轉載--我的AI轉型之路與AI之我見（非985211的奮鬥路程與視角）
前言
我是一名傳統網頁（PHP+ruby）和應用開發（Android）轉型AI相關開發的碼農。在非985211高校出身的情況下，我前期自己買書學習，到現在考研上課全身心的投入智慧系統的開發當中來，在演算法當中理解了資料和模型，對一些基本問題的解決和現在社會上的環境風氣有自己的看法，在這裡不吐不快，和大家分享一下。
對於人工智慧的入門和基礎理解我有一篇綜述的部落格文章，手把手的入門機器學習的”Hello World“，有5個基礎開發例項，方便理解整個開發的過程。
- 資料分析入門：Weka的使用（只要四步，不會編碼也可以做機器學習與資料分析）
- 機器學習的“Hello World” MNIST手寫字型識別（用SVM支援向量機演算法）
- Iris花資料集分析
- 支援向量機（SVM）人臉識別
- 多層感知機識別MNIST手寫字型識
詳細內容，有興趣的同學請點選下面的連結。
也抽空做了2個小專案與大家分享。
我的吐槽
人人都是機器學習工程師
現在人工智慧無論是在校園裡還是在工作當中，無論是在國內還是國外，都是十分火熱的話題。現在在高校校園裡，計算機專業，電子工程專業，自動化專業，機械專業，土木工程專業等等工科，理科，甚至新聞與傳播專業等，只要手裡有資料的專業，基本都有人工智慧，機器學習等相關的話題。
不但在中國，美國，就連在日本，我在參觀高壓電專業實驗室的同學都在用SVM預測地區高壓電用電量估計，用蟻群演算法來為高壓電傳輸塔的建立做最合理的規劃。自動化同學實驗室再用決策樹做影象識別，做
十幾年前，機器學習還只是世界頂尖大學的玩物，現在所有的高校裡都有相關的學習與研究，應用在各行各業當中。從原來的博士專業中獨享，到現在的普及到碩士專業，以後大批本科生畢業也可以從事人工智慧，資料分析相關的開發。現在大批的研究生開始學習機器學習演算法， 研究在各種場景環境下的帶入應用，不再去做網頁，寫EPR系統，開發APP，而是轉向資料分析，影象識別，
在京東圖書當中，周志華的《機器學習》評論數為8700+，而php賣的最多的《PHP從入門到精通》只有評價數6100+，郭霖的《第一行程式碼android》的評論數為1.4萬+。由此可見不遠的將來大家可能會從原來的PHP是最好的語言，即將變為SVM是最好的演算法。
各種收費學習平臺收割大學生的智商稅
近幾年知識收費成了各大網站的又一突破點，有良好師資的網站不斷推出新的，符合市場定位的技術視訊，並收取學員一些學費。可是現在有很多平臺把市面上的書籍網路上的程式碼一抄，模模糊糊的講解一下就敢收費400，500，甚至上千元的收費，這和11年安卓的培訓市場上是如出一轍。這年頭各種牛鬼蛇神，牛頭馬面都敢出來當老師，開班授課，市場一片混亂，不少剛出社會或者剛進大學的同學都被這個人收了智商稅，希望大家應以為戒。現在世面上這麼多的書籍與各種好的原創視訊，知識點解讀，論文分享的好公眾號，希望大家不要再上當了，在掏錢的時候好好觀察，這個是交了智商稅還是真交了學費。
學會資訊檢索 + 合理利用資源
現在國內的視訊網站上並沒有多少好的人工智慧教學的相關視訊，但是油管上有成千上萬的好的視訊，從知識點的講解，論文的解讀，具體應用的手把手的程式碼教學，嗾使十分豐富的。具體的推薦請看下面書籍，公眾號，視訊的推薦。
很多同學找不到學習資料和視訊資源。其實，資訊檢索也是一門學科，我在大學期間選修過這門課，後來我想這就是資料分析的第一步，資料收集。在這裡我推薦大家加入我的群，群裡都是一群新手，也包括我，都是想依靠技術讓自己生活變的更好的一群人，群裡不定期更新PDF書籍資源，現在已經有2.71GB，234本書了，可以讓大家節約時間，少走一些彎路。QQ群號：657119450。
為什麼要學習AI
AI開發與傳統軟體工程，網際網路應用開發相比較區別有哪些
傳統軟體工程，網際網路應用開發主要是依靠開發語言和開發工具，重點學習一些演算法和資料結構，庫，框架。AI開發則有自己相關的庫和框架，更多是學習機器學習的相關演算法與對演算法的優化，重點是把演算法和模型應用到實際的問題當中，從不同的環境場景下提取資料，處理資料，分析資料的能力。
AI開發與傳統軟體工程，網際網路應用開發相融合
網際網路網站開發的都在做精準推薦，電子相關的都在做影象識別和處理，讓計算機能具有”看“的能力，APP開發的在用機器學習來開發智慧應用，語音輸入法等。現在智慧系統是解放生產力又一大有效的方案，現在不斷有更多更好更新奇的應用被開發出來，提高了工作效率，降低了生產成本。
所以，作為傳統開發和AI開發其實真正的區別並不大，無論是現在還是未來，好的傳統開發是必須要會AI相關演算法與技術應用到自己的專案當中，而好的AI開發是要會傳統開發的技術，來實現自己的演算法模型，解決實際問題的，所以兩者是相輔相成的關係，互相離不開的。
未來AI的發展機遇
AI的開發工作機會分析
我從五月份開始關注拉鉤網，春季剛開始的時候還沒有機器學習，深度學習，自然語言處理，影象處理，資料探勘，精準推薦的分類，現在在工作崗位分類中，都有人工智慧這一大類了。可見現在人工智慧相關的工作十分火熱並工程師緊缺。
7月14日，人民日報報道了《中國人工智慧人才缺口超500萬，供求比例僅為1：10》一文，文章中說到。
一位資料探勘高階工程師，在關閉招聘網站自己簡歷的情況下，每個月仍會收到4到5個獵頭的電話，遊說他去其它公司。現在以人工智慧演算法開發工程師為例，該職位少則月薪1萬、2萬，多則年薪百萬。不像其它行業佔據職業高薪榜的是高階管理人才，在人工智慧領域中，技術類工程師拿的是最高薪。李開復說過“在矽谷，做深度學習的人工智慧博士生，現在一畢業就能拿到年薪200萬到300萬美元的錄用通知，三大公司（谷歌、臉書和微軟）都在用不合理的價錢挖人”。最近領英發布的《全球AI領域人才報告》顯示，到2017年一季度為止，領英平臺上的全球AI（人工智慧）領域技術人才數量超過190萬，其中美國相關人才總數超過85萬，高居榜首，而中國的相關人才總數也超過5萬人，位居全球第七。
目前國家要產業轉型改革，同時也強調產業升級的重要性，網際網路行業中最稀缺的就是人工智慧人才。現在國內的供求比例僅為1：10，供需嚴重失衡。工信部教育考試中心也曾在2016年向媒體透露，中國人工智慧人才缺口超過500萬人。目前國內外企業均把人工智慧看成下一個變革的主要力量。AI技術人才，則是主導這一變革的中流砥柱。人工智慧的競爭說到底是對人才的競爭，因此出現了各大網際網路企業高薪挖人的現象。《全球AI領域人才報告》顯示，美國已成中國AI人才最大回流來源，中國擁有海外工作經歷的AI技術人才有43.9%來自美國。華人人才的持續迴流，將加快縮短中國與美國等國家的技術差距。
由以上可知，現在加入到AI的開發中開正是大好時機。
現在AI開發工作的市場需求
現在市場上人工智慧開發多是在研究生博士生居多，本科生並不是很受歡迎，本科生在本科階段絕大部分是沒有研究的，專業課的學習為主，自己喜歡的開發相關學習為輔，的確時間上並不是十分充裕，所以研究生和博士生現在受到市場的歡迎。基本上都是統計學、應用數學、計算機等相關專業，碩士及以上學歷，具有優秀的資料結構和演算法設計能力，能將演算法實現為程式碼，至少熟悉一種大資料處理的程式語言（R、Python、Java、Go、Perl、Ruby、SPSS等），熟悉大規模資訊處理與分散式計算等相關技術，較強的資料敏感度，邏輯分析能力和文件寫作能力，
資料探勘，搜尋演算法，精準推薦，深度學習，機器學習，影象處理，影象識別，語音識別，機器視覺，演算法工程師，自然語言處理等方向現在十分火熱。多數企業招不到合適的人員。
AI開發工作應該擁有哪些技術
- 開發語言多數以R、Python、JAVA為主。
- 將演算法轉換為程式碼的能力，即編碼能力，這方面想提高除了多看多寫，別無他法。
- 熟悉opencv，sklearn，tensorflow，caffe，Spark，keras，pyTouch等開發庫，沒必要全會，但是要有熟練的一個或幾個。
- 大規模資訊處理與分散式計算，開發環境搭建與優化，演算法的調參與優化。
- 文件書寫，團隊人員的交流能力。
- 分析問題，分析資料，帶入演算法和模型到實際場景應用的能力。
我與AI的初次相遇
12年第一次接觸機器學習
12年我第一次接觸機器學習，當時進了實驗室大家還不說機器學習，都是說資料探勘，做了一個垃圾郵件處理的問題，當時並沒有完成。之後就一直沒有做這方面工作，一直做的是網站開發和APP開發。那時候是以java開發為主，學習python當中。由於沒有什麼書籍，網上部落格也不全，程式碼也是殘缺錯誤，所以那時候學習資料探勘進度緩慢，沒有什麼成就感，沒有網站開發和APP開發帶來的成就感大，所以也就主要是做開發寫程式碼為主。
16年斷斷續續的學習
由於在日本考學校要考試，還要寫研究計劃書，所以重新開始機器學習演算法的學習，沒有做什麼實際的應用，只是單純的推導公式，學習演算法。做了一個根據網頁資訊對網頁進行分類的應用，寫成了研究計劃書。多是看視訊，看部落格為主，書籍也是《機器學習實戰》一本翻了很多次。
17年開始全身心的投入學習
修士（對應國內研究生）入學之後，開始全面系統的學習。沒有什麼特別的經過，就是不斷看書，寫程式碼實現，看論文，寫部落格記錄。日本學生人人都寫研究記錄，我也開始寫部落格記錄我的學習經過。每週都有和老師研究進度報告，和實驗室研究會議，當前的研究進度的說明，發現了什麼問題，怎麼解決的。還有用《Python Machine Learning》，每人每週講解一章，實驗室人不多，算上我和兩個前輩就3人，但是這個人工智慧實驗室在上世紀80年代就有了，算是歷史不短吧。
現在國內市場上的人工智慧相關書籍也開始慢慢多了起來，但是還是有老問題，有的書籍互相重複內容太多，有的書籍單純是官網簡介和demo程式碼的翻譯，多數質量並不是很高，導致我現在看中文書預習，看日語書學習，看英語書複習，日本關於機器學習相關的書寫的相當詳細，理解起來也簡單，中文書多數是翻譯英文版的書籍，而我英語不是十分的好，看英語書向來要花點時間。
我學習AI的方法
看書，程式碼，分享的迴圈
學習的過程就是枯燥的，不停的看書，寫程式碼實現，沒別的方法了。找資料，找專案，找問題決解，鍛鍊自己解決實際場景問題的能力。然後最好寫成部落格分享給大家，對自己未來找工作，還是交接志同道合的朋友都有好處。
有的同學一上來就看程式碼，演算法的原理和數學公式的體現不會是看不懂程式碼的，所以要先看書，從書上的例子一點點做起，還有部分同學基礎的開發和資料結構不是很擅長，也要先補習一下這方面的內容才可以，總之基礎的確很重要，萬丈高樓沒有地基的確是不行的。
書籍推薦
《機器學習實戰》
《自然語言處理原理與實現》
《機器學習》
《統計學習方法》
《支援向量機導論》
《統計自然語言處理（宗成慶）》
《深度學習》
《模式識別-第二版(西奧多裡蒂斯 著，李晶皎譯)》
《駕馭文字 文字的發現、組織和處理_》
《Python Machine Learning》
《Advanced Machine Learning with Python 》
《MATLAB智慧演算法30個案例分析》
《人工智慧 一種現代的方法（第3版）》
《統計學習基礎 資料探勘、推理與預測》
《凸優化》
等等經典書籍，啊，你要問這個書籍哪有下載，請加群免費下載2.71GB，234本PDF書籍，群號：657119450。
公眾號推薦
大資料文摘 ： 每日大資料新聞推送。
機器之心 ： 每日機器學習新聞推送。
PaperWeekly ： 每日推薦論文推送並解讀。
量子位 ： 人工智慧新聞每晚推送。
微博推薦
愛可可-愛生活 每日多次不停的推薦論文，庫，等等人工智慧相關資訊。（唯一重磅推薦）
視訊推薦
論文網站推薦
我寫AI部落格的想法
我的現在水平只能寫寫部落格，把自己學習到的東西免費和大家分享一下，肯定有我理解錯誤或者不完全的地方，和大家交流，解決問題是我的初衷，結實更多相關從業人員也是好處，我把一年的課都選在半年內上完，在我還有一年半校園生涯的時間裡我會堅持更新部落格，提高寫作表達能力，但是畢業之後估計就沒那麼多時間了吧，謝謝大家對我的支援與鼓勵，大家共同進步吧。
未來中國需要大量的掌握人工智慧技術的工程師，在各行各業中穿插交流更具具體場景開發，很多同學英語不好，編碼能力不好，開發經驗不足，我希望通過我的一點綿薄之力幫助更多的同學入門人工智慧技術，如果大家都這樣想就好了。
感想
現在就想多看書，多看論文，然後自己實踐解決一些實際的問題。已經制定了詳細的計劃，希望可以堅持下去。