|
人工智能的飞速崛起，使得该领域出现了巨大的人才缺口，据说在帝都，一个机器学习算法的岗位拿到100K的薪水也并不是一件很困难的事情，这刺激了普通程序员学习人工智能，迫切希望在人工智能大热时实现转行。可是许多程序员不知道该如何快速有效地学习人工智能。 为了吸引人才，各厂纷纷开出了天价薪酬，先来看今年校招的算法类大 SP 的 offer，这都是笔者从各个渠道了解到的今年各厂给到的最高 offer（各位读者中不乏认识比表格中薪资更高的大牛）： 企业薪酬岗位候选人背景 其实，既然已经具备了普通程序员的功底，再转人工智能方向并非难事，接下来我们就具体分析一下，普通程序员该如何正确学习人工智能方向的知识。 这个学习路线是这样设计的：首先了解这个领域，建立起全面的视野，培养起充足的兴趣，然后开始学习机器学习的基础，这里选择一门由浅入深的课程来学习， 课程最好有足够的实验能够进行实战。基础打下后，对机器学习已经有了充足的了解，可以用机器学习来解决一个实际的问题。 这时还是可以把 机器学习方法当作一个黑盒子来处理的。实战经验积累以后，可以考虑继续进行学习。这时候有两个选择，深度学习或者继续机器学习。深度学习是目前最火热的机 器学习方向，其中一些方法已经跟传统的机器学习不太一样，因此可以单独学习。除了深度学习以外，机器学习还包括统计学习，集成学习等实用方法。 如果条件足够，可以同时学习两者，一些规律对两者是共通的。学习完后，你已经具备了较强的知识储备，可以进入较难的实战。这时候有两个选择，工业界的可以选择看开源项目，以改代码为目的来读代码;学术界的可以看特定领域的论文，为解决问题而想发论文。 熟练掌握基础理论的同时，还要掌握相应的编程语言。目前机器学习最为普遍的语言是Python，大多数主流机器学习框架已经提供了Python接口。Python语法简单，上手较为容易，同时有较强的语言表达能力，又很容易与其他语言的项目进行交互，这些特点使之成为了在机器学习领域必学的编程工具之一。关于如何学好Python，可以参考https://www.imooc.com/course/list?c=python 。另外还必须掌握像Jupyter notebook这些常用的开发辅助工具。 在Python中有大量的机器学习相关框架、数学工具和数据处理工具，在这里针对性地推荐一些入门级的关键工具。 ① numpy、scipy、matplotlib（Python进行科学计算时常用的一些基本工具） numpy中包含对矩阵（含高阶矩阵）等内容的计算和变换；几乎所有Python上的数据及机器学习处理框架均提供了numpy的ndarray形式的数据交换接口； scipy中包含更复杂一点的计算模型，诸如傅里叶变换、滤波器等； matplotlib则是与之配合紧密的绘图库，能够提供较好的可视化功能。 ② pandas pandas是一个以数据表形式组织和操作数据，并能够方便地结合numpy、matplotlib进行统计、运算和可视化的工具包。 至此，对于人工智能，特别是机器学习和深度学习，已经可以算作入门了。接下来如果还想继续发展，则应当认真考虑具体的发展规划，并进行更加系统化的学习。 其实机器学习方面，仍然存在很多工程问题，如新算法的编程实现、大规模并行计算和分布式计算，甚至计算用硬件的研制等等。这个方向上，传统程序员出身仍有良好的基础，可以深入发展；如果对机器学习、深度学习兴趣浓厚，跟读最新的论文，思考和研究新的模型、算法，同样也是很好的出路；如果对数据敏感，专注于数据的分析处理，也是不错的选择 |
|
|
