程序員轉向人工智慧需要做什麼

『壹』 普通程序員如何向人工智慧方向轉型

當下，人工智慧已經成為越來越火的一個方向。普通程序員，如何轉向人工智慧方向，是知乎上的一個問題。

這個學習路線是這樣設計的：首先了解這個領域，建立起全面的視野，培養起充足的興趣，然後開始學習機器學習的基礎，這里選擇一門由淺入深的課程來學習，課程最好有足夠的實驗能夠進行實戰。基礎打下後，對機器學習已經有了充足的了解，可以用機器學習來解決一個實際的問題。

這時還是可以把機器學習方法當作一個黑盒子來處理的。實戰經驗積累以後，可以考慮繼續進行學習。這時候有兩個選擇，深度學習或者繼續機器學習。深度學習是目前最火熱的機器學習方向，其中一些方法已經跟傳統的機器學習不太一樣，因此可以單獨學習。除了深度學習以外，機器學習還包括統計學習，集成學習等實用方法。

如果條件足夠，可以同時學習兩者，一些規律對兩者是共通的。學習完後，你已經具備了較強的知識儲備，可以進入較難的實戰。這時候有兩個選擇，工業界的可以選擇看開源項目，以改代碼為目的來讀代碼;學術界的可以看特定領域的論文，為解決問題而想發論文。

無論哪者，都需要知識過硬，以及較強的編碼能力，因此很能考察和鍛煉水平。經過這個階段以後，可以說是踏入AI領域的門了。「師傅領進門，修行在個人」。之後的路就要自己走了。

下面是關於每個階段的具體介紹：

0.領域了解

在學習任何一門知識之前，首先第一步就是了解這個知識是什麼?它能做什麼事?它的價值在什麼地方?如果不理解這些的話，那麼學習本身就是一個沒有方向的舟，不知道駛向何處，也極易有沉船的風險。了解這些問題後，你才能培養出興趣，興趣是最好的引路人，學習的動力與持久力才能讓你應付接下來的若干個階段。關於機器學習是什麼，能做什麼，它與深度學習以及人工智慧的關系，可以看我寫的博客從機器學習談起。

1.知識准備

如果你離校過久，或者覺得基礎不牢，最好事先做一下准備復習工作。「工欲善其事，必先利其器」。以下的准備工作不多，但足以應付後面階段的學習。

數學：復習以下基本知識。線性代數：矩陣乘法;高數：求導;概率論：條件與後驗概率。其他的一些知識可以在後面的學習的過程中按需再補;

英文：常備一個在線英文詞典，例如愛詞霸，能夠不吃力的看一些英文的資料網頁;

FQ：可以隨時隨地上Google，這是一個很重要的工具。不是說網路查的不能看，而是很多情況下Google搜出來的資料比網路搜的幾十頁的資料還管用，尤其是在查英文關鍵字時。節省時間可是很重要的學習效率提升;

2.機器學習

機器學習的第一門課程首推Andrew Ng的機器學習。這門課程有以下特點：難度適中，同時有足夠的實戰例子，非常適合第一次學習的人。cs229這門課程我這里不推薦，為什麼，原因有以下：

時間：cs229的時間太早，一些知識已經跟不上當今的發展，目前最為火熱的神經網路一筆帶過。而Cousera上神經網路可是用了兩個課時去講的!而且非常詳細;教學：Ng在cs229時候的教學稍顯青澀，可能是面對網路教學的原因。有很多問題其實他都沒有講清楚，而且下面的人的提問其實也很煩躁，你往往不關心那些人的問題。這點在Coursera上就明顯得到了改善，你會發現Ng的教學水平大幅度改善了，他會對你循循善誘，推心置腹，由淺入深的教學，在碰到你不明白的單詞術語時也會叫你不要擔心，更重要的，推導與圖表不要太完善，非常細致清晰，這點真是強力推薦;字幕：cs229的字幕質量比Coursera上的差了一截。Coursera上中文字幕翻譯經過了多人把關，質量很有保證;作業：cs229沒有作業，雖然你可以做一些，但不會有人看。這點遠不如Coursera上每周有deadline的那種作業，而且每期作業提交上去都有打分。更重要的是，每期作業都有實際的例子，讓你手把手練習，而且能看到自己的成果，成就感滿滿!

3.實踐做項目

學習完了基礎課程，你對機器學習就有了初步了解。現在使用它們是沒有問題的，你可以把機器學習演算法當作黑盒子，放進去數據，就會有結果。在實戰中你更需要去關心如何獲取數據，以及怎麼調參等。如果有時間，自己動手做一個簡單的實踐項目是最好的。

這里需要選擇一個應用方向，是圖像(計算機視覺)，音頻(語音識別)，還是文本(自然語言處理)。這里推薦選擇圖像領域，這裡面的開源項目較多，入門也較簡單，可以使用OpenCV做開發，裡面已經實現好了神經網路，SVM等機器學習演算法。項目做好後，可以開源到到 Github 上面，然後不斷完善它。實戰項目做完後，你可以繼續進一步深入學習，這時候有兩個選擇，深度學習和繼續機器學習;

4.深度學習

深度學習：深度學習是目前最火熱的研究方向。有以下特點：知識更新快，較為零碎，沒有系統講解的書。因此學習的資源也相對零散，下面是一些資源介紹。其中不推薦的部分並不代表不好，而是在這個初學階段不合適：

推薦，UFLDL：非常好的DL基礎教程，也是Andrew Ng寫的。有很詳盡的推導，有翻譯，且翻譯質量很高;推薦，Deep learning (paper)：2015年Nature上的論文，由三位深度學習界的大牛所寫，讀完全篇論文，給人高屋建瓴，一覽眾山小的感覺，強烈推薦。如果只能讀一篇論文了解深度學習，我推薦此篇。這篇論文有同名的中文翻譯;推薦，Neural networks and deep learning：這本書的作者非常擅長以淺顯的語言表達深刻的道理，雖然沒有翻譯，但是閱讀並不困難;推薦，Recurrent Neural Networks：結合一個實際案例告訴你RNN是什麼，整篇教程學完以後，會讓你對RNN如何產生作用的有很清晰的認識，而這個效果，甚至是讀幾篇相關論文所沒有的;不推薦，Neural Networks for Machine Learning University of Toronto Coursera：深度學習創始人教的課，最大的問題是太難，而且老先生的吐字有時不是很標准;不推薦，Deep Learning (book)：同樣也是由深度學習大牛所寫的書，但感覺就像是第二作者，也就是他的學生所寫的。很多內容都講了，但是感覺也沒講出什麼內容來，只是告訴你來自那篇論文，這樣的話可能直接閱讀論文更合適。不推薦，cs231n：李菲菲的課程，很有名，專門講CNN。但是這門課程有一個最大的問題，就是沒有字幕，雖然有youtube的自動翻譯字幕，但有還不如沒有。

5.繼續機器學習

深度學習未必就是未來的一定主流，至少一些大牛是這么認為的。傳統的機器學習有如下特點，知識系統化，有相對經典的書。其中統計學習(代表SVM)與集成學習(代表adaboost)是在實踐中使用非常多的技術。下面是相關資源：

推薦，機器學習(周志華)：如果是在以前，機器學習方面的經典教材首推PRML，但現在周老師的書出來以後，就不再是這樣了。首先推薦讀周老師的書。這本書有一個特點，那就是再難的道理也能用淺顯精煉的語言表達出來。正如周老師的名言：「體現你水平的地方是把難的東西講容易了，而不是把容易的東西講難，想把一個東西講難實在太簡單」;

不推薦，Pattern Recognition And Machine Learning：當前階段不推薦。PRML是以貝葉斯的觀點看待很多機器學習方法，這也是它的一大特色。但對於初學者來說，這種觀點其實並無必要。而且此書沒有中文翻譯，當前階段硬啃很容易放棄;

6.開源項目

當知識儲備較為充足時，學習可以再次轉入實踐階段。這時候的實踐仍然可以分兩步走，學習經典的開源項目或者發表高質量的論文。開源項目的學習應該以盡量以優化為目的，單純為讀代碼而學習效果往往不太好。好的開源項目都可以在Github 里搜索。這里以深度學習為例。深度學習的開源優秀庫有很多，例如torch，theano等等，這里列舉其中的兩個：

推薦，DeepLearnToolbox：較早的一個深度學習庫，用matlab語言撰寫，較為適合從剛學習的課程轉入學習。遺憾的是作者不再維護它了;

推薦，tensorflow：Google的開源庫，時至今日，已經有40000多個star，非常驚人，支持移動設備;

7.會議論文

較好的課程都會推薦你一些論文。一些著名的技術與方法往往誕生於一些重要的會議。因此，看往年的會議論文是深入學習的方法。在這時，一些論文中的內容會驅使你學習數學中你不擅長的部分。有時候你會覺得數學知識儲備不夠，因此往往需要學習一些輔助課程。

當你看完足夠的論文以後，在這個階段，如果是在校學生，可以選擇某個課題，以發論文為目的來學習研究。一般來說，論文是工作的產物。有時候一篇基於實驗的論文往往需要你寫代碼或者基於開源項目。因此開源項目的學習與會議論文的工作兩者之間是有相關的。

兩者可以同時進行學習。關於在哪裡看論文，可以看一下CCF推薦排名，了解一下這個領域里有哪些優秀的會議。

下面介紹兩個圖像與機器學習領域的著名頂級會議：

CVPR：與另兩個會議ICCV和ECCV合稱計算機視覺領域的三大會，注意會議每年的主頁是變動的，因此搜索需要加上年份;Conference on Neural Information Processing Systems：簡稱NIPS，許多重要的工作發表在這上面，例如關於CNN的一篇重要論文就是發表在上面;

8.自由學習

到這里了，可以說是進入這個門了。下面可以依據興趣來自由學習。前階段不推薦的學習資源也可隨意學習，下面是點評：

cs229：Ng寫的講義很不錯，其中關於SVM的推導部分很清晰，想學習SVM推薦;Neural Networks for Machine Learning：大牛的視角跟人就是不一樣，看看Hinton對神經網路是怎麼看的，往往會讓你有種原來如此的感悟。其實看這門課程也等同於讀論文，因為幾乎每節課的參考資料里都有論文要你讀;CS231n: Convolutional Neural Networks for Visual Recognition：最新的知識，還有詳細的作業。國內應該有團隊對字幕進行了翻譯，可以找找;PRML：作為一門經典的機器學習書籍，是很有閱讀必要的，會讓你對機器學習擁有一個其他的觀察視角;

五.總結

本文的目的是幫助對AI領域了解不深，但又想進入的同學踏入這個門。這里只說踏入，是因為這個領域的專精實在非常困難，需要數年的積累與努力。在進行領域學習前，充分認識自己的特點，制定合適的學習方法是十分重要的。

首先得對這個領域進行充分了解，培養興趣。在學習時，保持著循序漸進的學習方針，不要猛進的學習過難資源;結合著學習與實踐相輔的策略，不要只讀只看，實際動手才有成就感。學習某個資源時要有充分的目的，不是為了學開源項目而看代碼，而是為了寫開源項目而看;不是為了發論文而寫論文，而是為了做事情而寫論文。

本文來自公眾號：「大技術技術匯」，guanzhu了解大數據行業學習大數據技術和學習路線，還有免費學習資料放送。

如果一個學習資源對你過難，並不代表一定是你的問題，可能是學習資源的演講或撰寫人的問題。能把難的問題講簡單的人才是真正有水平的人。所以，一定要學習優質資源，而不是不分青紅皂白的學習。最後，牢記以興趣來學習。學習的時間很長，過程也很艱難，而只有興趣才是讓你持之以恆，攻克難關的最佳助力。

『貳』 ai工程師 需要 哪些 技能

AI工程師需要的技能：

技能一：監督學習中需要徹底掌握三個最基礎的模型，包括線性回歸（Linear Regression）、對數幾率回歸（Logistic Regression）和決策樹（Decision Trees）。

技能二：了解這些模型的數學含義，能夠理解這些模型的假設和解法。寫實際的代碼或者偽代碼來描述這些模型的演算法，真正達到對這些演算法的掌握。「K 均值演算法」有必要認真學習，做到真正的、徹底的理解。

技能三：理解假設檢驗容易被 AI 工程師遺忘的內容。要熟悉假設檢驗的基本設定和背後的假設，清楚這些假設在什麼情況下可以使用，如果假設被違背了的話，又需要做哪些工作去彌補。

技能四：具備最基本的編程能力，對數據結構和基礎演算法有一定的掌握。對於搭建一個人工智慧系統（比如搜索系統、人臉識別系統、圖像檢索系統、推薦系統等）有最基本的認識。

機器學習演算法能夠真正應用到現實的產品中去，必須要依靠一個完整的系統鏈路，這裡面有數據鏈路的設計、整體系統的架構、甚至前後端的銜接等多方面的知識。

(2)程序員轉向人工智慧需要做什麼擴展閱讀：

AI工程師會做： 設計，著手對信息的分析；擅長一些特定開發領域，例如網路，操作系統，資料庫或應用程序； 幫助維護組織的計算機網路和系統；在軟體系統的設計，安裝，測試和維護中起到關鍵作用。

成為一種專門的程序員，可以與Web開發人員和軟體工程師合作，來把Java或其他編程語言集成到業務應用程序，軟體和網站中；研究軟體應用程序領域，准備軟體要求和規格說明文件；為了能做到這些。

『叄』 普通程序員如何向人工智慧方向轉型

當下，人工智慧已經成為越來越火的一個方向。普通程序員，如何轉向人工智慧方向，是知乎上的一個問題。

這個學習路線是這樣設計的：首先了解這個領域，建立起全面的視野，培養起充足的興趣，然後開始學習機器學習的基礎，這里選擇一門由淺入深的課程來學習，課程最好有足夠的實驗能夠進行實戰。基礎打下後，對機器學習已經有了充足的了解，可以用機器學習來解決一個實際的問題。

這時還是可以把機器學習方法當作一個黑盒子來處理的。實戰經驗積累以後，可以考慮繼續進行學習。這時候有兩個選擇，深度學習或者繼續機器學習。深度學習是目前最火熱的機器學習方向，其中一些方法已經跟傳統的機器學習不太一樣，因此可以單獨學習。除了深度學習以外，機器學習還包括統計學習，集成學習等實用方法。

如果條件足夠，可以同時學習兩者，一些規律對兩者是共通的。學習完後，你已經具備了較強的知識儲備，可以進入較難的實戰。這時候有兩個選擇，工業界的可以選擇看開源項目，以改代碼為目的來讀代碼;學術界的可以看特定領域的論文，為解決問題而想發論文。

無論哪者，都需要知識過硬，以及較強的編碼能力，因此很能考察和鍛煉水平。經過這個階段以後，可以說是踏入AI領域的門了。「師傅領進門，修行在個人」。之後的路就要自己走了。

下面是關於每個階段的具體介紹：

0.領域了解

在學習任何一門知識之前，首先第一步就是了解這個知識是什麼?它能做什麼事?它的價值在什麼地方?如果不理解這些的話，那麼學習本身就是一個沒有方向的舟，不知道駛向何處，也極易有沉船的風險。了解這些問題後，你才能培養出興趣，興趣是最好的引路人，學習的動力與持久力才能讓你應付接下來的若干個階段。關於機器學習是什麼，能做什麼，它與深度學習以及人工智慧的關系，可以看我寫的博客從機器學習談起。

1.知識准備

如果你離校過久，或者覺得基礎不牢，最好事先做一下准備復習工作。「工欲善其事，必先利其器」。以下的准備工作不多，但足以應付後面階段的學習。

數學：復習以下基本知識。線性代數：矩陣乘法;高數：求導;概率論：條件與後驗概率。其他的一些知識可以在後面的學習的過程中按需再補;

英文：常備一個在線英文詞典，例如愛詞霸，能夠不吃力的看一些英文的資料網頁;

FQ：可以隨時隨地上Google，這是一個很重要的工具。不是說網路查的不能看，而是很多情況下Google搜出來的資料比網路搜的幾十頁的資料還管用，尤其是在查英文關鍵字時。節省時間可是很重要的學習效率提升;

2.機器學習

機器學習的第一門課程首推Andrew Ng的機器學習。這門課程有以下特點：難度適中，同時有足夠的實戰例子，非常適合第一次學習的人。cs229這門課程我這里不推薦，為什麼，原因有以下：

時間：cs229的時間太早，一些知識已經跟不上當今的發展，目前最為火熱的神經網路一筆帶過。而Cousera上神經網路可是用了兩個課時去講的!而且非常詳細;教學：Ng在cs229時候的教學稍顯青澀，可能是面對網路教學的原因。有很多問題其實他都沒有講清楚，而且下面的人的提問其實也很煩躁，你往往不關心那些人的問題。這點在Coursera上就明顯得到了改善，你會發現Ng的教學水平大幅度改善了，他會對你循循善誘，推心置腹，由淺入深的教學，在碰到你不明白的單詞術語時也會叫你不要擔心，更重要的，推導與圖表不要太完善，非常細致清晰，這點真是強力推薦;字幕：cs229的字幕質量比Coursera上的差了一截。Coursera上中文字幕翻譯經過了多人把關，質量很有保證;作業：cs229沒有作業，雖然你可以做一些，但不會有人看。這點遠不如Coursera上每周有deadline的那種作業，而且每期作業提交上去都有打分。更重要的是，每期作業都有實際的例子，讓你手把手練習，而且能看到自己的成果，成就感滿滿!

3.實踐做項目

學習完了基礎課程，你對機器學習就有了初步了解。現在使用它們是沒有問題的，你可以把機器學習演算法當作黑盒子，放進去數據，就會有結果。在實戰中你更需要去關心如何獲取數據，以及怎麼調參等。如果有時間，自己動手做一個簡單的實踐項目是最好的。

這里需要選擇一個應用方向，是圖像(計算機視覺)，音頻(語音識別)，還是文本(自然語言處理)。這里推薦選擇圖像領域，這裡面的開源項目較多，入門也較簡單，可以使用OpenCV做開發，裡面已經實現好了神經網路，SVM等機器學習演算法。項目做好後，可以開源到到 Github 上面，然後不斷完善它。實戰項目做完後，你可以繼續進一步深入學習，這時候有兩個選擇，深度學習和繼續機器學習;

4.深度學習

深度學習：深度學習是目前最火熱的研究方向。有以下特點：知識更新快，較為零碎，沒有系統講解的書。因此學習的資源也相對零散，下面是一些資源介紹。其中不推薦的部分並不代表不好，而是在這個初學階段不合適：

推薦，UFLDL：非常好的DL基礎教程，也是Andrew Ng寫的。有很詳盡的推導，有翻譯，且翻譯質量很高;推薦，Deep learning (paper)：2015年Nature上的論文，由三位深度學習界的大牛所寫，讀完全篇論文，給人高屋建瓴，一覽眾山小的感覺，強烈推薦。如果只能讀一篇論文了解深度學習，我推薦此篇。這篇論文有同名的中文翻譯;推薦，Neural networks and deep learning：這本書的作者非常擅長以淺顯的語言表達深刻的道理，雖然沒有翻譯，但是閱讀並不困難;推薦，Recurrent Neural Networks：結合一個實際案例告訴你RNN是什麼，整篇教程學完以後，會讓你對RNN如何產生作用的有很清晰的認識，而這個效果，甚至是讀幾篇相關論文所沒有的;不推薦，Neural Networks for Machine Learning University of Toronto Coursera：深度學習創始人教的課，最大的問題是太難，而且老先生的吐字有時不是很標准;不推薦，Deep Learning (book)：同樣也是由深度學習大牛所寫的書，但感覺就像是第二作者，也就是他的學生所寫的。很多內容都講了，但是感覺也沒講出什麼內容來，只是告訴你來自那篇論文，這樣的話可能直接閱讀論文更合適。不推薦，cs231n：李菲菲的課程，很有名，專門講CNN。但是這門課程有一個最大的問題，就是沒有字幕，雖然有youtube的自動翻譯字幕，但有還不如沒有。

5.繼續機器學習

深度學習未必就是未來的一定主流，至少一些大牛是這么認為的。傳統的機器學習有如下特點，知識系統化，有相對經典的書。其中統計學習(代表SVM)與集成學習(代表adaboost)是在實踐中使用非常多的技術。下面是相關資源：

推薦，機器學習(周志華)：如果是在以前，機器學習方面的經典教材首推PRML，但現在周老師的書出來以後，就不再是這樣了。首先推薦讀周老師的書。這本書有一個特點，那就是再難的道理也能用淺顯精煉的語言表達出來。正如周老師的名言：「體現你水平的地方是把難的東西講容易了，而不是把容易的東西講難，想把一個東西講難實在太簡單」;

不推薦，Pattern Recognition And Machine Learning：當前階段不推薦。PRML是以貝葉斯的觀點看待很多機器學習方法，這也是它的一大特色。但對於初學者來說，這種觀點其實並無必要。而且此書沒有中文翻譯，當前階段硬啃很容易放棄;

6.開源項目

當知識儲備較為充足時，學習可以再次轉入實踐階段。這時候的實踐仍然可以分兩步走，學習經典的開源項目或者發表高質量的論文。開源項目的學習應該以盡量以優化為目的，單純為讀代碼而學習效果往往不太好。好的開源項目都可以在Github 里搜索。這里以深度學習為例。深度學習的開源優秀庫有很多，例如torch，theano等等，這里列舉其中的兩個：

推薦，DeepLearnToolbox：較早的一個深度學習庫，用matlab語言撰寫，較為適合從剛學習的課程轉入學習。遺憾的是作者不再維護它了;

推薦，tensorflow：Google的開源庫，時至今日，已經有40000多個star，非常驚人，支持移動設備;

7.會議論文

較好的課程都會推薦你一些論文。一些著名的技術與方法往往誕生於一些重要的會議。因此，看往年的會議論文是深入學習的方法。在這時，一些論文中的內容會驅使你學習數學中你不擅長的部分。有時候你會覺得數學知識儲備不夠，因此往往需要學習一些輔助課程。

當你看完足夠的論文以後，在這個階段，如果是在校學生，可以選擇某個課題，以發論文為目的來學習研究。一般來說，論文是工作的產物。有時候一篇基於實驗的論文往往需要你寫代碼或者基於開源項目。因此開源項目的學習與會議論文的工作兩者之間是有相關的。

兩者可以同時進行學習。關於在哪裡看論文，可以看一下CCF推薦排名，了解一下這個領域里有哪些優秀的會議。

下面介紹兩個圖像與機器學習領域的著名頂級會議：

CVPR：與另兩個會議ICCV和ECCV合稱計算機視覺領域的三大會，注意會議每年的主頁是變動的，因此搜索需要加上年份;Conference on Neural Information Processing Systems：簡稱NIPS，許多重要的工作發表在這上面，例如關於CNN的一篇重要論文就是發表在上面;

8.自由學習

到這里了，可以說是進入這個門了。下面可以依據興趣來自由學習。前階段不推薦的學習資源也可隨意學習，下面是點評：

cs229：Ng寫的講義很不錯，其中關於SVM的推導部分很清晰，想學習SVM推薦;Neural Networks for Machine Learning：大牛的視角跟人就是不一樣，看看Hinton對神經網路是怎麼看的，往往會讓你有種原來如此的感悟。其實看這門課程也等同於讀論文，因為幾乎每節課的參考資料里都有論文要你讀;CS231n: Convolutional Neural Networks for Visual Recognition：最新的知識，還有詳細的作業。國內應該有團隊對字幕進行了翻譯，可以找找;PRML：作為一門經典的機器學習書籍，是很有閱讀必要的，會讓你對機器學習擁有一個其他的觀察視角;

五.總結

本文的目的是幫助對AI領域了解不深，但又想進入的同學踏入這個門。這里只說踏入，是因為這個領域的專精實在非常困難，需要數年的積累與努力。在進行領域學習前，充分認識自己的特點，制定合適的學習方法是十分重要的。

首先得對這個領域進行充分了解，培養興趣。在學習時，保持著循序漸進的學習方針，不要猛進的學習過難資源;結合著學習與實踐相輔的策略，不要只讀只看，實際動手才有成就感。學習某個資源時要有充分的目的，不是為了學開源項目而看代碼，而是為了寫開源項目而看;不是為了發論文而寫論文，而是為了做事情而寫論文。

本文來自公眾號：「大技術技術匯」，guanzhu了解大數據行業學習大數據技術和學習路線，還有免費學習資料放送。

如果一個學習資源對你過難，並不代表一定是你的問題，可能是學習資源的演講或撰寫人的問題。能把難的問題講簡單的人才是真正有水平的人。所以，一定要學習優質資源，而不是不分青紅皂白的學習。最後，牢記以興趣來學習。學習的時間很長，過程也很艱難，而只有興趣才是讓你持之以恆，攻克難關的最佳助力。