做ai 普通程序员如何转做AI？

导语:如今，AI已经成为最热门的行业之一。尤其是薪资方面，吸引了无数人。但是作为一个普通的程序员，如何切换到AI一直困扰着很多人。今天，边肖将帮助你总结你需要知道和学习的知识，如果你想成为顶尖的人工智能程序员。

首先我想推荐一些入门代码，可以事半功倍。学习算法可以在《实用机器学习》、《统计学习方法》和《机器学习的实际应用》中找到。你也可以看看吴恩达先生的斯坦福大学机器学习公开课。

其次，关于练习场景，可以尝试参加卡格尔比赛或者天池比赛。像天池这样的比赛不仅会提供真实的数据和比赛环境，还会获得很多学习和与大师交流的机会，可以让人快速成长。

最后，强烈建议大家多练习，快速成长。目前市场上有很多现成的开源工具，比如R、Spark-MLib、Sklearn等。还有很多地方可以下载开源数据集，比如UCI数据集。下载数据，选择一个场景，用自己的代码运行效果。

好了，言归正传。我们来看看程序员是如何改造AI领域的。

知识准备阶段:

数学:复习以下基础知识。线性代数:矩阵乘法；高数:求导；条件与后验概率。

英语:保留一个在线英语词典，比如ICIBA，可以毫无困难地阅读一些英语信息页面；

FQ:你可以随时随地去谷歌，这是一个非常重要的工具(翻墙，对吗？)。

机器学习阶段:

机器学习是吴恩达的第一门课程。这门课难度适中，实例足够多，非常适合入门。

实践阶段:

学习完基础课程，对机器学习有了初步的了解。现在你可以把机器学习算法当成一个黑箱，放入数据，你就会得到结果。在实战中，你需要更加注意如何获取数据，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)。建议选择图像领域，开源项目多，入门简单。OpenCV可以用于开发，已经实现了神经网络、SVM等机器学习算法。项目完成后，可以向Github开放，然后不断完善。实战项目完成后，可以继续深造。这时可以选择深度学习，继续机器学习。

深度学习阶段:

深度学习:深度学习是目前最热门的研究方向。深度学习知识更新快，但知识点分散，但没有更好的系统学习方法，所以学习资源相对分散。以下是一些资源介绍。

UFLDL:一门很好的DL基础课，也是吴恩达写的。有很详细的推导，翻译，翻译质量很高；

深度学习(论文):2015年《自然》论文是深度学习领域的三头大牛写的。看了整篇论文，给人的感觉是战略上的优势，其他的山都显得天底下的矮子。，强烈推荐。如果只能看一篇论文了解深度学习，推荐这篇。本文有一个同名中文译文；

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，但是阅读并不难；

递归神经网络:结合一个实际案例告诉你什么是RNN，整个教程将让你清楚地了解RNN是如何工作的。

继续机器学习:

传统的机器学习有以下特点:知识系统化，书籍相对经典。统计学习(代表SVM)和集成学习(代表adaboost)在实践中被广泛使用。

机器学习():以前PRML是第一本关于机器学习的教材，但周老师说的显然更适合机器学习的需要。这本书有一个特点，就是无论多难，都可以用简洁明了的语言表达出来。

开源项目:

当知识储备充足时，学习可以转移到再次实践。这时候的实践还是可以分两步走，学习经典开源项目或者发表高质量论文。开源项目的学习要以尽可能优化为目标，单纯看代码的学习效果往往不是很好。好的开源项目可以在Github中搜索。这里，以深度学习为例，列出其中两个:

DeepLearnToolbox:用matlab语言编写的早期深度学习库，更适合从新学的课程向学习过渡。

Tensorflow:Google的开源库，到现在有4万多颗星，很神奇，支持移动设备。

会议论文阶段:

一些著名的技术和方法往往诞生在一些重要的会议上。所以看往年的会议论文是另一种深入学习的方式。有些论文会带动你去学习你不擅长的数学部分。有时候会觉得自己数学知识不够，经常需要学习一些辅助课程。如果想从论文的角度学习，可以看看CCF推荐排名，了解一下该领域的优秀会议。在图像和机器学习领域，有两个著名的顶级会议:

CVPR:连同另外两个会议ICCV和ECCV，它被称为计算机视觉领域的三大会议。注意会议首页每年都在变化，所以搜索需要添加年份；

神经信息处理系统会议: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。

免费学习阶段:

免费学习:相信你在这里已经成功进入AI领域了。可以根据兴趣自由学习。

CS 229:NG写的讲义很好，其中SVM的推导很清楚，想学SVM推荐；

机器学习的神经网络:独特的视角。看韩丁对神经网络的看法，往往会给你原始的感觉。其实读这门课相当于读一篇论文，因为几乎每一节课的参考资料里都有论文供你阅读；

Cs231n:用于视觉识别的自愿神经网络:最新知识和详细操作。

PRML:作为经典的机器学习书籍，有必要读一读，会给你一个不同的机器学习视角。

最后，希望大家能掌握算法技巧。即使不能在AI工作，数据的认知能力也一定是未来的核心竞争力。