首先你得弄明白你為什麼要轉行，轉行的目的是什麼？僅從學習角度來講，什麼時候都不算晚。但往往需要考慮現實情況，比如說你的年齡，你的家庭負擔等等因素，話說轉行窮三年。所以關鍵的問題不是轉行來不來得及，而是你有沒有轉行的信念，有沒有應對各種未知可能的能力。或者說，你捫心自問，你要的是什麼？

他的問題是這樣的：“我是一名25歲的Java開發工程師。本科學習的專業是資訊與計算科學（數學專業），因為對計算機方面感興趣，之後培訓學習了Java，所以現在從事Java開發。目前就是在電商公司開發一些系統。

我對人工智慧非常感興趣，對數學的興趣也從未減弱。人工智慧設計的學習材料很多，像我這樣的狀況，如果想要轉型以後從事這方面的工作，具體應該學習些什麼？”

阿里技術童鞋“以均”回信：

首先，我想聊聊為何深度學習最近這麼火。

外行所見的是2016年AlphaGo 4比1 戰勝李世石，掀起了一波AI熱潮，DeepMind背後所用的深度學習一時間火得不得了。其實在內行看來，AlphaGo對陣李世石的結果是毫無懸念的，真正的突破在幾年前就發生了。

2012年，Gefferey Hinton的學生Alex使用一個特別構造的深度神經網路（後來就叫AlexNet），在影象識別的專業比賽ImageNet中，得到了遠超之前最好成績的結果，那個時候，整個人工智慧領域就已經明白，深度學習的革命已經到來了。

果然，之後深度學習在包括語音識別，影象理解，機器翻譯等傳統的人工智慧領域都超越了原先各自領域效果最好的方法。從2015年起，工業界內一些嗅覺靈敏的人士也意識到，一場革命或已到來。

機器學習與深度學習

深度學習是機器學習中的一種技術，機器學習包含深度學習。機器學習還包含其他非深度學習的技術，比如支援向量機，決策樹，隨機森林，以及關於“學習”的一些基本理論，比如，同樣都能描述已知資料的兩個不同模型，引數更少的那個對未知資料的預測能力更好（奧卡姆剃刀原理）。

深度學習是一類特定的機器學習技術，主要是深度神經網路學習，在之前經典的多層神經網路的基礎上，將網路的層數加深，並輔以更復雜的結構，在有極大量的資料用於訓練的情況下，在很多領域得到了比其他方法更好的結果。

機器學習與大資料

大資料：機器學習的基礎，但在多數語境下，更側重於統計學習方法。機器學習，深度學習，資料探勘，大資料的關係可以用下圖表示

系統學習資料

深度學習火起來之後，網上關於深度學習的資料很多。但是其質量參差不齊。我從2013年開始就關注深度學習，見證了它從一個小圈子的領先技術到一個大眾所追捧的熱門技術的過程，也看了很多資料。我認為一個高質量的學習資料可以幫助你真正的理解深度學習的本質，並且更好地掌握這項技術，用於實踐。

以下是我所推薦的學習資料：

首先是影片課程。

Yaser Abu-Mostafa

加州理工的Yaser Abu-Mostafa教授出品的機器學習網路課程，非常系統地講解了機器學習背後的原理，以及主要的技術。講解非常深入淺出，讓你不光理解機器學習有哪些技術，還能理解它們背後的思想，為什麼要提出這項技術，機器學習的一些通用性問題的解決方法（比如用正則化方法解決過擬合）。強烈推薦。

課程名稱：Machine Learning Course - CS 156

Geoffrey Hinton

深度學習最重要的研究者。也是他和另外幾個人（Yann LeCun，Yoshua Bengio等）在神經網路被人工智慧業界打入冷宮，進入低谷期的時候仍然不放棄研究，最終取得突破，才有了現在的深度學習熱潮。

他在Coursera上有一門深度學習的課程，其權威性自不待言，但是課程製作的質量以及易於理解的程度，實際上比不上前面Yaser Mostafa的。當然，因為其實力，課程的乾貨還是非常多的。

課程名稱：Neural Networks for Machine Learning

UdaCity

Google工程師出品的一個偏重實踐的深度學習課程。講解非常簡明扼要，並且注重和實踐相結合。推薦。

小象學院

國內小象學院出品的一個深度學習課程，理論與實踐並重。由紐約城市大學的博士李偉主講，優點是包含了很多業內最新的主流技術的講解。值得一看。

阿里雲大學

出了很多免費的機器學習課程，理論和實踐相結合。

推薦閱讀書目

《Deep Learning the Book》 —— 這本書是前面提到的大牛Yoshua Begio的博士生Goodfellow寫的。Goodfellow是生成式對抗網路的提出者，生成式對抗網路被Yann LeCun認為是近年最激動人心的深度學習技術想法。這本書比較系統，專業，偏重理論，兼顧實踐，是系統學習深度學習不可多得的好教材。英文版：http://deeplearningthebook.com目前Github上已經有人翻譯出了中文版：https://github.com/exacity/deeplearningbook-chinese

推薦學習路徑

Hard wayYaser -> Geoffrey Hinton -> UdaCity -> Good Fellow

特點：理論紮實，步步為營。最完整的學習路徑，也是最“難”的。

推薦指數： 4星

Good wayYaser -> UdaCity -> 小象學院 -> Good Fellow

特點：理論紮實，緊跟潮流，兼顧實戰，最後系統梳理。比較平衡的學習路徑。

推薦指數： 5星

"Fast" wayUdaCity -> Good Fellow

特點：快速上手，然後完善理論。

推薦指數： 4星

"碼農" wayUdaCity

特點：快速上手，注重實踐。

推薦指數： 3星

---end---

人工智慧基礎

人工智慧是透過大量資料，透過確定不同的模型，分類規則進行學習，從而模擬人類的行為與思考，看起來就好像機器具有了人類的能力一樣。人工智慧的基礎是數學，經濟學，計算機工程，控制論，語言學等等學科，被廣泛應用在生活中的方方面面。而人工智慧演算法的四大分支，目前公認的有模式識別，機器學習，資料探勘以及智慧演算法。

目前人工智慧的應用場景非常廣，最火的有人臉識別，自動駕駛，資料探勘之電商推薦，自然語言處理等等。

在實際應用中，很多地方的火車站都開始支援人臉識別了，未來人臉支付也是一塊很有發展潛力的市場。

自動駕駛更是如此，國外一些城市已經有無人駕駛公交車上路了。如果能夠實現無人駕駛，相信排除了司機多樣性，很多堵車，車禍等問題或者人禍都能夠被有效避免，而目前國內自動駕駛仍在研發階段，可以說這個領域也是非常有前景的。

電商推薦這點就是直接與經濟利益掛鉤了，如果能夠透過資料探勘推薦使用者更感興趣的產品，直接受益就是商家更多的進賬。

自然語言處理的應用，最貼近我們的，可以簡單理解為出國旅行再也不怕語言不通了，有了人工智慧的翻譯，進一步推動實現了地球村。

與普通程式開發者比起來，人工智慧領域對開發者的數學功底以及對智慧演算法的要求比較高，要學會為資料分類，並分析多種智慧演算法的特性，最終選定合適的演算法，才能達到想要的效果。因此，如果想要轉行人工智慧，首先要去了解目前常用的機器學習演算法，比如常見的k-means演算法，決策樹，隨機森林，邏輯迴歸等等。

當你對這些演算法有了一定了解之後，就可以自己程式設計來實現這些演算法了，然後可以到kaggle這個專門做資料科學精神的網站上，下載外部貢獻的資料集來驗證你的演算法。這個網站的資料集由全球使用者貢獻，從拉麵評分到寵物牌照，應有盡有。

當你能夠做到這些的時候，就可以嘗試踏入機器學習工業化領域了。