普通程序员如何向人工智能转型？
一.目的
本文旨在给出一种简单、流畅、易于实现的学习方法，帮助“普通”程序员步入AI领域。在这里，我对普通程序员的定义是:具有本科知识；平时工作忙；你能得到的数据是有限的。所以，这篇文章更像是一篇“从头开始”的AI入门教程。
二。人工智能领域导论
AI，也就是人工智能，不仅仅包括机器学习。曾经，符号和逻辑被认为是人工智能实现的关键，但现在基于统计学的机器学习占据了主导地位。最近火热的深度学习是机器学习的一个子项。目前可以说学习AI主要是学习机器学习。
但是，人工智能不等同于机器学习，进入这个领域一定要搞清楚。关于AI领域发展历史的介绍，推荐看周老师写的《机器学习导论》。接下来的问题是:AI的门好跨吗？其实很难跨越。我们以机器学习为例。
在学习的过程中，你会面临大量复杂的公式，实际项目中缺乏数据，参数调整困难。如果你只是觉得这个方向以后会很“热”，那么这些困难很容易让人放弃。考虑到普通程序员的特点，是不是学不到这么难的学科？答案是否定的，只要制定合适的学习方法。
三。学习方法
学习方法的设定简单来说就是回答以下问题:我要学什么？我如何学习？我如何学习？这三个问题可以概括为:学习目标、学习政策、学习计划。学习目标很明确，就是踏入AI领域。这个目标不大，所以比较容易实现。太大的目标是为你将来放弃它找到足够的理由。
学习方针可以概括为“兴趣第一，实践与学习相结合”。简单来说就是先培养兴趣，然后在学习中穿插练习，螺旋式提升。这种学习方式是有效的，不容易放弃。有了学习方针之后，你就可以制定学习计划，也就是所谓的学习路线。下面是学习路线的介绍。
四。学习路线
我推荐的学习路线如下:
这个学习路线是这样设计的:首先了解这个领域，建立全面的视野，培养足够的兴趣，然后开始学习机器学习的基础。这里选择由浅入深的课程，最好有足够的实验进行实战。基础打好之后，对机器学习有了很好的了解，就可以用机器学习解决一个实际问题了。
这个时候，机器学习的方法还是可以当作黑盒来处理的。积累实战经验后，可以考虑继续学习。这时候有两个选择，深度学习或者继续机器学习。深度学习是目前机器学习最热的方向，有些方法和传统的机器学习不太一样，可以单独学习。除了深度学习，机器学习还包括统计学习、集成学习等实用方法。
如果条件充分，可以两者同时学习，有些规律是两者共有的。经过学习，你已经有了很强的知识储备，可以进入更高难度的实战。这个时候，有两个选择。业内人士可以选择查看开源项目并阅读代码，以便更改代码。学术可以看特定领域的论文，想发表论文解决问题。
无论哪种方式，都需要过硬的知识和强大的编码能力，这样才能考察和锻炼自己的水平。过了这个阶段，可以说是进入了AI领域的大门。“师傅领进门，修行在个人。”之后，我得自己走了。
以下是关于每个阶段的详细介绍:
0.领域理解
在学习任何知识之前，首先要知道这个知识是什么。它能做什么？它的价值在哪里？如果你不懂这些东西，那么学习本身就是一艘没有方向的船。如果你不知道向哪里航行，你将有沉没的危险。只有了解了这些问题，你才能培养兴趣，兴趣是最好的向导，学习的动力和耐力才能让你应对接下来的几个阶段。关于机器学习是什么，能做什么，和深度学习、人工智能的关系，可以看我的博客《机器学习》。
1.知识准备
如果你离开学校太久，或者觉得自己基础不扎实，最好提前做一些准备和复习。工欲善其事，必先利其器。下面的准备工作不多，但足以应付后期的学习。
数学:复习以下基础知识。线性代数:矩阵乘法；高数:导数；概率论:条件和后验概率。其他知识可以在后期的学习过程中根据需要补充；
英语:保留一本在线英语词典，比如爱词霸，这样你可以毫无困难地阅读一些英语信息页面；
FQ:你可以随时随地访问谷歌，这是一个非常重要的工具。不是说百度看不到，但是很多时候，谷歌搜索到的信息比百度搜索到的几十页更有用，尤其是搜索英文关键词的时候。节省时间可以是学习效率的重要提高；
2.机器学习
机器学习的第一门课是吴恩达的机器学习。这门课有以下几个特点:难度适中，有足够多的实际例子，非常适合初学的人。这里不推荐cs229。为什么？有以下几个原因:
时间:cs229太早，有些知识跟不上今天的发展。目前最火的神经网络已经被刷到一边。但是Cousera花了两个小时来讲神经网络！而且非常详细；教学:ng在cs229的教学有点青涩，可能是面对网络教学的原因。有很多问题他没有说清楚，下面人的问题其实很烦。你往往不关心那些人的问题。这一点在Coursera上有了明显的改善。你会发现Ng的教学水平有了很大的提高。他会给你一个有说服力的，推心置腹的教导，会告诉你遇到不懂的单词和术语不要着急。更重要的是，推演和图表不要太完美，要非常详细清晰。这个真的非常推荐。字幕:cs229的字幕质量比Coursera差。Coursera上的中文字幕翻译是经过很多人把关的，质量有保证。作业:cs229没有作业。虽然可以做一些，但是没人看。这远远少于Coursera每周的作业，每份作业都是有分数提交的。更重要的是，每一个作业都有实际的例子，让你可以动手练习，可以看到自己的成果，有满满的成就感！
3.练习做项目
学完基础课，你会对机器学习有一个初步的了解。现在用它们没问题。你可以把机器学习算法当成黑匣子，把数据放进去，就会有结果。在实战中，你需要更加关注如何获取数据，如何调整参数。如果有时间，最好自己做一个简单实用的项目。
这里我们需要选择一个应用方向，是图像(计算机视觉)、音频(语音识别)还是文本(自然语言处理)。这里建议选择图像领域，这里开源项目比较多，入门也比较简单。OpenCV可用于开发，神经网络、SVM等机器学习算法已经实现。项目完成后，可以开源到Github，然后不断完善。实战项目完成后，可以继续深造。这时候有两个选择，深度学习和继续机器学习；
4.深度学习
深度学习:深度学习是目前最热门的研究方向。它有以下特点:知识更新快，碎片化，没有系统的书来讲解。所以学习的资源比较分散。下面是一些资源介绍。不推荐的部分不代表不好，只是在这个初学者阶段不适合:
推荐，UFLDL:非常好的DL基础教程，也是吴恩达写的。有非常详细的推导和翻译，翻译质量非常高；推荐，深度学习(论文):深度学习领域三大牛写的《自然》2015的论文，给人的感觉是高屋建瓴，其他的山都显得相形见绌。，强烈推荐。如果你只能看一篇论文来理解深度学习，我推荐这一篇。这篇论文有一个同名的中文译本；推荐，神经网络与深度学习:这本书的作者非常擅长用简单的语言表达深刻的道理。虽然没有翻译，但读起来并不难；推荐，递归神经网络:我会用一个实际案例告诉你什么是RNN。整个教程讲完，你会对RNN是如何工作的有一个清晰的认识，这种效果甚至是看几篇相关论文都没有的；不推荐，用于机器学习的神经网络多伦多大学Coursera:深度学习创始人教的课程最大的问题就是太难了，老先生的吐字有时候不是很标准；不推荐，深度学习(书):也是深度学习大牛写的书，但是感觉像是第二作者写的，也就是他的学生。说了很多内容，但是感觉什么都没说。我只是告诉你是从那篇论文来的，所以直接看论文可能更合适。不推荐，cs231n:李菲菲著名课程，专注CNN。不过这门课最大的问题是没有字幕。虽然有youtube自动翻译的字幕，但有总比没有好。
5.继续机器学习
深度学习可能不是未来的主流，至少有些大牛是这么认为的。传统机器学习有以下特点:知识系统，书籍相对经典。其中，统计学习(以SVM为代表)和集成学习(以adaboost为代表)是实践中使用较多的技术。以下是相关资源:
推荐，机器学习():以前PRML是第一本关于机器学习的经典教材，但周老师的书出来后就不是这样了。首先推荐看周老师的书。这本书的一个特点是，即使是最难的道理，也能用简单简洁的语言表达出来。正如周老师的名言:“体现你水平的，是把难的事情变得容易，而不是把容易的事情变得困难。把一件事情变得困难，这太简单了”；
不推荐，模式识别和机器学习:现阶段不推荐。PRML从贝叶斯的角度看待很多机器学习方法，这也是它的一大特色。但对于初学者来说，这种观点其实是不必要的。而且这本书没有中文译本，所以现阶段很容易放弃；
6.开源项目
当知识储备充足时，学习可以再次转入实践阶段。这时候的做法还是可以分两步走，学习经典开源项目或者发表高质量论文。开源项目的学习要尽可能以优化为目的，单纯为了看代码的学习效果往往不太好。好的开源项目可以在Github中搜索。这里以深度学习为例。深度学习有很多优秀的开源库，比如torch，theano等。这是其中的两个:
推荐，DeepLearnToolbox:一个早期的深度学习库，用matlab语言写的，比较适合从新学过的课程转入学习。不幸的是，作者不再维护它；
推荐，tensorflow:Google的开源库，今天有4万多star，很神奇，支持移动设备；
7.会议论文
比较好的课程会给你推荐一些论文。一些著名的技术和方法往往诞生在一些重要的会议中。所以，阅读往年的会议论文是一种深入学习的方法。这时候有些论文的内容会驱使你去学习数学中你不擅长的部分。有时候觉得自己数学知识不够，经常需要学习一些辅助课程。
当你看够了论文，在这个阶段，如果你是在校学生，你可以选择一个课题，以发表论文为目的进行研究。一般来说，论文是工作的产物。有时候一篇基于实验的论文往往需要你写代码或者基于开源项目。所以开源项目的学习和会议论文的工作是有关联的。
两者可以同时学习。关于在哪里看论文，可以看看CCF推荐排名，了解一下这个领域有哪些优秀的会议。
这里有两个著名的图像和机器学习领域的顶级会议:
CVPR:它和另外两个会议，ICCV和ECCV，被称为计算机视觉领域的三大会议。注意大会主页每年都有变化，所以搜索需要添加年份；神经信息处理系统会议(conference on neural information processing systems):简称NIPS，上面发表了很多重要的著作，比如CNN的一篇重要论文就发表在上面；
8.自由学习
我们到了，可以说进入了这扇门。可以根据兴趣自由学习。前一阶段不推荐的学习资源也可以随意学习。以下是评论:
CS 229: NG写的讲义很好，其中SVM的推导很清楚，想学习SVM推荐。机器学习的神经网络:丹尼尔的视角只是与人的视角不同。看看Hinton对神经网络的看法，往往会给你一种原创的感觉。其实读这门课就相当于读一篇论文，因为几乎每门课的参考资料里都有论文让你读；视觉识别的对流神经网络:最新知识和详细作业。国内应该有团队翻译过字幕，你可以找找看。PRML:作为一本经典的机器学习书籍，很有必要读一读，会让你对机器学习有不一样的看法。
动词 （verb的缩写）摘要
本文旨在帮助对AI领域了解不多，但想入此门的同学。我在这里只说介入，是因为这个领域的专业化很难，需要多年的积累和努力。在进行领域学习之前，充分了解自己的特点，制定合适的学习方法是非常重要的。
首先要充分了解这个领域，培养兴趣。学习时，保持循序渐进的学习方针，不要急于学习难的资源；把学习和实践的策略结合起来，相辅相成，不要只是看着看着，真正去做的时候才会有成就感。学习一个资源，要有一个完整的目的，不是为了学习开源项目而读代码，而是为了写开源项目而读；写论文不是为了发表论文，而是为了做事。
本文来自微信官方账号:《大技术的集合》。冠珠了解大数据行业对大数据技术的学习和学习路线，有免费的学习资料。
如果一个学习资源对你来说太难，并不意味着一定是你的问题，而可能是学习资源的演讲者或作者的问题。只有能把难题变得简单的人，才是真正有能力的人。所以一定要学习优质资源，而不是乱学。最后，记得带着兴趣去学习。学习需要很长的时间，过程也很艰难，而只有兴趣才是对你持之以恒、克服困难的最好帮助。