個人覺得，首先要懂得，學習相關知識，弄清人工智慧與自己的結合，產品市場在哪裡，有個主攻方向。

其次是預見，明白未來人工智慧的發展趨勢，實際應用的空間，保持戰略定力。

其三是專注，選準方向，引進人才，從小開始，持續精進。

本人從事人工智慧相關行業，對於轉行做人工智慧還是有一些門檻的。目前人工智慧的相關工作對學歷和專業挺看重的！

對於學歷來說現在碩士有優勢，本科還可以，專科就有點困難了，因為學習人工智慧不光是學習計算機相關知識，它還包括大量的數學統計學，生物，物理等知識！下面放一張圖，看圖更清楚

所需要的數學統計學知識和人工智慧各分支的研究方向

看起來分支很多，知識龐雜！其實這是一個系統的所有知識，在實際工作中我們用不了這麼多！比想象中的簡單。到學習的時候還得都學！

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。

我們推薦機器學習路線是這樣的，如下圖：

機器學習路線圖

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。

坦白的說，普通程式設計師轉機器學習並不是一件輕鬆的事情。機器學習卻需要截然不同的思維模式。“機器學習模型不是靜態程式碼——你需要不斷為其提供資料。”正如谷歌大腦專案（Brain Residency）負責人羅伯森說，“我們一直在不停地更新模型，而且還要不斷學習，增加更多資料，調整預測方式。它就像是一個有生命的東西，這是一種截然不同的開發模式。”

當然你可以透過掌握一些開源框架如TensorFlow開源專案來加快學習進度。

現在的Al技術可以說是很火了，如果你是零基礎轉行的話，那我覺得你就沒必要走技術方向，可以從理論入手。如果你有程式設計基礎，那麼Python語言相信對你來說也不是什麼難事，學過程式設計的都知道，程式語言大部分是互通的，再而跟你自己的學習情況有一定了解的關係，都說”世上無難事，只怕有心人心人”，你決定了，那就好好努力，我相信你可以的

人工智慧是綜合學科，涉及到機械、電子、計算機、大資料、演算法等等，列舉如下準備：

1、學習或者複習高等數學、線性代數、機率論與數理統計、運籌學，當然會泛函分析等數學更好。注意這是必須的，不可繞過的，任何拿python忽悠或者只講表面不講基礎學科的都是騙你的

2、電子技術、計算機組成原理、感測器原理等

3、會程式語言，特別是會演算法設計

人工智慧是未來時代的主流，與我們未來的生活息息相關，就像網際網路改變了我們現在的生活一樣。

人工智慧時代正在來臨，我們該做些什麼準備呢？

怎麼理解人工智慧

人工智慧從概念上講，是指的使用計算機模擬人類的思維的一個過程。人的思維其實就是人對情感資訊的處理過程。人的思維有兩大特徵，概括性和間接性。

概括性是指人在收集大量情感資訊的基礎上，對其中具有共同特徵或規律的一類事物進行概括。

間接性是指人根據已知經驗對未知事物的一種認識和學習。

那麼人工智慧要想模擬人類的思維，那麼人工智慧就必須要具備概括性和間接性。從計算機專業的角度上說就是，人工智慧必須要具備大資料分析能力和深度學習能力。

我們應該準備什麼

人工智慧是一個計算機行為，所以我們首先得學好計算機相關的知識，最重要的當然是計算機的程式語言了。

人工智慧要具備大資料分析能力，所以我們還得學好數學、統計學相關的知識。

人工智慧還要具備深度學習能力，所以我們還要學好演算法、效能最佳化相關的知識。

我作為一個程式設計師，優先建議學習python這一門程式語言，因為python語法簡單、語義明確，容易理解；python還擁有豐富的類庫，它對數學、統計學公式、演算法方面有很好的支援，是一門特別適合於做大資料分析、人工智慧領域的程式語言。

第一步：瞭解行業資訊，先來一波科普

所以在學習人工智慧之前，你先了解一下行業中人工智慧的使用情況，就筆者所知除了BAT等大型平臺性軟體公司做的AI平臺介面之外，AI在交通、安防等領域應用相對較多，對行業有一個基本的認識，那麼接下來你要準備學習了

第二步：務實基礎—高數+Python來當道

機器學習裡面涉及了很多演算法，而這些演算法又是數學推匯出來，就需要先具備一部分高數知識基礎。入門的話，可以學習Python語言，可以結合TensorFlow類庫樣例來學習一些Python語言的具體應用。

第三步：機器學習演算法+實踐

掌握以上基礎以後，就要開始學習完機器學習的演算法，並透過案例實踐來加深理解和掌握。還有很多機器學習的小案例等著你來挑戰，前面掌握的好，後面當然輕鬆很多，步入深度學習

第四步：深度學習

深度學習需要機器大量的經過標註的資料來訓練模型，所以你的掌握一些資料探勘和資料分析的技能，然後你再用來訓練模式。在這裡就要深入一些TensorFlow在影象、影片、語義理解等方面的一些具體實踐專案，向一個小的綜合性產品進發。

第五步：行業大型專案實踐

參加一些具體的行業大型專案，長時間的積累AI解決現實場景問題。

這是一個很大的問題，我認為至少可以拆分成以下內容：人工智慧這個新領域需要什麼，能做什麼，我們加入進去能做什麼，需要什麼知識和技能儲備以及如何準備。

首先是，人工智慧這個新領域需要什麼？

人工智慧這個領域其實起源很早，伴隨著計算機技術的發展和人類的多次自我膨脹。

黃金年代：1956 - 1974

1956年，在達特茅斯學院舉行的一次自發形成的會議上正式確立了人工智慧的研究領域。會議的參加者（都是計算機和數學領域的大佬）是當時AI研究的領軍人物。

當時預言，經過一代人的努力，與人類具有同等智慧水平的機器將會出現。同時，上千萬美元被投入到AI研究中，以期實現這一目標。

然後人類大大低估了這一工程的難度，人工智慧史上共出現過好幾次低潮。

第一次AI低谷：1974 - 1980

但是美國和英國政府於1973年停止向沒有明確目標的人工智慧研究專案撥款。七年之後受到日本政府研究規劃的刺激，美國政府和企業再次在AI領域投入數十億研究經費，但這些投資者在80年代末重新撤回了投資。AI研究領域諸如此類的高潮和低谷不斷交替出現；至今仍有人對AI的前景作出異常樂觀的預測。

繁榮：1980 - 1987

在80年代，一類名為“專家系統”的AI程式開始為全世界的公司所採納，而“知識處理”成為了主流AI研究的焦點。日本政府在同一年代積極投資AI以促進其第五代計算機工程。80年代早期另一個令人振奮的事件是John Hopfield和David Rumelhart使聯結主義重獲新生。AI再一次獲得了成功。

第二次AI低谷：1987 - 1993深度學習，大資料和人工智慧：2011至今

進入21世紀，得益於大資料和計算機技術的快速發展，許多先進的機器學習技術成功應用於經濟社會中的許多問題。

但是隨著計算機效能的發展和一些底層理論的發展，在20世紀70年代被認為不能解決的挑戰，已經有解決方案並已成功應用在商業產品上（比如語音識別、影象識別等）。

圖靈在1950年發表的一篇催生現代智慧機器研究的著名論文中稱，“我們只能看到眼前的一小段距離……但是，我們可以看到仍有許多工作要做”。

所以，我們可以下個定義，現在的AI並不是完整意義上的人工智慧，它不能像人這樣思考，但是他可以透過大量的資料去“餵養”出對明確的方向或者問題的答案——比如影象識別，比如語音識別，比如模式識別——但是他們依舊不是萬能的，比如自動駕駛就沒法完全實現脫離人的全自動駕駛。

還是學術界定義的弱人工智慧。

那麼現代人工智慧的核心是什麼呢？

機器學習（但是已經發展成一個巨大的領域和很多細分學科）

除此以外，還有模式識別、資料探勘、智慧演算法，這四個就是現代AI領域的四大核心技術。

那麼要繼續發展，這個領域需要什麼呢？

更好的硬體——你可以投入硬體研發；

更好的演算法——你可以去當數學家和演算法科學家；

那麼問題來了，轉行進入這個領域能做什麼？我們加入進去額能做什麼？

這個領域基於數學和計算機，那麼——如果你是這兩個領域的人才，你自然而然地可以透過尋找相關的專案進入這個領域做事情。

如果你不是，那麼貴行業有沒有可以關聯切入的？比如保險領域的客戶資料探勘和智慧產品推薦？……

或者直接選擇人工智慧公司的同崗位，用類似的經驗去適應新的領域，比如做語音識別的公司需要程式設計師吧？需要產品經理吧？需要銷售和售前吧？

1. 統計學

關於機器學習——紮實的統計學基礎必不可少：

度量模型是否成功的各種方法（精確度、召回率、ROC曲線下面積等）損失函式和評估指標的選擇是如何偏離模型的輸出的過擬合和欠擬合，偏差/方差2. 機器學習理論

在訓練神經網路的時候，實際上發生了什麼？是什麼使得某些任務可行，而其他任務不可行？

要弄清楚這些問題，需要深入研究理論知識，也需要試著透過示例和專案。

需要理解的概念範圍包括：不同的損失函式的工作原理是什麼、計算圖，如何建立一個功能模型，如何跟團隊裡的其他人員進行有效地交流，可以參考一些材料如：谷歌的深度學習課程

另一個基本技能是閱讀、理解和實施論文的能力。因為這個領域的變化發展極快。

3. 資料處理資料採集（包括：找到好的資料來源、準確度量資料的質量和分類、獲取和推斷標籤）資料預處理（缺失資料填補、特徵工程、資料增強、資料規範化、交叉驗證分割）資料後處理（使模型的輸出可用、清理工作、處理特殊情況和異常值）

熟悉資料處理工作最好的方法是獲取一個數據集並試著使用它。

4. 對模型進行除錯或調優

除錯機器學習演算法（無法收斂，或者得到的結果不合理）與除錯普通程式碼有著很大的區別。

你的開發能力越強，則這些步驟實現起來就越快，反之亦然。

5. 軟體工程

但是，應用AI這個領域的變化非常快，因此，最好的學習方式是親身實踐，嘗試構建一個端到端的方案來解決一個真正的問題。

AI的歷史雖然已經幾十年了，但是以後的人類還是會認為我們現在的人工智慧很弱的。

多閱讀相關論文，拿tensor flow和文件來多試試手，結合自己的日常工作，你會找到你的方向和準備的答案。

回答如果沒有用，不妨點個收藏，看看其他專家給出什麼答案。

附真實案例分享：

你只需要做一件事：梳理清楚你過往的工作經驗與人工智慧的關係。

人工智慧不是純粹寫程式碼程式設計，它是一個行業，要解決一類問題，所以人工智慧工作內容是立體的，需要很多不同崗位的人配合，比如產品，研發，銷售，專案管理等等。

而當人工智慧開始做智慧交通時，就需要交通背景的人；做智慧物流，就需要物流背景的人； 同理智慧安全，智慧工業也是一樣的道理。

分享一個真實案例：

小C，企業軟體背景+專案管理經驗，離人工智慧很遠。

面試企業AI大腦，透過。

過程：企業大腦需要向企業提供AI產品的定製與落地，與傳統企業資訊落地方式幾乎一樣。這塊只能從傳統軟體行業中進行招聘。

面試區塊鏈職位，透過。

過程：區塊鏈是一項技術，需要有使用場景支撐，對企業的落地的話同樣需要，企業調研，產品定製，落地推廣等等，只能從傳統軟體行業中招聘。

而C君，在去面試一月之前，從來沒想過自己還有機會去做人工智慧。同理，銷售，產品，研發等等其他背景的人，也一樣有機會轉行人工智慧。

透過C君的例子，我們可以總結，決定別人是不是要你，關鍵在於你能為團隊提供什麼？背景其次。原團隊負責人工智慧的部分，你負責+的部分，連起來就是人工智慧+。

學習重要麼？當然重要。不過到工作中，再去學吧。

人工智慧，也就是AI。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。 人工智慧是計算機科學的一個分支，它企圖瞭解智慧的實質，並生產出一種新的能以人類智慧相似的方式做出反應的智慧機器，該領域的研究包括機器人、語言識別、影象識別、自然語言處理和專家系統等。

人工智慧是一門極富挑戰性的科學，從事這項工作的人必須懂得計算機知識，心理學和哲學。人工智慧是包括十分廣泛的科學，它由不同的領域組成，如機器學習，計算機視覺等等，總的說來，人工智慧研究的一個主要目標是使機器能夠勝任一些通常需要人類智慧才能完成的複雜工作。

總之，要做好人工智慧，要掌握非常多的知識和技能，沉下心來，慢慢了解，一點一點地去解決遇到的困難，就可以做好的