-
1 # 資料大腦
-
2 # 會說科技
首先給個結論，【快速成為人工智慧領域的專家】本身就是一個偽命題，快速與專家本就是悖論！
人工智慧涉及的知識領域比較多，資料收集、特徵選擇、演算法設計、模型建設、程式碼實現等典型環節需要線性代數、機率論、統計學、程式設計、演算法設計、軟體工程等方面的知識。所謂專家，需要對這些內容都要有很深的認識和了解，能夠快速根據場景選擇模型，能夠快速完成特徵選擇和引數調優，有對人工智慧宏觀方向的把控和微觀方向的實踐，這些都需要一定工作量的訓練和積累。
快速？不知道多快算快速，現在社會上有一些《人工智慧快速入門》、《XX天精通人工智慧》的書籍和培訓，往往是介紹一些原理、概念和基本在應用。但這些只能是讓你知曉人工智慧的基本概念，有機會成為合格的搬運工，但離成為專家還有很遠很遠。試想現在人工智慧領域的專家，哪一個不是博士，博士並不只是學歷，更是一種素養，代表著多年的專業訓練和領域的深入鑽研。
私以為多讀書是對的，這樣能夠讓人靜下心來，拋棄功利心，更好的去感受這門學科和技術的魅力。除非有必要，儘量不要去參加快速培訓班，除了浪費錢，學會吹牛，別無他用！
不過，話說回來，如果定位是如何快速從事人工智慧行業，開展相關工作，那麼可以先看一到兩本原理我性的書籍，然後再看兩本實戰性的書籍，典型的是R與人工智慧、Python與人工智慧，學習相關庫的使用。透過書上的案例，基本能夠了解怎麼開展建模，並應用到業務場景中。
-
3 # Eric123
首先快速掌握人工智慧的相關知識本身就不太可能，有幾方面要求。
1.掌握知識首先要出身必須是技術類比如說 PHP C++ java 等專業
2.參與研發過人工智慧前身產品才行，任何新興產品都是老的產品演變過來的，經過一些列流程才能掌握總體知識
3.必須有幾個人工智慧產品由你主導設計研發，有一定的產品在市場有應用且體驗完好，這樣才能算是專家
-
4 # 醫療兵皮特兒
快速成為專家和一萬小時定律，我更相信一萬小時定律，如果你想要快速的建立人工智慧的知識框架的話，也是有辦法的。
不知道你最適合的學習方式是什麼，我個人最適合的學習方式是看影片，當時看的是斯坦福大學吳恩達教授的機器學習課程，網易雲課堂，B站上都有的，記好筆記，兩個月左右可以建立知識框架。
當然，只是建立框架而已，雖然我不是專家，但我覺得要成為專家，一萬小時定律是鐵定的。人工智慧，不僅僅是一個學科，而且也是一個系統工程，既然是工程，那麼就離不開實戰，實戰的越多，理論知識就鞏固的越好，因為越多的實戰，就會有越多的角度去理解，總有一個角度是最適合自己的。
平時還要多想，在實際生活中遇到的問題看看能不能以人工智慧的方法去解決。
比如說今天週末去一個大型超市買水果，但是今天的顧客非常多，超市貼碼員數量又有限，所以顧客排起了長隊等待貼碼員稱重量，貼碼。
如果我利用人工智慧和自動化技術，做一臺商品識別分類與自動貼碼的機器，是不是可以減輕貼碼員的工作強度，同時也可以為顧客節省時間。
同樣，由於人多，收銀臺前也是排起了長隊，我是不是也可以利用人工智慧與自動化技術做一臺自動掃碼，自動收銀，自動語言應答一體的收銀機。
想到了這些，接著深入一點，我需要用到人工智慧中的什麼技術？再深入一點，我需要用到什麼演算法？什麼網路？再深入一點，我這種場景我的網路結構要什麼樣？訓練資料要採集哪些？如何預處理？最佳化器選擇哪種？每層網路的啟用函式選什麼？分類任務最多分幾類？語言處理的視窗選擇多大？選擇這種網路結構，我用哪種型號的雲GPU去跑模型價效比最高？我需要用哪個深度學習框架？等等細節的問題。這樣就不會陷入純等待而浪費時間了，還可以鞏固知識，一舉兩得。
-
5 # 滴答鋪
想快速成為專家的想法要打消掉，老老實實的把高等數學、機率論、線性代數等相關的知識學好，再一步步的學習統計學習、機器學習、深度學習，建議學會python語言，多實踐，多做專案，會比較快的掌握一些技能，透過看文獻，理解人工智慧的進展。慢慢會進入這個行業內。如果想成為專家，還需要付出更多的努力。
-
6 # 鹽分科技
快速學習一切東西都是不存在的
首先要擺正心態，人工智慧的底層原理，資料結構，統計學需要很紮實的數理知識。
其次要有韌性，很多基於大資料的研究，譬如基因分析，遺傳病分析，目的性並不強，十分容易讓做研究的人感到沒有希望。
最後，祝你好運。運氣這個東西吧真的很重要，就像麥當勞的發明人並沒有將它做大一樣。很多時候技術價值和商業價值需要不同的人發酵。找到愛和激情！去吧！
-
7 # 人工智慧與未明學院
先上結論：
人工智慧的相關崗位很多，無論哪個崗位都無法迅速成為專家，都需要持之以恆的努力！下面從三個方面回答本問題：
1. 學習人工智慧的四種境界
2. 人工智慧涉及的相關知識
3. 成為人工智慧專家的方法
一、學習人工智慧的四種境界學習人工智慧演算法的主要有四種境界，你需要確定自己需要達到哪種境界，才好確定你的努力方向和策略。
1.知其然境界2.應用者境界3.工程師境界4.科學家境界1.知其然境界
第一個是知其然，也叫知其所以然境界，知道當下的人工智慧到底是什麼，知道機器學習和深度學習大概是個什麼東西，不會過分的去神話AI，知道目前AI的優勢，更知道目前AI的侷限，如果你從事相關產品經理或者做相關領域投資，達到第一境界即可。
2.應用者境界
應用者境界是大部分人工智慧演算法工程師所在的境界，主要就是明白演算法原理，知道如何實現，核心在於知道如何把他應用在一個實際的業務場景之中，如果你是一個利用AI來解決業務問題的演算法工程師，那麼你至少需要達到這個境界。
3.工程師境界
工程師境界也是很難的一種境界，需要用很強的理論背景和工程實現能力，能獨立復現最新的論文，深刻理解論文的實現原理，並能在上面做一些小創新。如果你想成為更牛逼的AI演算法工程師，那麼就需要達到這個經濟。
4.科學家境界
科學家境界是很少很少一部分人能達到的境界，主要是那些從事人工智慧研究的科學家，他們能原創出很多的演算法和理論，解決一些最前沿的難題。比如深度學習的鼻祖Hinton,生成對抗網路發明人 Ian goodfellow,Xgboost發明人陳天奇等等。
不同的境界對應不同的要求，簡單點概括就是：
工程能力決定你的下界，理論能力與業務理解決定你的天花板。二、人工智慧涉及的相關知識人工智慧是一門交叉性的學科。數學理論和計算機技術是其重要的組成部分。
數學理論是基礎（武功的心法），計算機技術是技能（武功的招式）1.數學理論
線性代數，微積分，機率統計、數值計算是基礎。後期可能還會涉及拓撲學、測度論，泛函分析、隨機過程，動力系統等學科。所以人工智慧對數學功底的要求是比較高的。
2.計算機技術
程式語言、資料結構、計算機網路、資料庫是基礎。後期可能還會涉及分散式計算、圖計算、複雜網路等學科。所以人工智慧對計算機的功底要求也比較高。
3.其他學科
除此以外，一些其他的學科對人工智慧也有很大的影響，例如以前的認知科學，神經學等，以後的腦科學可能對人工智慧也會有一定的影響。
三、成為人工智慧專家的方法你可能是做AI產品的產品經理，可能是做AI演算法相關工作，可能是做AI平臺元件開發工作，甚至是做AI相關領域的投資工作。
無論是做人工智慧相關的任何工作，都沒有捷徑！所以很抱歉，很難迅速的成為人工智慧方面的專家！
但是隻要持之以恆的學習，相信終有一天能成為專家！
沒錯，我答完這個題就繼續啃paper去了！
回覆列表
最早在上個世紀50年代掀起的第一輪的人工智慧熱潮，當時出現了一些簡單的自然對話程式和早期的人形機器人。這些成就讓當時的科學家們信心暴增，他們提出了20年內製造出能夠全面模仿人類的機器，結果當然是失敗了。
第二輪人工智慧的熱潮出現在上個世紀80年代，當時出現了專家系統和神經網路計算的方法。
所謂專家系統是一種基於一種特定的規則來回答特定領域問題的程式系統。愛德華費根鮑姆被稱為專家系統之父。
第三輪人工智慧的熱潮，就是現在這個時代。
所謂人工智慧就是透過機器來模擬人類認知能力的技術，它包括感知，學習，推理與決策等等方面。
如果從應用的角度來說，人工智慧的本質就是根據給定的輸入來作出判斷或者是預測。
比如說可以透過輸入的照片來判斷照片裡的內容是什麼，透過輸入的音訊來判斷音訊裡面的內容是什麼，透過輸入醫學影像來判斷疾病的生成以及原因，透過收入的購買記錄來預測使用者的興趣，從而給使用者推薦合理的產品，或者是透過輸入股票的價格及交關交易資訊來預測未來的股票價格趨勢。
這些都是人工智慧的一些具體應用。
人工智慧與專家系統不同之處在於，專家系統的規則是由人工來定義的，這種定義既耗時又難於定義完全。而人工智慧系統的規則是由機器自主學習得來的。
所以說機器學習是目前人工智慧領域的主流方法。
機器學習目前可以分為兩個方面，第一個方面是從資料中進行學習，他可以從已知的資料中學習資料中蘊含的規律或者判斷規則。
資料學習可以分為監督學習，半監督學習和無監督學習。
監督學習的樣本帶有預測量的真實值，也就是監督資訊。
無監督學習提供的樣本預測量的真實值，也就是說樣本不提供監督資訊。
半監督學習是小部分的樣本，帶有真實值，也就是說小部分的樣本帶有監督資訊。
第二個方面就是從行動中來學習。主要是透過強化學習來獲得策略，從而指導行動。
它與從資料中學習不一樣，它不是獲得特定的規則而是獲取一種策略，這種策略來使每一次行動獲得最大的收益。