有關機器學習領域的最佳介紹，請觀看Coursera的Andrew Ng機器學習課程。 它解釋了基本概念，並讓你很好地理解最重要的演算法。

有關ML演算法的簡要概述，檢視這個TutsPlus課程“Machine Learning Distilled”。“Programming Collective Intelligence”這本書是一個很好的資源，可以學習ML 演算法在Python中的實際實現。 它需要你透過許多實踐專案，涵蓋所有必要的基礎。

這些不錯的資源你可能也感興趣:

Perer Norvig 的Udacity Course on ML（ML Udacity 課程）Tom Mitchell 在卡梅隆大學教授的 Another course on ML（另一門ML課程）YouTube上的機器學習教程 mathematicalmonk

二、深度學習

關於深度學習的最佳介紹，我遇到最好的是 Deep Learning With Python。它不會深入到困難的數學，也沒有一個超長列表的先決條件，而是描述了一個簡單的方法開始DL，解釋如何快速開始構建並學習實踐上的一切。它解釋了最先進的工具（Keras，TensorFlow），並帶你通過幾個實際專案，解釋如何在所有最好的DL應用程式中實現最先進的結果。

在Google上也有一個great introductory DL course，還有Sephen Welch的great explanation of neural networks。

之後，為了更深入地瞭解，這裡還有一些有趣的資源：

Geoffrey Hinton 的coursera 課程“Neural Networks for Machine Learning”。這門課程會帶你瞭解 ANN 的經典問題——MNIST 字元識別的過程，並將深入解釋一切。MIT Deep Learning（深度學習）一書。UFLDL tutorial by Stanford （斯坦福的 UFLDL 教程）deeplearning.net教程 Michael Nielsen 的 Neural Networks and Deep Learning（神經網路和深度學習）一書Simon O. Haykin 的Neural Networks and Learning Machines （神經網路和機器學習）一書

三、人工智慧

“Artificial Intelligence: A Modern Approach (AIMA)” （人工智慧：現代方法） 是關於“守舊派” AI最好的一本書籍。這本書總體概述了人工智慧領域，並解釋了你需要了解的所有基本概念。

來自加州大學伯克利分校的 Artificial Intelligence course（人工智慧課程）是一系列優秀的影片講座，透過一種非常有趣的實踐專案（訓練AI玩Pacman遊戲 ）來解釋基本知識。我推薦在影片的同時可以一起閱讀AIMA，因為它是基於這本書，並從不同的角度解釋了很多類似的概念，使他們更容易理解。它的講解相對較深，對初學者來說是非常不錯的資源。

大腦如何工作

如果你對人工智慧感興趣，你可能很想知道人的大腦是怎麼工作的，下面的幾本書會透過直觀有趣的方式來解釋最好的現代理論。

Jeff Hawkins 的 On Intelligence（有聲讀物）Gödel, Escher, Bach

我建議透過這兩本書入門，它們能很好地向你解釋大腦工作的一般理論。

其他資源：

Ray Kurzweil的 How to Create a Mind （如何建立一個頭腦Ray Kurzweil） (有聲讀物).Principles of Neural Science （神經科學原理）是我能找到的最好的書，深入NS。 它談論的是核心科學，神經解剖等。 非常有趣，但也很長 – 我還在讀它。

四、數學

以下是你開始學習AI需要了解的非常基本的數學概念：

微積分學

Khan Academy Calculus videos（可汗學院微積分影片）MIT lectures on Multivariable Calculus（MIT關於多變數微積分的講座）

線性代數

Khan Academy Linear Algebra videos（可汗學院線性代數影片）MIT linear algebra videos by Gilbert Strang（Gilbert Strang的MIT線性代數影片）Coding the Matrix （編碼矩陣） – 布朗大學執行緒代數CS課程

機率和統計

可汗學院 Probability（機率）與 Statistics（統計）影片edx probability course （edx機率課程）

五、計算機科學

要掌握AI，你要熟悉計算機科學和程式設計。

如果你剛剛開始，我建議閱讀 Dive Into Python 3 （深入Python 3）這本書，你在Python程式設計中所需要的大部分知識都會提到。

要更深入地瞭解計算機程式設計的本質 – 看這個經典的 MIT course （MIT課程）。這是一門關於lisp和計算機科學的基礎的課程，基於 CS -結構和計算機程式的解釋中最有影響力的書之一。

六、其他資源

Metacademy  – 是你知識的“包管理器”。 你可以使用這個偉大的工具來了解你需要學習不同的ML主題的所有先決條件。kaggle  – 機器學習平臺

人工智慧是天才的競技場，比的是創新，不是學，只會學習沒戲的。這和你學一門程式語言不是一回事。一個是科學家 一個是工程師

　　1. ===功能===

　　人工智慧現在已經能實現很多功能了，比如

　　語音識別——李開復博士當年做的工作奠定了很多當今識別系統的基礎。這裡忍不住說一下，Siri本身的技術並沒有特別大的亮點，真正nb的是它的模式（語音識別直接與搜尋引擎結合在一起，產品體驗做得好。而且關鍵是這樣的模式能採集到更多資料，使得系統的精度越來越高）。

　　自然語言理解——目前看到的最強的結果應該是IBM Watson。但其實我們現在用的搜尋引擎、中文輸入法、機器翻譯（雖然其實還不怎麼work）都和自然語言理解相關。

　　資料探勘——隨著近年資料量的瘋狂增長，資料探勘也有了長足進步。最具有代表性的是前幾年著名的Netflix challenge（Netflix公司公開了自己的使用者評分資料，讓研究者根據這些資料對使用者沒看過的電影預測評分，誰先比現有系統好10%，誰就能贏100萬美元）最後這一比賽成績較好的隊伍，並非是單一的某個特別nb的演算法能給出精確的結果，而是把大量刻畫了不同方面的模型混合在一起，進行最終的預測。

　　計算機視覺——目前越來越多的領域跟視覺有關。大家可能一開始想到的都是自動駕駛。雖然大家都在說googleX的無人車， 但實際上現在無論是商業上，還是技術整合上最成功的演算法是Mobile Eye的輔助駕駛系統。這個公司也是目前computer vision領域最掙錢的公司。從實現新功能方面說，視覺的發展的趨勢主要有兩方面，A) 整合更多的模組，從問題的各種不同方面，解決同一個問題（比如Mobile Eye，就同時使用了數十種方法，放到一起最終作出決策） B) 使用新的資訊，解決一個原來很難的問題。這方面最好的例子是M$的Kinect，這個產品最讓人拍案叫絕的就是那個紅外pattern投影儀。

　　2. ===理論基礎===

　　這裡說的是數學理論，是為實現功能解決問題而存在的。與人類的智慧的聯絡在下一節說。從這個角度，我們已經有了很多強有力的數學工具，從高斯時代的最小二乘法，到現在比較火的凸最佳化，其實我們解決絕大多數智慧問題的套路，都可以從某種意義上轉換成一個最佳化問題。

　　真正限制我們解這個最佳化問題的困難有以下三個：

　　計算複雜度——能保證完美解的演算法大都是NP-hard的。如何能讓一個系統在當前的硬體下“跑起來”，就需要在很多細節取巧，這是很多learning paper的核心衝突。

　　模型假設——所有模型都要基於一些假設，比如說，無人車會假設周圍的汽車加速度有一個上限（至少不會瞬間移動吧，否則怎麼閃避）絕大多數假設都不能保證絕對正確，我們只是制定那些在大多數時候合理的假設，然後基於這些假設建模（比如，在語音識別裡，我們是否要假設存在背景噪聲呢？如果有背景噪聲，這個噪聲應該符合什麼特點呢？這時候無論你怎麼定標準，總能找出“反例”）。

　　資料基礎——任何學習過程都需要資料的支援，無論是人類學說話學寫字，還是計算機學習汽車駕駛。但是就資料採集本身來說，成功的案例並不多。大概這個世界上最強的資料採集就是google了吧。每次你搜索一個關鍵詞，然後點進去，google就自動記錄了你的行為，然後以此資料來訓練自己的演算法。

來回答一下這個問題。

就像題目中所說，人工智慧是與網際網路類似的技術革命，甚至要比網際網路帶來的影響更大。學習人工智慧，能讓自己在這個急速變革的時代，看清趨勢，掌握主動。

很多人可能覺得人工智慧離我們還很遠，但AI的神奇魔術已經滲透進了生活的方方面面。

比如蘋果siri、百度度秘、微軟小冰、亞馬遜Alexa這樣的智慧聊天應用，正試圖顛覆你和手機交流的根本方式，將手機變成聰明的小秘書。

使用滴滴出行時，人工智慧演算法不但會幫助司機選擇路線，規劃車輛排程，不遠的將來，自動駕駛技術還將重新定義智慧出行。

使用手機購物時，淘寶、亞馬遜等電子商務網站使用人工智慧技術為你推薦最適合的商品，而先進的倉儲機器人、物流機器人和物流無人機正幫助電商企業高效、安全地分發貨物。

每一項新技術的出現，都會以潛移默化的方式改變人類社會的方方面面。身處其中的人可能感受不到，但如果拉長時間維度，就能看到翻天覆地的變化。

談到對AI後輩的建議時，John說，如果你想要成功，就必須選擇自己真正熱愛的事業，而不僅僅是為了謀生。在康奈爾大學，我對求職的學生的建議是：不要只盯著薪水。

John生於1939年，在西雅圖大學獲得學士學位後，進入斯坦福大學研究生院深造，隨後在普林斯頓大學、康奈爾大學等高校和研究機構工作。

1986年，由於在演算法及資料結構設計和分析方面的成就，John被授予圖靈獎，該獎項被譽為計算機界的諾貝爾獎。

由於貢獻傑出，1992年到1998年，他被美國總統布什任命為監督國家科學基金會的委員會成員。

世界將只需要25%的人口

現在是一個非常振奮人心的時代，世界正在經歷一場徹底的變革。

現代企業和工作崗位是近代以來的產物，只有大約三百年的歷史。這三百年間，我們經歷了多次機器取代人力的革命。但在眼下，我們正在經歷的，卻是一場計算機取代人類的變革。

這場變革會對社會產生多麼重要的影響？

以美國的一些資料為例。美國有350萬卡車司機，以及550萬貨物裝載工人，這些職業都將面臨消失。

在生鮮商店，大部分商品都帶有條形碼，只要把商品放進籃子，就可以用信用卡結賬，收銀員變得可有可無。

如果這樣下去，或許只要25%的人就能生產滿足我們所需的所有物品。

但如果75%的人口將不再從事生產，那就會成為嚴重的不穩定因素，要如何引導他們做有意義的活動呢？這是一個嚴峻的挑戰。據我所知，有一些國家已經意識到了這一點，開始考慮如何安置可能失業的人口。

但我相信，科技的發展帶來的是更為美好的未來。我小時候還有電梯員這樣的職位，隨著電梯的進化，這一崗位已經消失了。這是發展的規律。

行業趨勢：類人AI有趣，但突破仍需40年

Q：目前，AI影響的主要還是計算機科學有關的專業，對其他專業的教育會有什麼影響？

John：或許AI會對教育產生很大的影響，但是更多情況下，重要的並不是教育者的知識，而是教育者對學生的關懷。如果教師不再參與教育，那麼教育也就失去了一個十分重要的因素。

我曾經總結，都有哪些科技發展對教育產生了深刻的影響。結果發現，儘管我小時候曾以為電視會改變教育，但實際上，真正產生了深遠影響的只是黑板和印刷機構的出現。科技的進步無法替代人的作用。斯坦福也曾經進行過相關研究，發現當有人陪伴時，學生能從觀看影片中獲取更多知識。

雖然有十分有趣的類人AI想法，但出現依舊需要時間。目前的AI浪潮只有短短几十年時間，深度學習技術還稱不上“智慧”，只能識別物體的外在，而非背後的機能，遠遠達不到人類的智慧水平。所以我想，所謂的變革可能起碼還要四十年左右的時間才會發生。

Q：未來一段時間內，AI研究的哪個發展方向將是較為重要的？

John：目前，深度學習領域的AI研究已經取得了許多成果。就我個人來講，我比較感興趣的新話題在於，深度學習的作用機制到底是什麼？

萊特兄弟在不清楚飛機作用機制的情況下發明瞭飛機，但後來的科學家發現了背後的原理。之前，我們的研究重點在於讓程式執行，我想以後可以更多關注深度學習背後的原理。

個人發展：青年學者不要只盯著薪水

Q：AI有兩個職業路徑，一是理論研究，二是投身產業實踐，我們應當如何取捨？

John：這一問題的實質其實在於，你究竟想要留在高校進行理論研究，還是進入企業等機構進行研發。

20世紀40年代末，美國將研究細分為了基礎研究（basic research）以及應用研究（applied research）兩類。劃分的依據不在於學科和課題，而在於研究目的。如果是政府或者企業贊助的研究，會被認為是應用研究；相反，如果只是研究感到好奇的現象，就屬於基礎研究。在美國，應用研究多在國家或者企業級實驗室中進行，講究時效；而基礎研究則在高校中進行。

如何取捨取決於你的意向。如果想要看到實際產品，希望得到各種資源支援，那就投身產業實踐；如果你只是對某些方向感到好奇，在高校做基礎研究可能更適合你。

Q：對於有意從事AI相關職業的研究生來說，進一步深造是必須的嗎？

John：正如我前面所言，在美國，這取決於你的研究意向，你是想從事學術研究還是投入產品研發。就我個人而言，獲得研究生學歷以後投入工作，不一定遜色於繼續進行博士學習。

Q：您對我們這些AI後輩有什麼建議？

John：我經常告誡學生以及青年學者：如果你想要成功，就必須選擇自己真正熱愛的事業，而不僅僅是為了謀生。在康奈爾大學，我對求職的學生的建議是：不要只盯著薪水。

一週只有168個小時，拋棄吃飯、睡覺、工作的時間，其實只有15個小時能夠用來做自己想做的事情。但是如果你的工作就是你的愛好，那麼這段時間就延長到了55個小時。

學人工智慧當然好呀。

念大學的話可以選擇國內清華，上海交大或者中科大的計算機科學專業學人工智慧。

如果只是想自學的話，可以去Coursera上面搜機器學習相關課程，比較好的有Andrew Ng的machine learning，Hinton的neural networks for machine learning，以及deeplearing.ai的課程。或者在谷歌上搜machine learning course，會有很多美國名校教授授課的youtube影片。

那麼為什念人工智慧好呢？因為人工智慧是堪比第一次工業革命的革命，它會重塑幾乎所有行業，提升整個社會的效率，使我們得以從枯燥的工作中得以解放。既然是如此大的革命當然需要大量相關人才。

人工智慧時下一個風口，這已經眾所周知，至少所有的投資者會把這個感念用爛。能稱得上精通人工智慧的人才遠不止是熟練使用技術。真正精通背後技術的需要花5—7年的時間，一般都是讀過PHD的。

至於學人工智慧。這點就很有意思，我採訪過國內做面部識別、影象識別、動作識別的獨角獸商湯科技CEO徐立，是個非常幽默的程式設計師。

在兩年前首創的106人臉關鍵點定位技術基礎上，商湯科技近期推出的240關鍵點增加了對眉、眼、口、鼻、唇等五官部位更加細緻、精準的定位和追蹤。

商湯科技能做這麼大很大程度上是它幾年前屯了國內這個領域所有的博士。

徐立說，目前國內在計算機視覺領域讀PHD的只有一兩百號人，比大熊貓還稀有，而商湯科技在剛剛融到第一筆資金時，就基本把這批人全招了進來。

是不是覺得很牛逼，花了多少錢把所有博士屯起來，其實，因為5年前這些人都不太找得到工作，。誰也沒想到影象識別這種偏門專業會成為大熱的人工智慧技術。

如果你現在要學，各種科技領域都可以向人工智慧靠齊，前提是讀到博士。

但是你學成出來，人工智慧還缺不缺人才很難說。

與其這樣冒險不如去學自己喜歡或者擅長的東西。

如果大學要學習人工智慧專業，可以參考下面的影片講解

大家可以搜尋“志願填報勳哥"，就可以找到更多勳哥高考志願填報系統指導影片

怒答一波，人工智慧的黃金時代已到來！

市場

到2020年，人工智慧規模將達萬億級市場，意味著在未來不到3年的時間內，人工智慧市場將空前活躍，人才需求井噴！

人工智慧工程師職業前景

2017年機器學習工程師正在成為IT行業需求缺口最大的崗位，機器學習平均年薪較其他崗位平均年薪高。並且隨著從業年限遞增，機器學習從業人員平均薪酬漲幅高。機器學習從業人員平均月薪分佈，超過70%從業者月薪為20K-50K。

結論

好

原因

人工智慧將會成為一個大的產業，中國足夠重視，國務院專門為此下了幾次紅標頭檔案。人工智慧的發展會很多行業的消失或者巨大改變，這些行業的特點是，重複的勞動，不需要太多思考。

目前人工智慧演算法的研究成果，足夠支援產生很多新的應用，所以這是一個大的產業，精分下來會有很多崗位，人工智慧領域崗位可以參考目前軟體開發產業。想應用人工智慧演算法，就去工業界；想研究推進人工智慧演算法，就去學術界。

至於如何學習，應用的話，那就是練習寫程式碼做專案；掌握最新的技術，那就是讀論文。

學習人工智慧怎麼樣？人工智慧的核心其實就是人工神經網路，雖然目前有很多成熟的人工神經網路演算法，但是在實際的應用中還是存在諸多問題，所以這個要看你想達到什麼程度以及學習的目的。零基礎的話是不建議直接學習人工智慧的，人工智慧前景確實特別好，但是也比較難。如果學歷很高或者是數學專業的，或者有開發經驗的，學習會比較簡單。現在很多機構都宣傳學習Python可以 直接學習人工智慧，其實哪些內容根本不夠，學到的東西只能實現簡單的演算法，根本從事不了這方面的工作。如果想要系統提升的話，推薦你可以去了解一下北京尚學堂。他家是做純人工智慧課程比較早的機構，因為我現在在提升Python人工智慧的課程我有了解過，課程內容確實學習的特別深，從機器學習開始的，然後到深度學習強化學習模式，以實戰為主，平時都是在大量的專案和案例上進行講解。這也是我之後提升的方向。不需要最好，主要是為了更接近這個智慧時代他家也有不少免費資料，你不妨看看。基礎的話，推薦你先學習Python，也可以看看高淇老師的Python400集，就是智慧方向的，乾貨滿滿，而且還都是免費的，希望對你有幫助！

學人工智慧好不好？我們看我的分析就就知道啦!

Python+人工智慧面臨百萬人才缺口.

Python應用無處不在，幾乎適配各種場景（Web開發、網路開發、系統開發、資料探勘、爬蟲開發和機器學習等）。Python作為人工智慧和資料分析第一語言，使得Python程式設計師成了當前人才市場的“搶手貨”，工資待遇也水漲船高。

12月21日，在AI　Challenger全球AI（人工智慧）挑戰賽的會場中，一位參賽選手展示的PPT呈現了這樣一句話。這句話是利用深度學習、經過訓練後的人工智慧（核算機體系），依據主辦方供給的照片所描述出來的一句話。如果依照工作劃分，這種識別、描述圖片的技能歸於核算機視覺的一種。在上世紀80年代第2次人工智慧熱潮褪去後，人工智慧的開展便開端沿著機器視覺、自然言語理解等不同分支方向開展。Python被稱為“膠水言語”，也被程式設計師譽為“最美麗的”程式設計言語。從雲端、客戶端，到物聯網終端，2012年神經網路（一種模擬人類大腦神經網路的機器學習技能）的呈現為第三波人工智慧熱潮的鼓起供給了契機。憑藉著硬體裝置核算才能的突飛猛進以及資料儲存量的增加，人工智慧的商業使用案例不斷呈現，在圖片識別、言語翻譯等多個範疇，這種技能已經展示了其難以代替的價值。

更多的價值現在仍然都逗留在資本層面，出資組織和網際網路巨頭連綿不斷把資金投入人工智慧以及與此相關的範疇。商業公司也樂於宣佈自己的AI戰略——剛剛完成一輪40億融資的滴滴即宣傳自己會加大關於AI交通的投入，甚至於核算機科學、電子工程相關專業的學生偶然也會表示自己學習的是人工智慧專業。“對工作外的人會說我們學的是人工智慧，但是在學校裡很少會用到這個詞，只會說到具體的專業”，帥靖文對經濟觀察報表示。帥靖文是電子科技大學電子工程專業研討生三年級的學生，他也是AI　Challenger全球AI挑戰賽的參賽選手之一，在半年時間中，這已經是他參與的第三次人工智慧相關範疇的競賽。隨著人工智慧概念的鼓起，各種各樣的競賽不斷呈現，絕大部分的競賽都由網際網路企業或許出資組織舉行。

舉行人工智慧競賽的企業期望可以為這一工作儲藏更多的人才。在人工智慧概念鼓起後，中國相關範疇的結業生變得格外緊俏，工信部教育考試中心副主任周明在2016年供給的資料顯現，中國人工智慧人才缺口超越500萬人，在AI　Challenger的會場外也可以看到網際網路企業擺放的招聘廣告。“我們期望可以在三年之內看到中國的青年AI科學家，可以跟美國在一個平臺上競爭，到達國際領跑的高度”，立異工場董事長兼CEO李開復在AI　Challenger會場上表示。

熱浪來襲

從2016年年頭開端，李開復就頻頻地呈現在各個出資會場，宣講他的人工智慧概念，其間頻頻被媒體引用的一頁PPT內容是：人工智慧將會代替多少工作？

雖然在2016年年頭Alphago讓人工智慧一戰成名，但至少截至去年年中，出資圈對人工智慧的熱情還未被完全開釋，一家出資組織測驗在2016年上半年舉行一次人工智慧的峰會，就因為響應者寥寥而中途作罷。但是，進入下半年，出資範疇的人工智慧熱開端蔓延，高校核心算機科學、電子工程等專業的學者開端頻頻被邀請到出資會場上進行人工智慧的介紹，一位核算機視覺的研討者在一週的時間中，接連三次接到會議的邀請。一起，資金開端不斷湧入這一範疇，一大批與人工智慧相關的公司呈現。依據麥肯錫的陳述顯現，2016年科技巨頭在人工智慧上投入了200億到300億美元，其間90%花在了研製和部署上，另外10%則花在了人工智慧併購上。VC和PE融資、撥款和種子輪出資也在快速增加，雖然基數很小，但已經增加到了總共60億到90億美元。

政策的注重程度也在不斷的加強。2016年5月，工信部等四部委釋出了《“網際網路+”人工智慧三年舉動實施方案》。2017年年頭，人工智慧被寫入了政府陳述中，而在7月份國務院釋出了《新一代人工智慧開展規劃》，依照這份規劃所擬定的目標，到2030年中國人工智慧理論、技能與使用整體到達國際領先水平，成為國際首要人工智慧立異中心，智慧經濟、智慧社會獲得顯著成效，為躋身立異型國家前列和經濟強國奠定重要根底。

人才緊缺

羅若天是豐田工業大學芝加哥分校的博士生，他所學習的專業是核算機視覺專業，這是人工智慧範疇裡面被以為具有極大商業價值的分支範疇，現在已經有醫療、安保方面的使用案例。在最近的數年時間中，要申請所讀專業的難度已經變得越來越大。

核算科學專業以及電子工程專業是現在人工智慧人才的首要輸送地。清華大學核算機科學系副教授劉洋對經濟觀察報表示，在人工智慧概念大熱後，報考核算機科學專業的“高考狀元”數量有顯著的增加。

資本商場受寵的現狀，讓人工智慧成為一個炙手可熱的工作範疇。帥靖文對經濟觀察報表示，他地點的專業中，已經有越來越多的結業生會選擇去人工智慧相關的創業公司工作。另一名人工智慧方面的教授也對經濟觀察報表示，2016年其地點的專業結業生收入有了顯著的增加，這也讓在校的學生不斷上調了自己對薪水的預期。

人才價格的不斷上揚，顯現了人工智慧範疇人才緊缺的現狀。2017年12月，騰訊釋出了一份《2017年全球人工智慧人才白皮書》，這份白皮書顯現，全球AI範疇人才約30萬，其間，高校範疇約10萬人，工業界約20萬人，而商場需求則在百萬量級。這種緊缺將會在未來一段時間中繼續，白皮書的資料顯現，全球共有367所具有人工智慧研討方向的高校，每年結業AI範疇的學生約2萬人，遠遠不能滿足商場對人才的需求。

為此，工業界開端不斷透過組成研討院或許進行大賽的方法來推進人工智慧人才數量和質量的增加。此次舉行的AI　Challenger即出於這樣一個目的。依據會議舉行方供給的資料，今年的AI　　Challenger算計參賽隊有8892支，參賽選手即重複參賽的人次一共有106790名，其中國內選手佔92%，首要來自北京、廣東、上海等地。

想想一些歷史上的科學巨人：哥白尼、愛因斯坦、牛頓、沃森和克里克、達爾文等。這些名字代表了傑出研究人員的英勇個人努力：（1）思考問題，（2）努力揭示核心原則，（3）透過演繹，邏輯和實驗驗證假設。人工智慧的早期是由類似的演繹計算邏輯驅動的。同樣，重點在於程式設計師編寫靜態規則以供計算機遵循。根據對領域的第一原則理解，需要將問題提煉成基本規則。然後，計算機將負責按照“if-this-then-that”的邏輯程序來推斷最終結果。計算機科學的這一時期源於演繹推理：（1）先驗地理解問題的底層結構;（2）在可執行程式碼中編碼決策邏輯;（3）交給計算機遵循靜態指令和計算結果。這裡的關鍵假設是：世界是由規則引導的，規則首先被人類智慧解釋和編碼。人工智慧的主要作用是遵循這些編碼規則，以便機器可以複製已經由人類繪製出來的結果。人工智慧是人類智慧的一個子集，充其量只是一個副本。

在過去的20年中，出現了一些重大的基礎設施發展，這些發展允許根本不同型別的人工智慧。我們現在可以訪問建立統計模型（網際網路）的大型資料集，以及支援大量資料（雲端儲存）的基礎設施。配備了用於計算大資料（MapReduce，Spark），統計和貝葉斯演算法（研究實驗室和大學）的範例，以及執行迭代演算法（摩爾定律，GPU以及專用於最佳化機器學習計算的定製化FPGA / ASIC）的計算資源），現代人工智慧開始出現：一種植根於統計相關性。統計相關性基於實施計算機的學習模型以應用於大型資料集。這些統計模型是由經驗表現形成的，代表了歷史學習的相關驅動表徵。 以上是人工智慧的一些介紹，這門學科並不是今天才出現，人工智慧已經在這裡，也是未來，每個人都可以學習瞭解一點。

人工智慧已經脫離了實驗室，實實在在的轉化為生產力，前景是不錯的

尤其是對於重複勞動的人工替代方面，人工智慧有很好的應用前景，預測AI對於全球經濟的總貢獻率將達到15%左右，下表是未來十五年對於AI相對於供給側以及需求側貢獻率的預測

其次是全球主要的經濟體都已經制定了人工智慧的發展戰略，中國和美國更是這個領域發展的佼佼者，學習它不僅能找到一個好工作，而且在中國發展前景很好。下圖是主要國家目前AI戰略的現狀

再者，人工智慧的應用領域非常廣泛，這也意味著帶來的機會和發展的潛力是不可估量的，從垂直行業的AI+，到人工智慧獨立支撐的自動駕駛、機器人、資料服務以及VR/AR等等，下圖是人工智慧涉及到的一些行業

綜上，人工智慧促進經濟發展，國家戰略支援，應用領域廣闊，是非常值得參與的領域，筆者也正從事該領域，感覺希望無限

不建議去學

人工智慧靠一個培訓根本沒辦法有本質提高

而入門的話 現在網上這麼多資料和課程影片，選一個從頭到尾學一遍。如果能夠學下來，再找一些實戰專案練習。

上面自己都能學下來 並且做完 就可以試著找工作了。如果找不到，那麼你上了培訓班照樣也找不到。

說實話 現在人工智慧門檻有點高了，不是前幾年野蠻生長階段了。所以說慎入。

首先我們要搞清楚我們去學習人工智慧做什麼？

1.學習人工智慧後我們能做什麼？

現在是人工智慧化的大趨勢，技術前沿，學習後未來十年甚至更久我們都會處在行業發展的前端，不會出現學習後無工作可找，並且先進的理念，優秀的職業經驗都會重塑你的認知。

2.我們是在什麼基礎上來學習人工智慧？

你學過軟體工程嗎？會一些基礎的程式語言嗎？（例如：Python,Java...）瞭解過大資料相關的理念和技術嗎？

3.我們學習的方向是什麼？

思考一下，我們是想成為一名人工智慧教授？還是一名人工智慧實際實施者。

4.我們願意學習的程度是什麼？

這個問題其實不用回答了，做軟體的都深知，這一行真的是“活到老，學到老”。

假設，未來10年我願意再這行業深鑽並且願意為之付出心血認可這門行業，那當然可以學，而且非常值得學。

請參考上面的四個問題，好好的問自己一下，我想你自己已經有答案了。

不好，為什麼呢？

我們知道，伴隨著人工智慧的大熱，大量的資料科學家以及資料工程師湧入這一領域，以至於在人工只能領域非常有建樹的人物：吳恩達在招人時不給工資都可以招到大把的人。

從當時的大熱到現在的冷淡，人工智慧的成熟必然面對著市場的冷卻，同時這一行業需要比較強大的程式碼基礎和數學基礎，如果沒有精力精通這些科目，還是不建議參與。

人工智慧行業無論從個人發展前景還是從未來社會需求度來說，都是一個不錯的方向。如今程式設計已經逐漸成為通識教育，AI技術已經成為人們在資訊時代生存發展的基礎工具。毫不誇張的說：未來不懂人工智慧將成為新文盲。但是在我們決定學習人工智慧之前我們要想明白幾個問題。

為什麼要學習人工智慧？

未來隨著計算機技術應用日益廣泛，必然會導致人類很多智力活動都將和人工智慧一起協作完成，與“人工智慧”交往能力勢必會成為我們每個人都應該具備的重要能力。學習人工智慧，學習程式設計的目標並只是為了成為一名程式設計師，而是培養我們用資訊化和資料化的眼光看待現實世界的習慣，和解決問題的能力。

學習人工智慧的就業方向有哪些？

其實人工智慧的細分領域非常多。主要從業方向有演算法最佳化、決策樹、模式識別、運籌控制、計算機神經網路、自然語言識別、機器學習（深度學習）、計算機影像學、大資料處理、分散式計算、蒙特卡洛樹搜尋等等。所以前期建議大家先主攻1-2個方向，當有一定的基礎之後，可以拓展全面學習。

什麼時候開始學習人工智慧合適？

我認為大學生“零起點學習AI”絕非理想化的學習狀態。關於AI教育，此前就有不少專家建議從小學甚至學齡前開始學習，一直持續到中學、高中、大學，保持一定的連貫性，唯有如此才能循序漸進、由淺入深地掌握AI相關知識。當程式設計能力成為我們在未來社會生存的基礎能力，越早接觸到人工智慧的相關知識絕對百利無一害。

你想多了：

你先不用考慮好不好就業的問題，你需要考慮一下能不能考上，現在開設人工智慧專業的學校，青色的都是985高校，而且這個專業是最新最火爆的專業是未來的趨勢，大勢所趨，就業不成問題，前景十分光明。

目前開設人工智慧專業的學校，大概有這些：

北京大學、清華大學（姚班）、浙江大學、上海交通大學、中國科學技術大學、哈爾濱工業大學、廈門大學、中南大學、南京大學、南京理工大學、東南大學、電子科技大學、北京航空航天大學、北京郵電大學、北京理工大學、中山大學、華中科技大學和武漢大學、西安電子科技大學、上海大學和湖南大學。

趨勢+背景，就業沒問題

你看看這些學校哪一個學校是容易考上的，哪一個學校的畢業生是找不到工作的，這些學校都是我們國家最優秀的高校，這裡的畢業生即使學了一個特別垃圾的專業，在市場當中也能夠很容易的找到一份工作，這就是出身不同決定了你的後期的發展。

現在開設人工智慧專業的學校都是958高校，等到過兩年一般高校開設人工智慧專業，競爭激烈後，可能就業競爭會激烈一些，但是也比一般的專業好很多。

人工智慧介紹

人工智慧( AI,Artificial Intelligence):它是研究、開發用於模擬、延伸和擴充套件人的智慧的理論、方法、技術及應用系統的一門新的技術科學。 是最近幾年很熱的一個詞，許多科研機構、公司企業、高校等紛紛加入AI研究的潮流當中。

Al的現狀與前景

2016年之前，人工智慧雖然已經出現，但還不是很熱，還沒有引起公眾的注意。到了2016年，谷歌的AlphaGo以4:1戰勝了南韓圍棋世界冠軍李世石，引爆了人工智慧，從此人工智慧的發展一發不可收拾。目前很多與人工智慧相關的科技產品，已經嵌入人們的生活當中，比如機器翻譯，智慧分發，圖片美化等，世界上許多著名的科技公司，如谷歌、蘋果、科大訊飛等等，都在研究佈局人工智慧戰略，開發自己的人工智慧產品；同時，國內外的各大高校，也紛紛設定人工智慧專業，培養人工智慧專業人才。許多國家也十分重視人工智慧的發展，拿中國來說，相繼出臺了十幾次AI相關檔案。

未來，AI的發展會越來越熱，藉助5G網路，AI的應用領域將更加廣闊，麥肯錫全球研究院分析認為，人工智慧正在促進人類社會發生轉變，這種轉變將比工業革命“發生的速度快10倍，規模大300倍，影響力大3000倍。未來人工智慧將滲透在很多行業，有金融行業，醫療行業，能源交通物流領域，無人駕駛等，前景非常廣闊，人才需求量大。

AI的學習內容

人工智慧是一門邊沿學科，屬於自然科學、社會科學、技術科學三向交叉學科。涉及到許多內容，有數學，心理學，計算機，科學，仿生學、不定性論等。

所學的課程較多，數學基礎課：等數學、線性代數、機率論與數理統計、隨機過程；演算法：神經網路、支援向量機、遺傳演算法等演算法；還需要掌握至少一門程式語言，python或其他 。

結論

人工智慧專業是一個不錯的專業，學好了，就業不成問題。不過建議先判斷自己對數學、演算法、程式設計是否感興趣，能不能學會並運用這些課程，因為這些課程個人覺得有點難，心裡要有個大約數，避免頭腦一熱學上了。