1樓：風花水月
當下，人工智慧已經成為越來越火的一個方向。普通程
序員，如何轉向人工智慧方向，是知乎上的一個問題。
一.目的
本文的目的是給出一個簡單的，平滑的，易於實現的學習方法，幫助「普通」程式設計師踏入ai領域這個門。這裡，我對普通程式設計師的定義是：擁有大學本科知識;平時工作較忙;自己能獲取的資料有限。
因此，本文更像是一篇「from the scratch」的ai入門教程。
二. ai領域簡介
ai，也就是人工智慧，並不僅僅包括機器學習。曾經，符號與邏輯被認為是人工智慧實現的關鍵，而如今則是基於統計的機器學習佔據了主導地位。最近火熱的深度學習正是機器學習中的一個子項。
目前可以說，學習ai主要的是學習機器學習。
但是，人工智慧並不等同於機器學習，這點在進入這個領域時一定要認識清楚。關於ai領域的發展歷史介紹推薦看周老師寫的《機器學習簡介》。下面一個問題是：
ai的門好跨麼?其實很不好跨。我們以機器學習為例。
在學習過程中，你會面對大量複雜的公式，在實際專案中會面對資料的缺乏，以及艱辛的調參等。如果僅僅是因為覺得這個方向未來會「火」的話，那麼這些困難會容易讓人放棄。考慮到普通程式設計師的特點，而要學習如此困難的學科，是否就是沒有門路的?
答案是否定的。只要制定合適的學習方法即可。
三.學習方法
學習方法的設定簡單說就是回答以下幾個問題：我要學的是什麼?我怎樣學習?
我如何去學習?這三個問題概括說就是：學習目標，學習方針與學習計劃。
學習目標比較清楚，就是踏入ai領域這個門。這個目標不大，因此實現起來也較為容易。「過大的目標時就是為了你日後放棄它時找到了足夠的理由」。
學習方針可以總結為「興趣為先，踐學結合」。簡單說就是先培養興趣，然後學習中把實踐穿插進來，螺旋式提高。這種方式學習效果好，而且不容易讓人放棄。
有了學習方針以後，就可以制定學習計劃，也稱為學習路線。下面就是學習路線的介紹。
四.學習路線
我推薦的學習路線是這樣的，如下圖：
這個學習路線是這樣設計的：首先了解這個領域，建立起全面的視野，培養起充足的興趣，然後開始學習機器學習的基礎，這裡選擇一門由淺入深的課程來學習，課程最好有足夠的實驗能夠進行實戰。基礎打下後，對機器學習已經有了充足的瞭解，可以用機器學習來解決一個實際的問題。
這時還是可以把機器學習方法當作一個黑盒子來處理的。實戰經驗積累以後，可以考慮繼續進行學習。這時候有兩個選擇，深度學習或者繼續機器學習。
深度學習是目前最火熱的機器學習方向，其中一些方法已經跟傳統的機器學習不太一樣，因此可以單獨學習。除了深度學習以外，機器學習還包括統計學習，整合學習等實用方法。
如果條件足夠，可以同時學習兩者，一些規律對兩者是共通的。學習完後，你已經具備了較強的知識儲備，可以進入較難的實戰。這時候有兩個選擇，工業界的可以選擇看開源專案，以改**為目的來讀**;學術界的可以看特定領域的**，為解決問題而想**文。
無論哪者，都需要知識過硬，以及較強的編碼能力，因此很能考察和鍛鍊水平。經過這個階段以後，可以說是踏入ai領域的門了。「師傅領進門，修行在個人」。之後的路就要自己走了。
下面是關於每個階段的具體介紹：
0.領域瞭解
在學習任何一門知識之前，首先第一步就是了解這個知識是什麼?它能做什麼事?它的價值在什麼地方?
如果不理解這些的話，那麼學習本身就是一個沒有方向的舟，不知道駛向何處，也極易有沉船的風險。瞭解這些問題後，你才能培養出興趣，興趣是最好的引路人，學習的動力與持久力才能讓你應付接下來的若干個階段。關於機器學習是什麼，能做什麼，它與深度學習以及人工智慧的關係，可以看我寫的部落格從機器學習談起。
1.知識準備
如果你離校過久，或者覺得基礎不牢，最好事先做一下準備複習工作。「工欲善其事，必先利其器」。以下的準備工作不多，但足以應付後面階段的學習。
數學：複習以下基本知識。線性代數：矩陣乘法;高數：求導;概率論：條件與後驗概率。其他的一些知識可以在後面的學習的過程中按需再補;
2.機器學習
機器學習的第一門課程首推andrew ng的機器學習。這門課程有以下特點：難度適中，同時有足夠的實戰例子，非常適合第一次學習的人。
cs229這門課程我這裡不推薦，為什麼，原因有以下：
3.實踐做專案
學習完了基礎課程，你對機器學習就有了初步瞭解。現在使用它們是沒有問題的，你可以把機器學習演算法當作黑盒子，放進去資料，就會有結果。在實戰中你更需要去關心如何獲取資料，以及怎麼調參等。
如果有時間，自己動手做一個簡單的實踐專案是最好的。
這裡需要選擇一個應用方向，是影象(計算機視覺)，音訊(語音識別)，還是文字(自然語言處理)。這裡推薦選擇影象領域，這裡面的開源專案較多，入門也較簡單，可以使用opencv做開發，裡面已經實現好了神經網路，svm等機器學習演算法。專案做好後，可以開源到到 github 上面，然後不斷完善它。
實戰專案做完後，你可以繼續進一步深入學習，這時候有兩個選擇，深度學習和繼續機器學習;
4.深度學習
深度學習：深度學習是目前最火熱的研究方向。有以下特點：
知識更新快，較為零碎，沒有系統講解的書。因此學習的資源也相對零散，下面是一些資源介紹。其中不推薦的部分並不代表不好，而是在這個初學階段不合適：
推薦，ufldl：非常好的dl基礎教程，也是andrew ng寫的。有很詳盡的推導，有翻譯，且翻譯質量很高;推薦，deep learning (*****)：
2023年nature上的**，由三位深度學習界的大牛所寫，讀完全篇**，給人高屋建瓴，一覽眾山小的感覺，強烈推薦。如果只能讀一篇**瞭解深度學習，我推薦此篇。這篇**有同名的中文翻譯;推薦，neural ***works and deep learning：
這本書的作者非常擅長以淺顯的語言表達深刻的道理，雖然沒有翻譯，但是閱讀並不困難;推薦，recurrent neural ***works：結合一個實際案例告訴你rnn是什麼，整篇教程學完以後，會讓你對rnn如何產生作用的有很清晰的認識，而這個效果，甚至是讀幾篇相關**所沒有的;不推薦，neural ***works for machine learning university of toronto coursera：深度學習創始人教的課，最大的問題是太難，而且老先生的吐字有時不是很標準;不推薦，deep learning (book)：
同樣也是由深度學習大牛所寫的書，但感覺就像是第二作者，也就是他的學生所寫的。很多內容都講了，但是感覺也沒講出什麼內容來，只是告訴你來自那篇**，這樣的話可能直接閱讀**更合適。不推薦，cs231n：
李菲菲的課程，很有名，專門講**n。但是這門課程有一個最大的問題，就是沒有字幕，雖然有youtube的自動翻譯字幕，但有還不如沒有。
5.繼續機器學習
深度學習未必就是未來的一定主流，至少一些大牛是這麼認為的。傳統的機器學習有如下特點，知識系統化，有相對經典的書。其中統計學習(代表svm)與整合學習(代表adaboost)是在實踐中使用非常多的技術。
下面是相關資源：
推薦，機器學習(周志華)：如果是在以前，機器學習方面的經典教材首推prml，但現在周老師的書出來以後，就不再是這樣了。首先推薦讀周老師的書。
這本書有一個特點，那就是再難的道理也能用淺顯精煉的語言表達出來。正如周老師的名言：「體現你水平的地方是把難的東西講容易了，而不是把容易的東西講難，想把一個東西講難實在太簡單」;
不推薦，pattern recognition and machine learning：當前階段不推薦。prml是以貝葉斯的觀點看待很多機器學習方法，這也是它的一大特色。
但對於初學者來說，這種觀點其實並無必要。而且此書沒有中文翻譯，當前階段硬啃很容易放棄;
6.開源專案
當知識儲備較為充足時，學習可以再次轉入實踐階段。這時候的實踐仍然可以分兩步走，學習經典的開源專案或者發表高質量的**。開源專案的學習應該以儘量以優化為目的，單純為讀**而學習效果往往不太好。
好的開源專案都可以在github 裡搜尋。這裡以深度學習為例。深度學習的開源優秀庫有很多，例如torch，theano等等，這裡列舉其中的兩個：
推薦，deeplearntoolbox：較早的一個深度學習庫，用matlab語言撰寫，較為適合從剛學習的課程轉入學習。遺憾的是作者不再維護它了;
推薦，tensorflow：google的開源庫，時至今日，已經有40000多個star，非常驚人，支援移動裝置;
7.會議**
較好的課程都會推薦你一些**。一些著名的技術與方法往往誕生於一些重要的會議。因此，看往年的會議**是深入學習的方法。
在這時，一些**中的內容會驅使你學習數學中你不擅長的部分。有時候你會覺得數學知識儲備不夠，因此往往需要學習一些輔助課程。
當你看完足夠的**以後，在這個階段，如果是在校學生，可以選擇某個課題，以**文為目的來學習研究。一般來說，**是工作的產物。有時候一篇基於實驗的**往往需要你寫**或者基於開源專案。
因此開源專案的學習與會議**的工作兩者之間是有相關的。
兩者可以同時進行學習。關於在**看**，可以看一下ccf推薦排名，瞭解一下這個領域裡有哪些優秀的會議。
下面介紹兩個影象與機器學習領域的著名頂級會議：
cvpr：與另兩個會議iccv和eccv合稱計算機視覺領域的三大會，注意會議每年的主頁是變動的，因此搜尋需要加上年份;conference on neural information processing systems：簡稱nips，許多重要的工作發表在這上面，例如關於**n的一篇重要**就是發表在上面;
8.自由學習
到這裡了，可以說是進入這個門了。下面可以依據興趣來自由學習。前階段不推薦的學習資源也可隨意學習，下面是點評：
cs229：ng寫的講義很不錯，其中關於svm的推導部分很清晰，想學習svm推薦;neural ***works for machine learning：大牛的視角跟人就是不一樣，看看hinton對神經網路是怎麼看的，往往會讓你有種原來如此的感悟。
其實看這門課程也等同於讀**，因為幾乎每節課的參考資料裡都有**要你讀;cs231n: convolutional neural ***works for visual recognition：最新的知識，還有詳細的作業。
國內應該有團隊對字幕進行了翻譯，可以找找;prml：作為一門經典的機器學習書籍，是很有閱讀必要的，會讓你對機器學習擁有一個其他的觀察視角;
五.總結
本文的目的是幫助對ai領域瞭解不深，但又想進入的同學踏入這個門。這裡只說踏入，是因為這個領域的專精實在非常困難，需要數年的積累與努力。在進行領域學習前，充分認識自己的特點，制定合適的學習方法是十分重要的。
首先得對這個領域進行充分了解，培養興趣。在學習時，保持著循序漸進的學習方針，不要猛進的學習過難資源;結合著學習與實踐相輔的策略，不要只讀只看，實際動手才有成就感。學習某個資源時要有充分的目的，不是為了學開源專案而看**，而是為了寫開源專案而看;不是為了**文而寫**，而是為了做事情而寫**。
如果一個學習資源對你過難，並不代表一定是你的問題，可能是學習資源的演講或撰寫人的問題。能把難的問題講簡單的人才是真正有水平的人。所以，一定要學習優質資源，而不是不分青紅皁白的學習。
最後，牢記以興趣來學習。學習的時間很長，過程也很艱難，而只有興趣才是讓你持之以恆，攻克難關的最佳助力。
如何成為一名程式設計師，如何成為一名合格程式設計師
從一名普通的司機，到一名程式設計師他是如何做到的 會持續更新各行業各領域的知識 先學會做 第一步 如何成為一名合格程式設計師 一 需求理解能力 在開發過程中，要在需求細節不明的情況下，有責任設法搞清楚，積極學習程式設計思想和方法，並在設計 編碼工作中自覺應用，對有一些複雜程度的設計，主動申請設計審查...
普通人眼裡的程式設計師是怎樣的，在大家眼中，程式設計師是一個怎樣的職業
這些大神在普通人類和初級程式設計師眼裡是無所不能的，是他們嚮往的目標，在中級程式設計師和高階程式設計師眼裡，這些大神就是他自己，只不過他還沒紅起來而已。在普通人眼裡，程式設計師一般都是那種玩電腦非常厲害的，而且他們總是每天在電腦面前不出門，也不願意打扮自己，每天都沉迷在程式中。程式設計師不是一般的人...
程式設計師如何在30歲達到百萬年薪
程式設計師 英文programmer 是從事程式開發 維護的專業人員。一般將程式設計師分為程式設計人員和程式編碼人員，但兩者的界限並不非常清楚，特別是在中國。軟體從業人員分為初級程式設計師 高階程式設計師 系統分析員，系統架構師，測試工程師五大類。程式設計師賺的多好像是業界公認的一項職業，但是程式設...