序员的特点，而要学习如此困难的学科，是否就是没有门路的?答案是否定的。只要制定合适的学习方法即可。三.学习方法学习方法的设定简单说就是回答以下几个问题：我要学的是什么?我怎样学习?我如何去学习?这三个问题概括说就是：学习目标，学习方针与学习计划。学习目标比较清楚，就是踏入AI领域这个门。这个目标不大，因此实现起来也较为容易。“过大的目标时就是为了你日后放弃它时找到了足够的理由”。学习方针可以总结为“兴趣为先，践学结合”。简单说就是先培养兴趣，然后学习中把实践穿插进来，螺旋式提高。这种方式学习效果好，而且不容易让人放弃。有了学习方针以后，就可以制定学习计划，也称为学习路线。下面就是学习路线的介绍。四.学习路线我推荐的学习路线是这样的，如下图：这个学习路线是这样设计的：首先了解这个领域，建立起全面的视野，培养起充足的兴趣，然后开始学习机器学习的基础，这里选择一门由浅入深的课程来学习，课程最好有足够的实验能够进行实战。基础打下后，对机器学习已经有了充足的了解，可以用机器学习来解决一个实际的问题。这时还是可以把机器学习方法当作一个黑盒子来处理的。实战经验积累以后，可以考虑继续进行学习。这时候有两个选择，深度学习或者继续机器学习。深度学习是目前最火热的机器学习方向，其中一些方法已经跟传统的机器学习不太一样，因此可以单独学习。除了深度学习以外，机器学习还包括统计学习，集成学习等实用方法。如果条件足够，可以同时学习两者，一些规律对两者是共通的。学习完后，你已经具备了较强的知识储备，可以进入较难的实战。这时候有两个选择，工业界的可以选择看开源项目，以改代码为目的来读代码;学术界的可以看特定领域的论文，为解决问题而想发论文。无论哪者，都需要知识过硬，以及较强的编码能力，因此很能考察和锻炼水平。经过这个阶段以后，可以说是踏入AI领域的门了。“师傅领进门，修行在个人”。之后的路就要自己走了。下面是关于每个阶段的具体介绍：0.领域了解在学习任何一门知识之前，首先第一步就是了解这个知识是什么?它能做什么事?它的价值在什么地方?如果不理解这些的话，那么学习本身就是一个没有方向的舟，不知道驶向何处，也极易有沉船的风险。了解这些问题后，你才能培养出兴趣，兴趣是最好的引路人，学习的动力与持久力才能让你应付接下来的若干个阶段。关于机器学习是什么，能做什么，它与深度学习以及人工智能的关系，可以看我写的博客从机器学习谈起。1.知识准备如果你离校过久，或者觉得基础不牢，最好事先做一下准备复习工作。“工欲善其事，必先利其器”。以下的准备工作不多，但足以应付后面阶段的学习。数学：复习以下基本知识。线性代数：矩阵乘法;高数：求导;概率论：条件与后验概率。其他的一些知识可以在后面的学习的过程中按需再补;英文：常备一个在线英文词典，例如爱词霸，能够不吃力的看一些英文的资料网页;FQ：可以随时随地上Google，这是一个很重要的工具。不是说百度查的不能看，而是很多情况下Google搜出来的资料比百度搜的几十页的资料还管用，尤其是在查英文关键字时。节省时间可是很重要的学习效率提升;2.机器学习机器学习的第一门课程首推Andrew Ng的机器学习。这门课程有以下特点：难度适中，同时有足够的实战例子，非常适合第一次学习的人。cs229这门课程我这里不推荐，为什么，原因有以下：时间：cs229的时间太早，一些知识已经跟不上当今的发展，目前最为火热的神经网络一笔带过。而Cousera上神经网络可是用了两个课时去讲的!而且非常详细;教学：Ng在cs229时候的教学稍显青涩，可能是面对网络教学的原因。有很多问题其实他都没有讲清楚，而且下面的人的提问其实也很烦躁，你往往不关心那些人的问题。这点在Coursera上就明显得到了改善，你会发现Ng的教学水平大幅度改善了，他会对你循循善诱，推心置腹，由浅入深的教学，在碰到你不明白的单词术语时也会叫你不要担心，更重要的，推导与图表不要太完善，非常细致清晰，这点真是强力推荐;字幕：cs229的字幕质量比Coursera上的差了一截。Coursera上中文字幕翻译经过了多人把关，质量很有保证;作业：cs229没有作业，虽然你可以做一些，但不会有人看。这点远不如Coursera上每周有deadline的那种作业，而且每期作业提交上去都有打分。更重要的是，每期作业都有实际的例子，让你手把手练习，而且能看到自己的成果，成就感满满!3.实践做项目学习完了基础课程，你对机器学习就有了初步了解。现在使用它们是没有问题的，你可以把机器学习算法当作黑盒子，放进去数据，就会有结果。在实战中你更需要去关心如何获取数据，以及怎么调参等。如果有时间，自己动手做一个简单的实践项目是最好的。这里需要选择一个应用方向，是图像(计算机视觉)，音频(语音识别)，还是文本(自然语言处理)。这里推荐选择图像领域，这里面的开源项目较多，入门也较简单，可以使用OpenCV做开发，里面已经实现好了神经网络，SVM等机器学习算法。项目做好后，可以开源到到 Github 上面，然后不断完善它。实战项目做完后，你可以继续进一步深入学习，这时候有两个选择，深度学习和继续机器学习;4.深度学习深度学习：深度学习是目前最火热的研究方向。有以下特点：知识更新快，较为零碎，没有系统讲解的书。因此学习的资源也相对零散，下面是一些资源介绍。其中不推荐的部分并不代表不好，而是在这个初学阶段不合适：推荐，UFLDL：非常好的DL基础教程，也是Andrew Ng写的。有很详尽的推导，有翻译，且翻译质量很高;推荐，Deep learning (paper)：2015年Nature上的论文，由三位深度学习界的大牛所写，读完全篇论文，给人高屋建瓴，一览众山小的感觉，强烈推荐。如果只能读一篇论文了解深度学习，我推荐此篇。这篇论文有同名的中文翻译;推荐，Neural networks and deep learning：这本书的作者非常擅长以浅显的语言表达深刻的道理，虽然没有翻译，但是阅读并不困难;推荐，Recurrent Neural Networks：结合一个实际案例告诉你RNN是什么，整篇教程学完以后，会让你对RNN如何产生作用的有很清晰的认识，而这个效果，甚至是读几篇相关论文所没有的;不推荐，Neural Networks for Machine Learning University of Toronto Coursera：深度学习创始人教的课，最大的问题是太难，而且老先生的吐字有时不是很标准;不推荐，Deep Learning (book)：同样也是由深度学习大牛所写的书，但感觉就像是第二作者，也就是他的学生所写的。很多内容都讲了，但是感觉也没讲出什么内容来，只是告诉你来自那篇论文，这样的话可能直接阅读论文更合适。不推荐，cs231n：李菲菲的课程，很有名，专门讲CNN。但是这门课程有一个最大的问题，就是没有字幕，虽然有youtube的自动翻译字幕，但有还不如没有。5.继续机器学习深度学习未必就是未来的一定主流，至少一些大牛是这么认为的。传统的机器学习有如下特点，知识系统化，有相对经典的书。其中统计学习(代表SVM)与集成学习(代表adaboost)是在实践中使用非常多的技术。下面是相关资源：推荐，机器学习(周志华)：如果是在以前，机器学习方面的经典教材首推PRML，但现在周老师的书出来以后，就不再是这样了。首先推荐读周老师的书。这本书有一个特点，那就是再难的道理也能用浅显精炼的语言表达出来。正如周老师的名言：“体现你水平的地方是把难的东西讲容易了，而不是把容易的东西讲难，想把一个东西讲难实在太简单”;不推荐，Pattern Recognition And Machine Learning：当前阶段不推荐。PRML是以贝叶斯的观点看待很多机器学习方法，这也是它的一大特色。但对于初学者来说，这种观点其实并无必要。而且此书没有中文翻译，当前阶段硬啃很容易放弃;6.开源项目当知识储备较为充足时，学习可以再次转入实践阶段。这时候的实践仍然可以分两步走，学习经典的开源项目或者发表高质量的论文。开源项目的学习应该以尽量以优化为目的，单纯为读代码而学习效果往往不太好。好的开源项目都可以在Github 里搜索。这里以深度学习为例。深度学习的开源优秀库有很多，例如torch，theano等等，这里列举其中的两个：推荐，DeepLearnToolbox：较早的一个深度学习库，用matlab语言撰写，较为适合从刚学习的课程转入学习。遗憾的是作者不再维护它了;推荐，tensorflow：Google的开源库，时至今日，已经有40000多个star，非常惊人，支持移动设备;7.会议论文较好的课程都会推荐你一些论文。一些著名的技术与方法往往诞生于一些重要的会议。因此，看往年的会议论文是深入学习的方法。在这时，一些论文中的内容会驱使你学习数学中你不擅长的部分。有时候你会觉得数学知识储备不够，因此往往需要学习一些辅助课程。当你看完足够的论文以后，在这个阶段，如果是在校学生，可以选择某个课题，以发论文为目的来学习研究。一般来说，论文是工作的产物。有时候一篇基于实验的论文往往需要你写代码或者基于开源项目。因此开源项目的学习与会议论文的工作两者之间是有相关的。两者可以同时进行学习。关于在哪里看论文，可以看一下CCF推荐排名，了解一下这个领域里有哪些优秀的会议。下面介绍两个图像与机器学习领域的著名顶级会议：CVPR：与另两个会议ICCV和ECCV合称计算机视觉领域的三大会，注意会议每年的主页是变动的，因此搜索需要加上年份;Conference on Neural Information Processing Systems：简称NIPS，许多重要的工作发表在这上面，例如关于CNN的一篇重要论文就是发表在上面;8.自由学习到这里了，可以说是进入这个门了。下面可以依据兴趣来自由学习。前阶段不推荐的学习资源也可随意学习，下面是点评：cs229：Ng写的讲义很不错，其中关于SVM的推导部分很清晰，想学习SVM推荐;Neural Networks for Machine Learning：大牛的视角跟人就是不一样，看看Hinton对神经网络是怎么看的，往往会让你有种原来如此的感悟。其实看这门课程也等同于读论文，因为几乎每节课的参考资料里都有论文要你读;CS231n: Convolutional Neural Networks for Visual Recognition：最新的知识，还有详细的作业。国内应该有团队对字幕进行了翻译，可以找找;PRML：作为一门经典的机器学习书籍，是很有阅读必要的，会让你对机器学习拥有一个其他的观察视角;五.总结本文的目的是帮助对AI领域了解不深，但又想进入的同学踏入这个门。这里只说踏入，是因为这个领域的专精实在非常困难，需要数年的积累与努力。在进行领域学习前，充分认识自己的特点，制定合适的学习方法是十分重要的。首先得对这个领域进行充分了解，培养兴趣。在学习时，保持着循序渐进的学习方针，不要猛进的学习过难资源;结合着学习与实践相辅的策略，不要只读只看，实际动手才有成就感。学习某个资源时要有充分的目的，不是为了学开源项目而看代码，而是为了写开源项目而看;不是为了发论文而写论文，而是为了做事情而写论文。本文来自公众号：“大技术技术汇”，guanzhu了解大数据行业学习大数据技术和学习路线，还有免费学习资料放送。如果一个学习资源对你过难，并不代表一定是你的问题，可能是学习资源的演讲或撰写人的问题。能把难的问题讲简单的人才是真正有水平的人。所以，一定要学习优质资源，而不是不分青红皂白的学习。最后，牢记以兴趣来学习。学习的时间很长，过程也很艰难，而只有兴趣才是让你持之以恒，攻克难关的最佳助力。
为您推荐：
其他类似问题
您可能关注的内容
换一换
回答问题，赢新手礼包
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。关于移动端架构和全栈开发，Android,
HTML5，Swift，前端，人工智能，技术管理等...
程序员如何转型人工智能（机器学习)
我是一个工作时间比较久的全栈工程师，做过web开发，前端，后端，移动端，HTML5的开发。2016年底开始学习机器学习，做深度学习大概不到半年。在人工智能技术方面我肯定没有研究人工智能很多年的人有经验，但在怎样转型人工智能方面我还是有些体会的。
学习人工智能为什么比学习其他的编程技术要困难
首先是人工智能整个领域特别大
我们常说的深度学习是机器学习的一个小分支，而机器学习又只是人工智能的一个小分支。但目前深度学习比较热，因此很多人就把深度学习当成人工智能了。具体到业务领域，就有计算机视觉，语音识别，自然语言处理等，每一个领域都很专业，会用到机器学习的各种方法。后面的内容主要是说深度学习和机器学习。
其次人工智能是不确定性的
思维模式和传统编程不一样,我们平常接触的编程语言无论前端，后端还是移动端,都是确定性的,确定性是什么意思呢？例如你要修改个传统系统的bug，你弄明白了逻辑，就可以修改代码改掉bug。但做人工智能不一样，它是不确定性的，目前深度神经网络可能会有几百层，几千万个参数，我们没有严格的数学逻辑确定这些参数的意义，只能根据经验和一些原理进行调参，修改数据集等优化结果，过程中充满了不确定性。
第三，学习人工智能对于数学和英语有一定要求
特别是做模型优化的时候。数学方面需要知道一些微积分，线性代数，概率论的知识，英文方面需要能够比较顺利的看懂一些英文的资料和论文，例如很多著名模型的结构相关的论文都发表在arxiv上，需要能大概看懂这些论文。
第四，学习深度学习对于计算机有一定要求
模型训练在GPU上做能够明显加快速度，例如在Imagenet2012数据集上训练InceptionV3模型， 大概有120万张图片， 在一个nVidia Tesla P100 GPU上训练到95%的召回率需要3天，在普通CPU上训练可能需要几个星期。如果你学习一个东西，几星期后才能知道结果那肯定是让人崩溃的。万幸的是，现在Amazon，Goolge，阿里云，腾讯云等都GPU服务器可以租用。
程序员学习人工智能的三个阶段
学习人工智能的三个阶段是 应用，优化，和定义问题，这个观点是我在某大牛的一篇文章中看到的，然后我针对程序员的学习特点做了一些优化。
应用应该是学习的第一步，就是想怎么样才能把人工智能应用到你的业务中，在这一步之前你需要对人工智能的现状有个基本清晰的认识，抛弃不实际的想法。具体的做法大概是针对自己的问题，收集数据，建立模型，可以用传统模型或深度学习模型。这一块程序员去做还是有一定优势的， 做到这一步需要对机器学习和深度学习有一定了解， 熟悉python， 能用tensorflow做一些模型训练。举个应用的例子，，用人工智能实现桃子的智能筛选。
优化是学习的第二步，这一步就有些难度了，需要对卷积神经网络的原理和计算过程很清楚，需要对tensorflow，caffe，pyTorch等框架比较熟悉，需要对Inception，Resnet等经典模型的结构有一定研究，能够看懂论文和代码，并能够结合数据进行分析和实验，对模型结构，参数等不断进行优化，达到提高识别率等目的， 这个优化过程需要耗费大量的时间。
定义问题是学习的第三步，能够做到这一步应该是大神级的存在了，例如谷歌大脑，AlphaGO，百度大脑等顶级团队和学术界的科学家和资深工程师等。这一步的难点是如果用数学语言定义清楚问题，并能够用工程上可行的机器学习算法进行优化求解。做到这一步是很难的，能够做到这一步的人应该是很少的，大部分都是大公司某个方向的领军人物。
应该怎样转型人工智能
对于想转型人工智能的程序员， 我觉得首先要想清楚，自己想不想做这样一个不确定性的事情，自己的学习能力，数学和英语基础怎么样，不能看到行业热工资高就盲目转行。其实无论是前端，后端还是移动端，只要技术做到一定深度，收入都会不错，互联网行业的高薪还会持续很多年，做好技术可以有个不错的收入。
当然，学习和了解一些人工智能技术总是没有坏处的，可以先在自己感兴趣的领域尝试应用下人工智能技术，试试有没有这方面的兴趣和能力。毕竟IT行业变化很快，说不定几年后无论做什么开发都需要懂一些人工智能知识呢？
在人工智能这个热门的行业，早起的鸟有虫吃，但前提是鸟才行。
一个机器学习博士生的忠告
程序员转型AI，这里有最全的机器学习介绍+应用实例
机器学习--代码的终结者，我们很快就能像调教狗一样来调教我们的计算机
web前端 如何入门人工智能算法
没有更多推荐了，(梦在远方)
(遗忘无际)
第三方登录：程序员，想转型人工智能吗？先补补数学课吧！程序员，想转型人工智能吗？先补补数学课吧！大讲台百家号人工智能很火，也很高端，深度学习、机器学习、视觉识别，听上去就很高大上。而且不仅仅是听上去高大上，现实当中确实也是实实在在的高大上。在互联网圈子里，有一句话流传甚广：得人工智能者得天下。根据脉脉数据研究院提供的数据显示，目前国内人工智能相关岗位应届毕业生的起薪基本都在12.5k/月以上，毕业三年后人工智能岗位的技术人员，平均月薪在25k以上。年薪25万已成白菜价，AI应届研究生年薪更是高达50万，还没毕业就已被抢光。这两天人工智能平台公司商汤科技C轮融资6亿美元的新闻在朋友圈刷屏了。阿里加持，新加坡淡马锡、苏宁等投资机构和战略伙伴跟投。可见人工智能的火爆不仅仅是说说而已，是真正真金白银的火爆！人工智能那么问题来了，普通的IT工程师，尤其是程序员们如果想转型人工智能，行不行呢，会遇到哪些问题呢？在人工智能领域，无论是机器人、语音识别，还是图像识别、自然语言处理都离不开数学。所以说，数学功底才是码农们转型人工智能无论如何都是绕不开的门槛，传统程序员要想转战AI，任何绕过数学的想法都是鸵鸟策略。很多兴冲冲的同学一听数学就直接放弃，大错特错。人工智能中的数学分两个层面，一个研究层面，一个是工程层面。前者是要造轮子，很难，非数学专业研究生、博士级别不能问津，但这部分的行业需求之占5%的比例。后一个层面是要使用轮子即可，会有一定的难度，至少要比你想象的简单的多。而行业需求95%其实集中在后者。也正是因为这点难度才让人工智能门槛相交传统程序员更高，薪资更丰厚。近期大讲台官网上线了一门新的人工智能基础课程——《人工智能数学基础三部曲》，专门针对程序员数学基础薄弱的问题做针对性的提升。很多人都是离开学校之后就再也没有碰过数学了，捡起来也还是需要下一番功夫。课程主讲老师张晓明（大圣），是国内知名金融公司的资深数据挖掘工程师，阿里系大数据工程师出身，专业数据挖掘10年+，曾服务于电商、广告、电信、金融等行业大数据平台，全套大数据、数据挖掘、机器学习经验。大圣老师以其个人学习人工智能的切身经历，带领你在短时间内精准掌握人工智能核心数学基础——线性代数、凸优化和概率统计。网上数学公开课很多了，都是学院派的，听着懵比犯困，而且内容面面俱到、不突出重点，偏离工程甚远，难道非985、211的同学才能搞AI吗？非也！非也！！大讲台此次大讲台上线的《人工智能数学基础三部曲》课程和学院派最大区别是从“务实”角度讲解，只提炼工程中用得到的知识点串讲，避开抽象严谨的数学理论，围绕着工程问题进行原理推导与形象解释，对复杂的数学知识给出通俗易懂的解释，帮助大家快速夯实数学基本功。并配合python代码演示，为以后的机器学习、人工智能无障碍升级做好准备。大讲台大讲台本文由百家号作者上传并发布，百家号仅提供信息发布平台。文章仅代表作者个人观点，不代表百度立场。未经作者许可，不得转载。大讲台百家号最近更新：简介:北京大讲台高端IT人才在线实训平台作者最新文章相关文章您正在使用IE低版浏览器，为了您的雷锋网账号安全和更好的产品体验，强烈建议使用更快更安全的浏览器
发私信给孔令双
导语：转型 AI 会遇到那些坑，阿萨姆告诉你。
同步到新浪微博
当月热门文章
为了您的账户安全，请
您的邮箱还未验证,完成可获20积分哟！
您的账号已经绑定，现在您可以以方便用邮箱登录
请填写申请人资料