【人工智能】人工智能工程师从0到1的进阶之路！

作者：许小岩   来源：AI脑力波  授权 产业智能官 转载

                                                                       

眼下，人工智能已经越来越火。人工智能技术在各行各业中的应用越来越普及，相关专业技术人才也是供不应求。如何转向人工智能方向，也成为大众普遍关注的一个问题。本文希望以最全面、简单的方式，让大家了解从 0 到 1 成为一名人工智能工程师需要具备哪些技能，以及经历怎样的过程。 

行业现状

人工智能工程师，是IT行业需求缺口最大的岗位，薪资水平远高于其他行业。随着经验年限的递增，人工智能从业人员平均薪酬涨幅高。据行业报告显示：AI开发者超过70%从业者月薪为20K-50K。 

哪些人适合做人工智能？

一、首先是对人工智能有极大的兴趣；

二、是有一定的计算机基础，进击人工智能会更容易。具体来说：（1）是编程基础、数据结构算法好，（2）是高数基础，比如概率论、线性代数、微积分、几何、优化理论等；如果你不具备这些基础，但是满足条件一，仍有希望做人工智能。

三、最好有相应的小环境，不管是业余的，还是工作团队或网络小组。满足这样的条件，基本上可以去学人工智能，另外还要有坚强的毅力，良好的自制力。这一点其实很重要，前面都是知识可以去弥补，但是没有毅力没有自制力，很容易半途而废。

哪些人不适合做人工智能？

一、目标不坚定，三天打鱼两天晒网，不能脚踏实地；

二、数学基础很差，逻辑思维差的也容易出现半途而废的情况；

三、单纯为学而学，不能学以致用。

人工智能怎么学？

随着近几年人工智能持续火热，网上出现了很多人工智能工程师速成课程，但小编认为，这种偷懒的捷径往往并不能让人真正掌握这些技术，速成的AI工程师也很难成为业内精英。更有甚者，一个工作多年的人工智能工程师随便问几个问题，就能发现他们的水平和实际工作要求的差距。

核心问题在于：AI的门好跨么？其实这一过程很难。这里送你一份人工智能学习线路图！让我们具体来看一看入门、进阶和高阶人工智能阶段都需要掌握哪些技能。

（图片来源：CSDN，可点击查看大图） 

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，如计算机科学、编程语言和数学基础等。基础打下后，再对机器学习有充足的了解，用机器学习来解决实际的问题。

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，可以考虑继续学习机器学习或者深度学习。没错，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，选择机器学习，就要学习监督学习和非监督学习的多种模型和算法，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，可以同时学习机器学习与深度学习，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，大家可以对号入座：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，为解决问题而发论文。

无论哪者，都需要过硬的知识，以及较强的编码能力，因此很能考察和锻炼水平。经过这个阶段以后，可以说是踏入AI领域的门了。之后的路就要自己走了。

在此，小编为大家推荐一些值得一读的书籍和论文。

UFLDL：非常好的DL基础教程，由Andrew Ng编写。有很详尽的推导，有翻译，且翻译质量很高；

Deep learning （paper）：2015年Nature上的论文，由三位深度学习界的大牛所写，读完全篇论文，给人高屋建瓴，一览众山小的感觉，强烈推荐。如果只能读一篇论文了解深度学习，我推荐此篇。这篇论文有同名的中文翻译；

Neural networks and deep learning：这本书的作者非常擅长以浅显的语言表达深刻的道理，虽然没有翻译，但是阅读并不困难；

Recurrent Neural Networks：结合一个实际案例告诉你RNN是什么，整篇教程学完以后，会让你对RNN如何产生作用的有很清晰的认识，而这个效果，甚至是读几篇相关论文所没有的。

Neural Networks for Machine Learning：大牛的视角就是与众不同，看看Hinton对神经网络是怎么看的，往往会让你有种“原来如此”的感悟。其实看这门课程也等同于读论文，因为几乎每节课的参考资料里都有论文需要你读；

CS231n：Convolutional Neural Networks for Visual Recognition：最新的知识，还有详细的作业。国内应该有团队对字幕进行了翻译，网上应该可以找到下载源；

PRML：作为一门经典的机器学习书籍，是很有阅读必要的，会让你对机器学习拥有一个别样的观察视角。

---

围观！机器学习的十条金科玉条

AI脑力波

近日，丹尼尔·敦克朗（Daniel Tunkelang）在Quora（相当于国内的“知乎”）上发表了关于机器学习的十条金科玉条，供非专业人士参考学习，该文章一经发出引来赫芬顿邮报、福布斯Forbes网转载，以及众多网友围观。

丹尼尔·敦克朗（Daniel Tunkelang）曾在Google任职工程师，后在 LinkedIn 负责机器学习项目，现为专职高级顾问，从算法、架构、产品策略以及组织结构等方面服务于各大公司。

关于机器学习的十条金科玉条具体内容如下：

1、机器学习是指从数据中学习，且人工智能（AI）已经成为时下的流行语。事实上，机器学习确实达到了媒体吹捧的高度：利用对路的训练数据及算法可以解决相当多的问题。要是能让你的东西更好卖，你可以将其冠以人工智能之名，但是你要明白，这个流行语可以被赋予大众想要的任何含义。

2、机器学习是关于数据及算法的学科，主要是关于数据。机器学习算法，特别是深度学习领域，取得了非常多的突破。但是数据才是实现机器学习的关键。机器学习可以没有很炫酷的算法，但是不能没有优质的数据。

3、除了数据足够的情况，尽量不要使用很复杂的模型。机器学习根据数据模式训练模型，探索由参数定义的可能模型的空间。如果你的参数空间太大，训练数据就会出现过度拟合，训练的模型也将无法推广使用。如果要详尽解释这个过程，则需要更多数学演算，但是通常应该保持模型尽可能简单。

4、用来训练数据的质量有多高，机器学习的效果就会有多好。“无用输入产生无用输出”这个说法在机器学习出现之前就存在，但是这句话恰如其分地概括了机器学习的局限。机器学习只能发现所给的训练数据中的模式。像分类这种受监督的机器学习任务则需要大量正确标注的、特征丰富的训练数据。

5、只有当训练数据具有代表性时，机器学习才有效果。正如基金认购协议里对客户的警告，“过去的业绩并不能保障未来收益”，机器学习应该作出类似警告，它只有在与其训练数据同样的数据分布下才能产生效果。你要对训练数据和生产数据之间的偏差保持警醒，同时对模型进行经常性的再训练以保持时效性。

6、机器学习中大部分最难的工作在于数据转换。当读到那些关于机器学习技术天花乱坠的介绍时，你可能会认为机器学习总的来说是关于选择及调整算法。实际情况则平淡无奇得多：你的大部分时间和精力都花在数据清理及特征工程上，也就是将原始特征转换为能够更好地代表你所持有数据的特征。

7、深度学习确实是革命性的进步，但它并不是包治百病的灵丹妙药。因其在机器学习各种应用领域取得的突破，深度学习被炒得很热。此外，深度学习使得许多传统上需要通过特征工程完成的工作实现了自动化，特别是在处理图像和视频数据时。但是深度学习并非无所不能。它并不是开箱即用，在数据清理及数据转换方面你仍需投入大量精力。

8、机器学习极易受到误操作的影响。“置人于死地的不是机器学习算法，是人。”机器学习系统崩溃的原因通常都不是机器学习算法本身的问题。多数情况下，原因是训练数据中的人为失误，偏差或其他系统错误。始终要保持自我怀疑的态度，你在软件工程中遵守的规范同样适用于机器学习。

9、机器学习会无意中创造出自我实现的预言。在机器学习的许多应用中，你今日做出的决定会影响日后采集的训练数据。如果你的机器学习系统在模型中嵌入了偏差，它会不断继续创造加强这种偏差的训练数据。有些偏差甚至会危及人命。要持谨慎负责的态度：不要创造自我实现的预言。

10、人工智能不会具有自我意识，揭竿而起并一举毁灭人类。相当一部分人关于人工智能的观点都来自于科幻电影。我们可以从科幻小说中得到启发，但不应将其信以为真。真实并已经存在的风险已经有很多，例如有意图谋不轨的人类和无意携带偏差运行的机器学习模型，所以先不用为“天网“还有”超级智能“之类的东西担心得睡不着觉了。

  

关于机器学习所需了解的东西远不止以上这些。希望能帮助非专业人士入门。

（来源：新智元）

 

人工智能赛博物理操作系统

AI-CPS OS

“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能）分支用来的今天，企业领导者必须了解如何将“技术”全面渗入整个公司、产品等“商业”场景中，利用AI-CPS OS形成数字化+智能化力量，实现行业的重新布局、企业的重新构建和自我的焕然新生。

AI-CPS OS的真正价值并不来自构成技术或功能，而是要以一种传递独特竞争优势的方式将自动化+信息化、智造+产品+服务和数据+分析一体化，这种整合方式能够释放新的业务和运营模式。如果不能实现跨功能的更大规模融合，没有颠覆现状的意愿，这些将不可能实现。

领导者无法依靠某种单一战略方法来应对多维度的数字化变革。面对新一代技术+商业操作系统AI-CPS OS颠覆性的数字化+智能化力量，领导者必须在行业、企业与个人这三个层面都保持领先地位：

1. 重新行业布局：你的世界观要怎样改变才算足够？你必须对行业典范进行怎样的反思？

2. 重新构建企业：你的企业需要做出什么样的变化？你准备如何重新定义你的公司？

3. 重新打造自己：你需要成为怎样的人？要重塑自己并在数字化+智能化时代保有领先地位，你必须如何去做？

AI-CPS OS是数字化智能化创新平台，设计思路是将大数据、物联网、区块链和人工智能等无缝整合在云端，可以帮助企业将创新成果融入自身业务体系，实现各个前沿技术在云端的优势协同。AI-CPS OS形成的数字化+智能化力量与行业、企业及个人三个层面的交叉，形成了领导力模式，使数字化融入到领导者所在企业与领导方式的核心位置：

1. 精细：这种力量能够使人在更加真实、细致的层面观察与感知现实世界和数字化世界正在发生的一切，进而理解和更加精细地进行产品个性化控制、微观业务场景事件和结果控制。

2. 智能：模型随着时间（数据）的变化而变化，整个系统就具备了智能（自学习）的能力。

3. 高效：企业需要建立实时或者准实时的数据采集传输、模型预测和响应决策能力，这样智能就从批量性、阶段性的行为变成一个可以实时触达的行为。

4. 不确定性：数字化变更颠覆和改变了领导者曾经仰仗的思维方式、结构和实践经验，其结果就是形成了复合不确定性这种颠覆性力量。主要的不确定性蕴含于三个领域：技术、文化、制度。

5. 边界模糊：数字世界与现实世界的不断融合成CPS不仅让人们所知行业的核心产品、经济学定理和可能性都产生了变化，还模糊了不同行业间的界限。这种效应正在向生态系统、企业、客户、产品快速蔓延。

AI-CPS OS形成的数字化+智能化力量通过三个方式激发经济增长：

1. 创造虚拟劳动力，承担需要适应性和敏捷性的复杂任务，即“智能自动化”，以区别于传统的自动化解决方案；

2. 对现有劳动力和实物资产进行有利的补充和提升，提高资本效率；

3. 人工智能的普及，将推动多行业的相关创新，开辟崭新的经济增长空间。

给决策制定者和商业领袖的建议：

1. 超越自动化，开启新创新模式：利用具有自主学习和自我控制能力的动态机器智能，为企业创造新商机；

2. 迎接新一代信息技术，迎接人工智能：无缝整合人类智慧与机器智能，重新

   评估未来的知识和技能类型；

3. 制定道德规范：切实为人工智能生态系统制定道德准则，并在智能机器的开

   发过程中确定更加明晰的标准和最佳实践；

4. 重视再分配效应：对人工智能可能带来的冲击做好准备，制定战略帮助面临

   较高失业风险的人群；

5. 开发数字化+智能化企业所需新能力：员工团队需要积极掌握判断、沟通及想象力和创造力等人类所特有的重要能力。对于中国企业来说，创造兼具包容性和多样性的文化也非常重要。

子曰：“君子和而不同，小人同而不和。”  《论语·子路》云计算、大数据、物联网、区块链和 人工智能，像君子一般融合，一起体现科技就是生产力。

如果说上一次哥伦布地理大发现，拓展的是人类的物理空间。那么这一次地理大发现，拓展的就是人们的数字空间。在数学空间，建立新的商业文明，从而发现新的创富模式，为人类社会带来新的财富空间。云计算，大数据、物联网和区块链，是进入这个数字空间的船，而人工智能就是那船上的帆，哥伦布之帆！

新一代技术+商业的人工智能赛博物理操作系统AI-CPS OS作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎。重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式。引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。

---

产业智能官  AI-CPS

用“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能），在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的认知计算和机器智能；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。

长按上方二维码关注微信公众号： AI-CPS，更多信息回复：

新技术：“云计算”、“大数据”、“物联网”、“区块链”、“人工智能”；新产业：“智能制造”、“智能农业”、“智能金融”、“智能零售”、“智能城市”、“智能驾驶”；新模式：“财富空间”、“数据科学家”、“赛博物理”、“供应链金融”。

官方网站：AI-CPS.NET

本文系“产业智能官”（公众号ID：AI-CPS）收集整理，转载请注明出处！

---

---

版权声明：由产业智能官（公众号ID：AI-CPS）推荐的文章，除非确实无法确认，我们都会注明作者和来源。部分文章推送时未能与原作者取得联系。若涉及版权问题，烦请原作者联系我们，与您共同协商解决。联系、投稿邮箱：[e-mail]

---

---