外行要入人工智慧非常困難，但也不是完全不行，地球上沒有人學不會的知識。由於人工智慧的基礎是演算法，實現方式是程式設計，所以必須補足兩方面的短板。數學方面：高數 線性代數 機率論與數理分析 這三個搞得定後再搞淺層機器學習，深度神精網路，然後根據具體涉及行業繼續深入。程式設計方面推薦python 和 js 作為語法基礎，再弄資料倉庫，比如Hadoop spark mongoDB等 必須學會map/reduced 程式編寫。達到以上就入門了，培訓機構智慧對你的程式設計有點幫助，數學方面就不行了。我是大學畢業14年後重拾數學，我知道這個苦逼的過程。但這也是值得的。至於工作，主要看自己的能力，能力到位了，又有相關工作經驗，那就不成問題。

一、外行怎樣進入人工智慧行業，先高畫質人工智慧有哪些方向?

人工智慧專業就業方向,人工智慧方向,人工智慧的發展方向,人工智慧研究方向,人工智慧方向研究生,計算機人工智慧方向,人工智慧未來發展方向,人工智慧考研方向,人工智慧有哪些方向,人工智慧未來方向,人工智慧創業方向,人工智慧方向的專業,人工智慧應用方向,人工智慧投資方向,人工智慧對就業的影響。

二、外行如何進入人工智慧行業，不是簡單做一件事。

1、海量的資料。這基本是千萬以上的資料，所以當你聽很多人說大資料（有一萬個樣本），都是沒有用的，千萬級別的資料。

2、這時候還需要頂尖的科學家，不是一個程式設計師、工程師就可以做的。

3、要有非常清晰領域的邊界，因為人工智慧只能懂一件事情，讓它跨領域是做不到的。就像現在我跟你說“中午我不想吃漢堡”，你們都能聽懂，但是如果你跟一個人工智慧這樣跳躍領域去講，它是搞不懂的。

4、要有非常好的標註，比如你用百度時候每一次的點選，去淘寶時每一次的購買，你在滴滴每次成功的搭上車，都是告訴系統我成功了。當你每次在百度沒有點選，在淘寶沒有購買，在滴滴沒有打上車，也是告訴系統這是一個標註。沒有標註的資料，意義是不大的。

5、用這麼大的資料，要有非常多的計算量，這時候人工智慧才可以形成。

可能很多人說，人工智慧是什麼機器人、無人駕駛，這個好長遠啊。其實不是的，你每次在用百度、淘寶、滴滴的時候，它背後都是一個人工智慧的引擎。

人工智慧是一個很大的概念，現在很多的公司所謂的AI應用還是停留在比較初級的階段，進行一些資訊（資料）的分類，篩選，模式識別之類，許多語言都有成型的程式碼包，開原始碼之類，用起來並沒有太大的技術含量，要想達到實際的應用效果，更多的是需要大資料的支援，不斷在演算法上進行最佳化，而要在演算法上進行創新基本上和你學什麼語言（java、c、彙編）是無關的，可能更多的需要數學基礎。像IBM、Google等大公司可能走得更遠一些，例如谷歌的下一步將邁向何方里面介紹的，這些基本上就是非常前沿的人工智慧的成果了。

現在比較火的一些智慧裝置，智慧家居，我並不覺得算是人工智慧，更多的是各類感測器加上程式規則的應用，可能這類行業會更貼近生活更有市場一些吧，前景倒是非常看好的。不過和做軟體一樣，並不是技術有多牛就一定能做出好的軟體產品，一定要深入瞭解使用者需求，注重使用者體驗，以你的背景來說，我覺得可能往這個方向發展會有更好的效果。

三、外行要轉行到人工智慧行業需要學習什麼？

目前，人工智慧已經成為越來越火的一個方向。普通程式設計師，外行從業者，如何轉向人工智慧方向，最好遵循下面一些學習方法。

1、學習目的

目的是給出一個簡單的，平滑的，易於實現的學習方法，幫助 “普通” 程式設計師或外行踏入AI領域這個門。我建議外行最好先學習擁有普通程式設計師的知識，這裡，我對普通程式設計師的定義是：擁有大學本科知識;平時工作較忙;自己能獲取的資料有限。

2、AI領域簡介

AI，也就是人工智慧，並不僅僅包括機器學習。曾經，符號與邏輯被認為是人工智慧實現的關鍵，而如今則是基於統計的機器學習佔據了主導地位。最近火熱的深度學習正是機器學習中的一個子項。目前可以說，學習AI主要的是學習機器學習。

但是，人工智慧並不等同於機器學習，這點在進入這個領域時一定要認識清楚。關於AI領域的發展歷史介紹推薦看周老師寫的《機器學習簡介》。下面一個問題是：AI的門好跨麼?其實很不好跨。我們以機器學習為例。

在學習過程中，你會面對大量複雜的公式，在實際專案中會面對資料的缺乏，以及艱辛的調參等。如果僅僅是因為覺得這個方向未來會“火”的話，那麼這些困難會容易讓人放棄。考慮到普通程式設計師的特點，而要學習如此困難的學科，是否就是沒有門路的?答案是否定的。只要制定合適的學習方法即可。

3、 學習方法

學習方法的設定簡單說就是回答以下幾個問題：我要學的是什麼?我怎樣學習?我如何去學習?這三個問題概括說就是：學習目標，學習方針與學習計劃。學習目標比較清楚，就是踏入AI領域這個門。這個目標不大，因此實現起來也較為容易。“過大的目標時就是為了你日後放棄它時找到了足夠的理由”。

學習方針可以總結為 “興趣為先，踐學結合”。簡單說就是先培養興趣，然後學習中把實踐穿插進來，螺旋式提高。這種方式學習效果好，而且不容易讓人放棄。有了學習方針以後，就可以制定學習計劃，也稱為學習路線。下面就是學習路線的介紹。

四. 學習路線

我推薦的學習路線是這樣的，如下圖：



圖1 AI領域學習路線圖

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，這裡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瞭解，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，整合學習等實用方法。

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專案，以改程式碼為目的來讀程式碼;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，因此很能考察和鍛鍊水平。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：

領域瞭解

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。瞭解這些問題後，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係，可以看我寫的部落格 從機器學習談起：

知識準備

如果你離校過久，或者覺得基礎不牢，最好事先做一下準備複習工作。“工欲善其事，必先利其器”。以下的準備工作不多，但足以應付後面階段的學習。

數學：複習以下基本知識。線性代數：矩陣乘法;高數：求導;機率論：條件與後驗機率。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：常備一個線上英文詞典，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。不是說百度查的不能看，而是很多情況下Google搜出來的資料比百度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;

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 這門課程我這裡不推薦，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，非常細緻清晰，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上每週有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!

實踐做專案

學習完了基礎課程，你對機器學習就有了初步瞭解。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，放進去資料，就會有結果。在實戰中你更需要去關心如何獲取資料，以及怎麼調參等。如果有時間，自己動手做一個簡單的實踐專案是最好的。

這裡需要選擇一個應用方向，是影象(計算機視覺)，音訊(語音識別)，還是文字(自然語言處理)。這裡推薦選擇影象領域，這裡面的開源專案較多，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。專案做好後，可以開源到到 Github 上面，然後不斷完善它。實戰專案做完後，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;

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準;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。

繼續機器學習

深度學習未必就是未來的一定主流，至少一些大牛是這麼認為的。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)與整合學習(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;

開源專案

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，學習經典的開源專案或者發表高質量的論文。開源專案的學習應該以儘量以最佳化為目的，單純為讀程式碼而學習效果往往不太好。好的開源專案都可以在Github 裡搜尋。這裡以深度學習為例。深度學習的開源優秀庫有很多，例如torch，theano等等，這裡列舉其中的兩個：

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，支援移動裝置;

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程式碼或者基於開源專案。因此開源專案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，瞭解一下這個領域裡有哪些優秀的會議。

下面介紹兩個影象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，因此搜尋需要加上年份;

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;

自由學習

到這裡了，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裡都有論文要你讀;

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;

四、總結

以上意見和見解的目的是幫助對AI領域瞭解不深，但又想進入的同學踏入這個門。這裡只說踏入，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，不是為了學開源專案而看程式碼，而是為了寫開源專案而看;不是為了發論文而寫論文，而是為了做事情而寫論文。

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。

謹以此提出一些意見與在學海中乘舟的諸位共勉。實際中還需自己探索。我就是一名普通技術員，剛剛轉入AI領域，還有很多不足。希望此文可以幫助到大家。在很近的未來，在無數科學家的努力與求索之下，人工智慧會快速在各行各業開花結果，循序漸進地改變人類的工作、職業習慣、行為方式，甚至是思維方式。人類因此更加強大，生活更加便捷，機會選擇更加豐富。

首先，人工智慧裡面涉及很多數學方面知識，對於數學已經比較生疏的應該去花點時間複習一些線性代數機率論微積分的知識。小編覺得如果數學基礎很差可以考慮放棄這個方向，因為即使勉強入門後面空間也不大，畢竟很多時候你的機器學習好壞大部分取決於你構造的函式好壞。

其次，多看一些英文的著作，比如Andrew Ng機器學習課程，Machine Learning Distilled，MIT 的Deep Learning。英文不好的同學自己帶小辭典或者線上翻譯。西方在這個方面已經有了很多的積累，所以我們還是要多虛心學習的。

再次，找一個可以實踐的工具和平臺實際學習，最主流的是Python。主要原因是現在的研究熱點大都用Python實現有非常多優秀的深度學習庫可用，Python可以編譯到C，Python是免費的。使用微軟開發的可以使用微軟的AFORGE，很容易入門。如果要追求效率，也可以使用C++語言，谷歌也有很多人工智慧程式碼是C++的。

最後才是最重要的就是，如何找到一份相關的工作，當然選擇人工智慧培訓也是一個不錯的捷徑。

人工智慧技術的基礎：這五門數學課在大學有沒有好好學？

大家都知道現在大熱的人工智慧技術門檻比較高，相比之前的web、APP等傳統技術方向，人工智慧需要的基礎首先就是數學能力，沒有數學能力，就沒有演算法能力，所以更別談深度學習了，下面5種數學能力是學習人工智慧技術的基礎，相信計算機和數學相關專業的同學都學過：

1、高等數學

2、線性代數

3、機率和數理統計

4、一門計算機語言（Java/C++/Python and the like)

5、演算法

這幾門不知道學的如何，如果學不好，現在想學習人工智慧，還是很吃力的，需要重新拿起來，好了，趕緊看書吧。