|
最近有很多同学问我，零基础学习⼈⼯智能的路线是怎么样的？ 废话不多说，先上⼀张图镇楼，看看零基础学习⼈⼯智能的路线有哪些⽅向，它们之间有什么关系和区别，各自需要学习哪些东⻄。  在这个圈⼦技术⻔类中，⼯作岗位主要有以下三个⽅向：
下⾯逐⼀说明⼀下。 第一个方向：数据分析/机器学习如果你是来⾃医疗⾏业、⼯业、零售和⾦融等⾏业 ，那么恭喜你，今年2023年⼀共投资了155起融资，你可以把数据分析、机器学习作为⼀个岗位结合到以上⾏业中进⾏就业/提升，从⽽加薪。   ⽐如说，在医疗⾏业⾥⾯⽤随机森林算法进⾏预测肿瘤癌症，在⼯业中⽤SVM算法进⾏异常值分析/零件缺陷，在⾦融⾏业⾥⾯⽤Python的Pandas分析搜狐证券，并⽤机器学习的树模型建模。  具体要掌握哪些技能/知识/理论/项⽬呢：
总结⼀下，数据分析师/机器学习⼯程师都是在做⽂本分析、表格建模，涉及⾏业、⼯业、零售和⾦融等⾏业(互联⽹+⽅向) ，最多的⼯作就是在研究⽤户、研究流量、研究产品等 分析⽤户、流量和产品⽤到的技术主要以Python数据分析、机器学习和统计学三⼤技术栈为主，也有少部分的Excel、MySQL和Tableau等⼯具。 数据分析师/机器学习⼯程师，相对开发⽅向，对编程的要求要低⼀些（只是相对，部分产品的研发对数据分析师要求并不低），甚⾄我⻅过不少公司的数据分析师对⼈⼯智能的算法⼀⽆所知。在这种情况下，如果除了基本的数据分析的功底以外，对⼈⼯智能技术有所了解，⾃然会是你⾯试这些岗位时的加分项。 第二个方向：自然语言处理NLP  ⾃然语⾔处理NLP⽅向，这是人工智能AI两⼤技术⽅向之⼀。 这个⽅向主要涉及到软件机器⼈对话/问答系统、翻译软件、物体命名分析等⼯作，涉及GPT分析、Transformer、BRET等技术。因为经常都是与⼤⽂本打交道，所以久⽽久之⾮⼯科的同学⾮常适合学NLP⽅向，尤其是来⾃互联⽹+的⾏业的同学。 这个⽅向的特点是：需要耐得住寂寞。 比不上机器视觉可以有实实在在的产品输出，也⽐不上⾃动驾驶⽅向听起来的狂拽炫酷，这个⽅向更多时间是在默默的分析和研究 ，更加适合就业，混⼝饭吃。 以chatGPT的⼤语⾔模型Transforer为例，光是学习五花⼋⻔的论⽂就需要花不少的时间。在这个领域，为了研究⼀个问题，可能花费数⽉甚⾄数年时间，这绝⾮⼀般⼈能坚持下来的。不仅如此，不是勤奋就可以成功，更多还要靠天分。 像⾕歌、百度、字节等公司⼏⼤⼈⼯智能实验室的掌⻔⼈，业界知名的李开复、陆奇这些⼈物，他们已经深谙漏洞挖掘的奥义，并将这⻔绝技融会贯通，做个梦都能想到新的玩法。不过像这样的天才实在是少之⼜少，绝⼤多数⼈都⽆法企及。 如果说程序员是苦逼的话，那⾃然语⾔处理NLP就是苦逼Plus 第三个方向：机器视觉CV  在这张图路线图中，⼀共划分了15个章节，但并不是说你得学完全部才能上⼿⼯作，对于⼀些初级岗位，学到第第⼗⼆章个阶段就⾜矣。 下⾯的内容，⼀定要结合上⾯这张图看效果才最好，建议在浏览器中新建⼀个tab⻚⾯，打开那张图，结合着看。  一、青铜时代第⼀个阶段——⽯器时代，针对的是纯新⼿⼩⽩刚刚⼊场。在这个阶段，主要是打基础，需要学习的有4部分内容： 1、数据分析思维与业务流程  当年数据分析包含⼈⼯智能、机器学习，数据分析思维是⾯试和⽼板对话的重中之重，逻辑树、5W2H、SWOT等数据分析⽅法是互联⽹公司中必知必会的，还有掌握5个流程的细节，从明确⽬标、数据清洗、数据分析、数据展现到数据分析报告都要全⽅位掌握。 除此之外，学习在机器学习上⾯进⾏⽂本预测、表格分析等预测，要先学会Excel分析，为接下来学习表格建模做准备⼯作。 ⼈⼯智能，必然要与算法经常打交道，我看到很多新⼈⼀上来就跟着⼀些培训班学习算法，学的云⾥雾⾥的。连基本的⽬标函数的概念都没建⽴起来，就急着学算法，这属于还没学会⾛路就去学跑步，本末倒置了 在基础阶段，主要以使⽤为主，学习数据分析的⽅法论、Excel、分析5步流程，对数据分析有⼀个基本的认知。 2、MySQL数据分析实战  数据分析中，MySQL肯定是⾮常重要的存在。作为基础阶段，这⼀⼩节主要从宏观上学习多表查询和开窗函数，⽽不是死扣某⼀个sql的某些字段意义。⾸先理解MySQL各存储引擎原理与特点，继⽽掌握SQL多表⾼级查询、开窗函数，然后掌握数据库性能调优策略，使⽤SQL进⾏数据清洗与数据规范化。 3、数据分析必学编程语⾔-Python Python现在是职场⼈必会的编程语⾔，同时也是数据分析必须第⼀语⾔，在这个阶段⾥⾯，具备Python编程思维与编程能⼒，使⽤Python做⾃动化办公脚本，使⽤Python做爬⾍程序，熟练使⽤Python做更复杂的数据分析 与可视化代替⼯具。具体包括： 4、数据分析必备理论基础-统计学知识 理解统计学基础知识和理论，掌握ABTest必备统计学理论基础，常⽤的数据建模⽅法（相关/回归/逻辑回归/时间序列分析），使⽤Python等⼯具结合统计学进⾏建模、预测分析，具备满⾜⼤⼚数据分析⾯试中关于统计学⾼频考点的理论要求。 二、白银时代度过了⽯器时代，你已经储备了⼀些数据分析的基础知识：Python语⾔编程，统计学知识，数据库mysql等初识，但这距离做⼈⼯智能还不够，在第⼆个⻘铜阶段，你还需要再进⼀步学习基础，在第⼀阶段之上，难度会开始慢慢上升。 这⼀阶段需要学习的知识有： 1、线性模型 在前⾯的⽯器时代，咱们初步接触了数据分析，了解了数据分析⽅法论的基本原理。不过那时候是偏基础的，在这个进阶的阶段，你要开始接触机器学习的内容了。 ⾸先从常⽤的两⼤主流算法出发，学习算法那理论和代码建模的基本知识，随后引出互联⽹公司喜爱的机器学习项⽬，从线性理论过渡到后来的全连接神经⽹络MLP等深度学习的算法技术，从专业的⻆度上说 ，线性回归、逻辑回归和⽀持向量机等算法到现如今，只需要掌握这3个算法的理论，不需要掌握代码。 那么如何掌握这3个算法的线性模型呢？
掌握这3个公式，就是精华，其他的公式跟你没关系。 2、树模型 学习机器学习的线性理论，接下来就是在量化交易、⾦融⻛控、信号处理等场景中，数据只要是表格型的，就⽤到决策树、随机森林和XGBoost算法建模（这是经验之谈）。 由于学习的⽬的不同，所以在学习⽅法上和普通的机器学习算法就有所不同了。在这⾥咱们学习⼀下算法推导中，树模型(决策树/随机森林/XGBoost)显然没有前⾯的线模型难，当然如果你有兴趣，学的更深⼊当然更好。 三、白银时代现在进⼊第三个阶段——⽩银时代，激动⼈⼼的时刻就要到来了，在这个阶段，我们开始全⾯学习真正的机器视觉CV了，前⾯两个阶段打下的基础，在这个阶段，也将派上⽤场。 这⼀阶段需要学习的知识有： 1、CNN卷积神经网络 / 残差网络 有了前⾯的Python编程和机器学习的基础，可以来正式学习机器视觉CV了。机器视觉CV领域内⼏⼤典型的场景：图像分割、OpenCV传统视觉、图像分类、⽬标检测、⾃动驾驶等等，每⼀个都需要详细学习，⼀边学习理论，⼀边动⼿实践。 作为⼀个下⼭的过来⼈，在学习深度学习的神经⽹络中，重点掌握理论的⽅法和写代码的⽅法，下⾯我贴2张图，已经经历过学习检验，务必记下来。 2、目标检测系列算法 2023年统计时间内共有151起投资事件，⼯业、泛安防、能源为热⻔赛道TOP3，⼯业赛道以53.6%的过半热度斩 获中国计算机视觉市场融资热度⾸位。表示AI视觉的⾏业成熟度和认可度已进⼊新阶段。 恭喜同学到了这步，如果你看到了这⾥，说明你已经达到6分的⽔平，还有4分，继续由我来给你分享⼀下如何学习⽬标检测算法，重点分为3块；⾸先你需要先学习⼀下基础的⽬标检测基础知识，才能掌握⽬标检测的算法Faster R-CNN ，这个是⽬前最经典的算法了，不过，这⾥呢，不要乱学，不要写代码，先要掌握理论，那么什么时候写代码、写项⽬、写论⽂呢，在YOLO系列的算法中，在⼯业界和互联⽹中有居⾼的热度，我⼿⾥的绝⼤部分的项⽬都是从YOLO算法系列实现的。 三、黄金时代2023年4⽉，中国NLP赛道累计投 融资事件数达到54起。其中，⾦融、 医疗、零售、政务为NLP赛道Top4应⽤领域， 占⽐分别达到42.6%、35.2%、27.8% 与24.1%。从涉及的应⽤产品来看，主要包括智能⽂档处理 ( IDP ) 、机器⼈流程⾃动化 ( RPA/IPA ) 、专⽤搜索引擎、 ⽂本⽣成、机器翻译、垂直领域认知智能产品 (如医疗CDSS、政务舆情监测系统 ) 等。其中RPA⼚商占⽐最⾼，RPA产 品集成NLP技术可在⾃动化端到端流程上让机器做出决策，如票据处理、合同分析等，在⾦融、零售、互联⽹多⾏业领域 应⽤⼴阔。从融资事件轮次分布来看，C轮以前的融资事件占⽐达到66.7%，多集中在早期，产业仍处于快速发展阶段。 四、铂金时代下⾯⽤⼀张图作为⼀个结尾，到了这步，重点就是做项⽬了。 希望以上内容对你的学习有所帮助！ |
|
|
