前不久，不少人被一段機(jī)器人后空翻的視頻刷屏了。視頻中，雙足人形機(jī)器人阿特拉斯又是走“梅花樁”，又是秀后空翻，完成了一段精彩絕倫的體操表演。

超強(qiáng)機(jī)器人出現(xiàn)！分分鐘被 AI 驚呆…

[[224620]]

要知道阿特拉斯在 2014 年的時候僅僅能夠單腿站立。

[[224621]]

在 2016 年就可以隨主人一起去踏雪了。

[[224622]]

而到今年，他已經(jīng)可以完成后空翻了。

而這一切都需要依靠 AI（人工智能）技術(shù)來完成的。

人工智能到底有多火？

近日，一份 2018 屆互聯(lián)網(wǎng)校招高薪清單在網(wǎng)絡(luò)上流傳，引發(fā)眾多畢業(yè)生及互聯(lián)網(wǎng)從業(yè)者關(guān)注。

從拿到這些企業(yè) offer 的同學(xué)反饋來看，這份清單顯示的年薪水平還是比較準(zhǔn)確的。

另外，今年互聯(lián)網(wǎng)企業(yè)中研究深度學(xué)習(xí)、機(jī)器學(xué)習(xí)、人工智能等崗位比較火熱，在他們看來，校招年薪 25 萬人民幣只是白菜價。

其中，谷歌中國的人工智能崗位年薪***，達(dá) 56 萬元人民幣，其次是微軟的算法工程師崗位，年薪 51 萬，第三是谷歌的算法工程師崗位，年薪 50 萬，排在第四、第五的是騰訊公司的基礎(chǔ)應(yīng)用研究（SSP）崗位和騰訊云后臺研發(fā)工程師崗位，年薪分別是 45-50 萬、32.4 萬。整體來看，算法工程師崗位最吃香。

看完校招，再來看下***出爐的 2018 年薪酬指南！人工智能行業(yè)工資漲幅***，如下圖：

 

人工智能到底有多火？從上面可見一斑！無人駕駛汽車、無人超市、機(jī)器人伴侶......人工智能來得比我們預(yù)計(jì)要快很多。

以后會有很多工作崗位即將被機(jī)器人替代。比如： 客服人員、收銀員、汽車駕駛員、翻譯、會計(jì)甚至部分程序員。

AI 讓程序員既興奮又害怕

讓 AI 自動編程是人工智能領(lǐng)域長久以來的夢想之一。前不久，來自彭博和英特爾實(shí)驗(yàn)室的兩位研究人員，號稱實(shí)現(xiàn)了***能夠自動生成完整軟件程序的 AI 系統(tǒng)“AI Programmer”。

這個“AI 程序員”利用遺傳算法和圖靈完備語言，開發(fā)的程序理論上能夠完成任何類型的任務(wù)。AI 自動編程的時代，大幕已開。

隨后，谷歌 AutoML 系統(tǒng)也出產(chǎn)了一系列機(jī)器學(xué)習(xí)代碼，其效率甚至比研究人員自身還要高。

顯然，這是對“人類優(yōu)越論”的又一次打擊，因?yàn)闄C(jī)器人“學(xué)生”們已經(jīng)成為了“自我復(fù)制”的大師。所以，未來將會有一大批低段位的程序員被下崗。

剛剛，Stack Overflow 年度開發(fā)者報(bào)告發(fā)布。這次，全球共有十萬名程序員參與了這個一年一度的大調(diào)查，最終形成 2018 年度報(bào)告。

在這個報(bào)告中，詳實(shí)反映了開發(fā)者們的學(xué)習(xí)、工作和生活。這份報(bào)告共分為六大部分，包括幾十個不同類型的問題，下面主要列出關(guān)于人工智能的部分：

• TensorFlow 榮登程序員***框架
• 開發(fā)者不怕編程自動化
• AI 讓程序員既興奮又害怕

機(jī)器學(xué)習(xí)框架在開發(fā)者們心目中形象不錯，TensorFlow 榮登程序員***榜榜首，有 73.5% 正在用它的程序員表示還想繼續(xù)用，Torch/PyTorch 排在第 3 名，68% 用戶打算繼續(xù)用下去。

程序員對 AI 是什么態(tài)度？隨著機(jī)器學(xué)習(xí)越來越熱，投身其中的程序員越來越多，今年的調(diào)查增加了一些新題目，比如說對人工智能的看法、編程中的道德問題等等。

對于工作越來越自動化這件事，程序員們是不太怕的，只有 19.8% 的人認(rèn)為這很危險(xiǎn)，而認(rèn)為工作自動化 exciting 的多達(dá) 40.8%。

程序員們最擔(dān)心的，是讓算法做重要的決定，28.6% 的人都認(rèn)為這有點(diǎn)危險(xiǎn)，但同時也有 23.5% 的人認(rèn)為非常 exciting。另外，23.5% 的人擔(dān)心 AI 和人類決策對公平性的影響。

擔(dān)心公平問題的，和擔(dān)心AI超越人類的完全是兩撥不同的程序員。從調(diào)查結(jié)果來看，數(shù)據(jù)科學(xué)家、機(jī)器學(xué)習(xí)從業(yè)者、工程主管、學(xué)術(shù)圈的人、產(chǎn)品負(fù)責(zé)人等更擔(dān)心公平性，而移動開發(fā)者、設(shè)計(jì)師更擔(dān)心 AI 超越人類。

那么，如果 AI 真出了什么問題，應(yīng)該誰負(fù)責(zé)呢？

47.8% 的程序員認(rèn)為，自己的孩子自己管，開發(fā)者或者創(chuàng)造了這個 AI 的人應(yīng)該負(fù)責(zé)，也有 27.9% 的人認(rèn)為責(zé)任在于政府或者監(jiān)管機(jī)構(gòu)。對于人工智能的未來，開發(fā)者們基本是樂觀的。

72.8% 的程序員對 AI 帶來種種可能性的激動，要大于對危險(xiǎn)的擔(dān)心。當(dāng)然，還有 8.2% 灑脫的程序員表示根本不在乎，完全沒想過。

人工智能大火，程序員該如何入門？

據(jù)調(diào)查顯示，2017 年，AI 工程師平均年薪為 34 萬元，接近 IT 工程技術(shù)類的兩倍，而有 10 年以上經(jīng)驗(yàn)的 AI 工程師，年薪高達(dá) 140 萬元，而 IT 工程師還不到 55 萬元。 

業(yè)內(nèi)人士表示，由于人才匱乏，人工智能工程師的年薪水漲船高。博士畢業(yè)進(jìn)入企業(yè)，起薪或可高達(dá)百萬元，“否則根本留不住人”。而且，即便這樣的人也很難“上手就用”，都要在公司經(jīng)過數(shù)月至一年的專業(yè)培訓(xùn)。

如此火爆的人工智能專業(yè)，到底是學(xué)什么的？人工智能的三個基礎(chǔ)點(diǎn)：

• 算法，包括深度學(xué)習(xí)
• 大數(shù)據(jù)，這是人工智能的支撐
• 運(yùn)算能力和硬件

人工智能行業(yè)到底缺少什么樣的人才？主要缺四個方面的人才：

• 邏輯算法方面的人才，做底層技術(shù)算法研究。
• 基于一些核心技術(shù)平臺如人臉識別、語音識別等線上云端能夠使用的人才，基于平臺開發(fā)的人才。
• 大數(shù)據(jù)人才，人工智能產(chǎn)品基本都涉及數(shù)據(jù)分析、處理。
• 人工智能硬件產(chǎn)品人才，對新的終端產(chǎn)品有所了解，比如機(jī)器人、手機(jī)等。

要說現(xiàn)在最處于風(fēng)口浪尖的行業(yè)非人工智能莫屬?？萍箭堫^企業(yè)紛紛將人工智能納入自己的擴(kuò)張版圖，積極部署人工智能實(shí)驗(yàn)室，科研成果落地為產(chǎn)品的時間大大縮短。

但現(xiàn)在無論是大型科技企業(yè)，還是初創(chuàng)公司都面臨一個窘境：AI 人才極度緊缺。全球 AI 領(lǐng)域人才約 30 萬，而市場需求在百萬量級。其中，高校領(lǐng)域約 10 萬人，產(chǎn)業(yè)界約 20 萬人，遠(yuǎn)遠(yuǎn)不能滿足市場對人才的需求。

客觀來說，深度學(xué)習(xí)是近年來人工智能領(lǐng)域最令人矚目的方向之一，學(xué)術(shù)界和工業(yè)界近年來運(yùn)用深度學(xué)習(xí)技術(shù)逐漸在語音識別、圖像識別、自然語言處理等領(lǐng)域均獲得重大突破性進(jìn)展。

深度學(xué)習(xí)也因此成為了炙手可熱的高薪職位。

已有不少人嗅到了深度學(xué)習(xí)帶來的大量機(jī)遇，開始轉(zhuǎn)向人工智能領(lǐng)域。

隨著機(jī)器學(xué)習(xí)在生活中越來越廣泛得被應(yīng)用在各個領(lǐng)域，比如：

• 資訊類 App，每日的消息推送都是我們自己喜歡且關(guān)注的內(nèi)容（人工智能的學(xué)習(xí)和記憶）。
• 百度搜索結(jié)果的排序推送是基于用戶歷史的點(diǎn)擊數(shù)據(jù)，會更多地推送個人喜歡或認(rèn)為正確的結(jié)果。
• 百度廣告根據(jù)每個人喜好去***化點(diǎn)擊的概率。
• 美圖秀秀根據(jù)用戶儲存的自動美化后的照片來優(yōu)化算法。
• 滴滴幫助司機(jī)選擇路線、規(guī)劃車輛調(diào)度方案。
• 未來的自動駕駛技術(shù)重新定義智能出行、智能城市。
• App 背后的判斷、預(yù)測、抉擇、分類。
• 當(dāng)前發(fā)展比較熱門的應(yīng)用，語音識別、自然語言理解、知識圖譜、個性推薦、個性化排序各種領(lǐng)域的進(jìn)步。

越來越多的程序員加入 AI 領(lǐng)域，那么入行 AI 領(lǐng)域需要哪些技能呢？肯定你們也聽到了，人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)這樣的關(guān)鍵詞，它們之間的關(guān)系是什么？

從圖上可以看到，人工智能是一個很大的概念，機(jī)器學(xué)習(xí)是其中一個子集，而深度學(xué)習(xí)又是機(jī)器學(xué)習(xí)里的一種。

什么是機(jī)器學(xué)習(xí)（Machine Learning，ML）？深度學(xué)習(xí)的基礎(chǔ)是機(jī)器學(xué)習(xí)，事實(shí)上深度學(xué)習(xí)只是機(jī)器學(xué)習(xí)的一個分支。

因此我們要入門深度學(xué)習(xí)就要先了解一些機(jī)器學(xué)習(xí)的基礎(chǔ)知識。機(jī)器學(xué)習(xí)最基本的做法，是使用算法來解析數(shù)據(jù)、從中學(xué)習(xí)，然后對真實(shí)世界中的事件做出決策和預(yù)測。

與傳統(tǒng)的為解決特定任務(wù)、硬編碼的軟件程序不同，機(jī)器學(xué)習(xí)是用大量的數(shù)據(jù)來“訓(xùn)練”，通過各種算法從數(shù)據(jù)中學(xué)習(xí)如何完成任務(wù)。

有人曾舉過一個例子，很形象生動，當(dāng)你使用手機(jī)的語音識別進(jìn)行喚醒時，有沒有想過實(shí)現(xiàn)這一功能的全部內(nèi)部流程呢？

我們?nèi)粘＝换サ拇蟛糠钟?jì)算機(jī)程序，都可以使用最基本的命令來實(shí)現(xiàn)，但是基于機(jī)器學(xué)習(xí)的程序卻沒有那么簡單，想象下如何寫一個程序來回應(yīng)喚醒詞，例如“Okay,Google”，“Siri”，和“Alexa”。

如果在一個只有你自己和代碼編輯器的房間里，僅使用最基本的指令編寫這個程序，你該怎么做？不妨思考一下……這個問題非常困難。

你可能會想象下面的程序：

ifinput_command=='Okey,Google':  
     run_voice_assistant() 

但實(shí)際上，你能拿到的只有麥克風(fēng)里采集到的原始語音信號，可能是每秒  44,000 個樣本點(diǎn)。

怎樣才能識別出語音內(nèi)容？或者簡單點(diǎn)，判斷這些信號中是否包含喚醒詞。

如果你被這個問題難住了，不用擔(dān)心。這就是我們?yōu)槭裁葱枰獧C(jī)器學(xué)習(xí)。

雖然我們不知道怎么告訴機(jī)器去把語音信號轉(zhuǎn)成對應(yīng)的字符串，但我們自己可以。

換句話說，就算你不清楚怎么編寫程序，好讓機(jī)器識別出喚醒詞“Alexa”，你自己完全能夠識別出“Alexa”這個詞。

由此，我們可以收集一個巨大的數(shù)據(jù)集（dataset），里面包含了大量語音信號，以及每個語音信號是否對應(yīng)我們需要的喚醒詞。

使用機(jī)器學(xué)習(xí)的解決方式，我們并非直接設(shè)計(jì)一個系統(tǒng)去準(zhǔn)確地辨別喚醒詞，而是寫一個靈活的程序，并帶有大量的參數(shù)（parameters）。通過調(diào)整這些參數(shù)，我們能夠改變程序的行為。

我們將這樣的程序稱為模型?？傮w上看，我們的模型僅僅是一個機(jī)器，通過某種方式，將輸入轉(zhuǎn)換為輸出。

在上面的例子中，這個模型的輸入是一段語音信號，它的輸出則是一個回答{yes, no}，告訴我們這段語音信號是否包含了喚醒詞。

如果我們選擇了正確的模型，必然有一組參數(shù)設(shè)定，每當(dāng)它聽見“Alexa”時，都能觸發(fā) yes 的回答；也會有另一組參數(shù)，針對“Apricot”觸發(fā) yes。

我們希望這個模型既可以辨別“Alexa”，也可以辨別“Apricot”，因?yàn)樗鼈兪穷愃频娜蝿?wù)。

這時候你大概能猜到了，如果我們隨機(jī)地設(shè)定這些參數(shù)，模型可能無法辨別“Alexa”，“Apricot”，甚至任何英文單詞。而在大多數(shù)的深度學(xué)習(xí)中，學(xué)習(xí)就是在訓(xùn)練過程中更新模型的行為（通過調(diào)整參數(shù)）。

換言之，我們需要用數(shù)據(jù)訓(xùn)練機(jī)器學(xué)習(xí)模型，其過程通常如下：

• 初始化一個幾乎什么也不能做的模型。
• 抓一些有標(biāo)注的數(shù)據(jù)集（例如音頻段落及其是否為喚醒詞的標(biāo)注）。
• 修改模型使得它在抓取的數(shù)據(jù)集上能夠更準(zhǔn)確執(zhí)行任務(wù)。
• 重復(fù)以上步驟 2 和 3，直到模型看起來不錯。

什么是機(jī)器學(xué)習(xí)算法？從本質(zhì)上講，機(jī)器學(xué)習(xí)采用了可以從數(shù)據(jù)中學(xué)習(xí)和預(yù)測數(shù)據(jù)的算法。這些算法通常來自于統(tǒng)計(jì)學(xué)，從簡單的回歸算法到?jīng)Q策樹等等。

什么是機(jī)器學(xué)習(xí)模型？一般來說，它是指在訓(xùn)練機(jī)器學(xué)習(xí)算法后創(chuàng)建的模型構(gòu)件。一旦有了一個經(jīng)過訓(xùn)練的機(jī)器學(xué)習(xí)模型，你就可以用它來根據(jù)新的輸入進(jìn)行預(yù)測。機(jī)器學(xué)習(xí)的目的是正確訓(xùn)練機(jī)器學(xué)習(xí)算法來創(chuàng)建這樣的模型。

機(jī)器學(xué)習(xí)已廣泛應(yīng)用于數(shù)據(jù)挖掘、計(jì)算機(jī)視覺、自然語言處理、生物特征識別、搜索引擎、醫(yī)學(xué)診斷、檢測信用卡欺詐、證券市場分析、DNA 序列測序、語音和手寫識別、戰(zhàn)略游戲和機(jī)器人等領(lǐng)域。

雖然深度學(xué)習(xí)技術(shù)的發(fā)展，也促進(jìn)了語音和文本領(lǐng)域的發(fā)展，但變化最顯著的還是屬于計(jì)算機(jī)視覺領(lǐng)域。

這里不深入介紹語音和自然語言處理領(lǐng)域的過多細(xì)節(jié)，就簡要介紹下計(jì)算機(jī)視覺領(lǐng)域的技術(shù)發(fā)展和相關(guān)的應(yīng)用，后續(xù)的實(shí)驗(yàn)環(huán)節(jié)，大部分也會是基于深度學(xué)習(xí)的圖像應(yīng)用為主。

機(jī)器學(xué)習(xí)四要素：針對識別喚醒語的任務(wù)，我們將語音片段和標(biāo)注（label）放在一起組成數(shù)據(jù)集。

接著我們訓(xùn)練一個機(jī)器學(xué)習(xí)模型，給定一段語音，預(yù)測它的標(biāo)注。這種給定樣例預(yù)測標(biāo)注的方式，僅僅是機(jī)器學(xué)習(xí)的一種，稱為監(jiān)督學(xué)習(xí)。

成功的機(jī)器學(xué)習(xí)有四個要素：數(shù)據(jù)、轉(zhuǎn)換數(shù)據(jù)的模型、衡量模型好壞的損失函數(shù)和一個調(diào)整模型權(quán)重來最小化損失函數(shù)的算法。

數(shù)據(jù)（Data）

越多越好。事實(shí)上，數(shù)據(jù)是深度學(xué)習(xí)復(fù)興的核心，因?yàn)閺?fù)雜的非線性模型比其他機(jī)器學(xué)習(xí)需要更多的數(shù)據(jù)。

模型（Models）

通常，我們拿到的數(shù)據(jù)和最終想要的結(jié)果相差甚遠(yuǎn)。例如，想知道照片中的人是不是開心，我們希望有一個模型，能將成千上萬的低級特征（像素值），轉(zhuǎn)化為高度抽象的輸出（開心程度）。

選擇正確模型并不簡單，不同的模型適合不同的數(shù)據(jù)集。這里我們會主要聚焦于深度神經(jīng)網(wǎng)絡(luò)模型。

這些模型包含了自上而下聯(lián)結(jié)的數(shù)據(jù)多層連續(xù)變換，因此稱之為深度學(xué)習(xí)。在討論深度神經(jīng)網(wǎng)絡(luò)之前，我們也會討論一些簡單、淺顯的模型。

損失函數(shù)（Loss Functions）

我們需要對比模型的輸出和真實(shí)值之間的誤差。損失函數(shù)可以衡量輸出結(jié)果對比真實(shí)數(shù)據(jù)的好壞。

例如，我們訓(xùn)練了一個基于圖片預(yù)測病人心率的模型。如果模型預(yù)測某個病人的心率是 100bpm，而實(shí)際上僅有 60bpm，這時候，我們就需要某個方法來提點(diǎn)一下這個的模型了。

類似的，一個模型通過給電子郵件打分來預(yù)測是不是垃圾郵件，我們同樣需要某個方法判斷模型的結(jié)果是否準(zhǔn)確。

典型的機(jī)器學(xué)習(xí)過程包括將損失函數(shù)最小化。通常，模型包含很多參數(shù)。我們通過最小化損失函數(shù)來“學(xué)習(xí)”這些參數(shù)。

可惜，將損失降到最小，并不能保證我們的模型在遇到（未見過的）測試數(shù)據(jù)時表現(xiàn)良好。

由此，我們需要跟蹤兩項(xiàng)數(shù)據(jù)：

• 訓(xùn)練誤差（training error）：這是模型在用于訓(xùn)練的數(shù)據(jù)集上的誤差。類似于考試前我們在模擬試卷上拿到的分?jǐn)?shù)。有一定的指向性，但不一定保證真實(shí)考試分?jǐn)?shù)。
• 測試誤差（test error）：這是模型在沒見過的新數(shù)據(jù)上的誤差，可能會跟訓(xùn)練誤差很不一樣（統(tǒng)計(jì)上稱之為過擬合）。類似于考前模考次次拿高分，但實(shí)際考起來卻失誤了。
• 優(yōu)化算法（Optimization Algorithms）。

***，我們需要算法來通盤考慮模型本身和損失函數(shù)，對參數(shù)進(jìn)行搜索，從而逐漸最小化損失。最常見的神經(jīng)網(wǎng)絡(luò)優(yōu)化使用梯度下降法作為優(yōu)化算法。

簡單地說，輕微地改動參數(shù)，觀察訓(xùn)練集的損失將如何移動。然后將參數(shù)向減小損失的方向調(diào)整。

什么是深度學(xué)習(xí)？這是機(jī)器學(xué)習(xí)的一個子領(lǐng)域，近年來表現(xiàn)出了很大的潛力。它涉及到大腦中神經(jīng)元結(jié)構(gòu)和功能的算法。

Andrew Ng 曾用下圖對比說明傳統(tǒng)機(jī)器學(xué)習(xí)算法和深度學(xué)習(xí)算法的特點(diǎn)。從圖中可以看出，隨著數(shù)據(jù)的增多，到達(dá)一定量后，深度學(xué)習(xí)算法的表現(xiàn)會明顯優(yōu)于傳統(tǒng)的機(jī)器學(xué)習(xí)算法。

深度學(xué)習(xí)中最令人激動的特性之一就是它在特征學(xué)習(xí)上的表現(xiàn)。該算法在從原始數(shù)據(jù)中檢測特征方面表現(xiàn)地特別好。

有一個很好的例子，就是通過深度學(xué)習(xí)技術(shù)來識別汽車圖片中的車輪。下圖說明了典型機(jī)器學(xué)習(xí)與深度學(xué)習(xí)之間的區(qū)別：

在機(jī)器學(xué)習(xí)中特征選擇部分一般需要人的先驗(yàn)知識的介入來設(shè)計(jì)好的特征提取方法。

比如人知道輪子一般是圓的，一般出現(xiàn)在交通工具上，有輪胎、輪轂等部件，基于先驗(yàn)知識，人可以選取適合提取輪子特征的方法，再設(shè)計(jì)分類器以識別輪子。

而深度學(xué)習(xí)通常由多個層組成。它們通常將更簡單的模型組合在一起，通過將數(shù)據(jù)從一層傳遞到另一層來構(gòu)建更復(fù)雜的模型。

通過大量數(shù)據(jù)的訓(xùn)練自動得到一個能識別輪子的模型，不需要人工設(shè)計(jì)特征提取環(huán)節(jié)。這是深度學(xué)習(xí)隨著數(shù)據(jù)量的增加而優(yōu)于其他學(xué)習(xí)算法的主要原因之一。

隨著深度學(xué)習(xí)的發(fā)展，為了方便算法人員訓(xùn)練模型，調(diào)整參數(shù)等，很多公司開源了優(yōu)秀的深度學(xué)習(xí)框架，到目前為止，主要的深度學(xué)習(xí)框架如下圖所示：

目前工業(yè)界用的比較多的是 Caffe 和 TensorFlow，Caffe 主要在計(jì)算機(jī)視覺上用的較多，TensorFlow 由谷歌開源，相關(guān)文檔較好，適用范圍廣，基于 Python 語音，入門簡單，建議新手入門可以選擇 TensorFlow。

面對不同程序員，下面有兩種不同的人工智能入門路徑：

路徑一：一步一個腳印，扎扎實(shí)實(shí)從基礎(chǔ)學(xué)起，逐步提高學(xué)習(xí)難度

Step1：了解行業(yè)資訊，先來一波科普

所以在學(xué)習(xí)人工智能之前，你先了解一下行業(yè)的相關(guān)資訊，對這個行業(yè)有一個基本的認(rèn)識，那么接下來你要準(zhǔn)備學(xué)習(xí)了。

Step2：務(wù)實(shí)基礎(chǔ)—高數(shù)+Python 來當(dāng)?shù)?/span>

機(jī)器學(xué)習(xí)里面涉及了很多算法，而這些算法又是數(shù)學(xué)推導(dǎo)出來，所以你要理解算法，就需要先學(xué)習(xí)一部分高數(shù)知識。

不管是你在機(jī)器里面編輯一個算法還是應(yīng)用算法，你都需要通過寫程序來和機(jī)器進(jìn)行對話，那么你需要編程，假如你的造詣比較高，可以用 C 語言。

如果你是轉(zhuǎn)行過來或者以前沒有編程基礎(chǔ)，那么學(xué)習(xí) Python 會不錯，因?yàn)?Python 語言相對比較簡單。

Step3：機(jī)器學(xué)習(xí)算法+實(shí)踐

掌握以上基礎(chǔ)以后，就要開始學(xué)習(xí)機(jī)器學(xué)習(xí)的算法，并通過案例實(shí)踐來加深理解和掌握。

還有很多機(jī)器學(xué)習(xí)的小案例等著你來挑戰(zhàn)，前面掌握的好，后面當(dāng)然輕松很多，步入深度學(xué)習(xí)。

Step4：深度學(xué)習(xí)

深度學(xué)習(xí)需要機(jī)器大量的經(jīng)過標(biāo)注的數(shù)據(jù)來訓(xùn)練模型，所以你要掌握一些數(shù)據(jù)挖掘和數(shù)據(jù)分析的技能，然后你再用來訓(xùn)練模式。

在這里你可能會有疑問，據(jù)說深度學(xué)習(xí)，好像有很多神經(jīng)網(wǎng)絡(luò)，看著好復(fù)雜，編輯這些神經(jīng)網(wǎng)絡(luò)那不是太難了，你大可放心，谷歌、亞馬遜、微軟等大公司已經(jīng)把這些神經(jīng)網(wǎng)絡(luò)模型封裝在他們各自的框架里面了，你只需要調(diào)用就可以了。

Step5：行業(yè)大型項(xiàng)目實(shí)踐

當(dāng)你學(xué)習(xí)完深度學(xué)習(xí)，此時你就可以自己動手訓(xùn)練一個小模型了。有條件的話，從一個項(xiàng)目的前期數(shù)據(jù)挖掘，到中間模型訓(xùn)練，并做出一個有意思的原型，就能把一整套的流程跑通，那么恭喜你，你已經(jīng)具備人工智能初級工程師的水準(zhǔn)了。

為了方便理解，我列舉了學(xué)習(xí)課程的大綱：

人工智能基礎(chǔ) — 高等數(shù)學(xué)必知必會

• 數(shù)據(jù)分析（就是高數(shù)）：
• 常數(shù) e
• 導(dǎo)數(shù)
• 梯度
• Taylor
• gini 系數(shù)
• 信息熵與組合數(shù)
• 梯度下降
• 牛頓法

概率論：

• 微積分與逼近論
• 極限、微分、積分基本概念
• 利用逼近的思想理解微分，利用積分的方式理解概率
• 概率論基礎(chǔ)
• 古典模型
• 常見概率分布
• 大數(shù)定理和中心極限定理
• 協(xié)方差(矩陣)和相關(guān)系數(shù)
• ***似然估計(jì)和***后驗(yàn)估計(jì)

線性代數(shù)及矩：

• 線性空間及線性變換
• 矩陣的基本概念
• 狀態(tài)轉(zhuǎn)移矩陣
• 特征向量
• 矩陣的相關(guān)乘法
• 矩陣的 QR 分解
• 對稱矩陣、正交矩陣、正定矩陣
• 矩陣的 SVD 分解
• 矩陣的求導(dǎo)
• 矩陣映射/投影

凸優(yōu)化（看不懂不要緊，掌握基礎(chǔ)即可）：

• 凸優(yōu)化基本概念
• 凸集
• 凸函數(shù)
• 凸優(yōu)化問題標(biāo)準(zhǔn)形式
• 凸優(yōu)化之 Lagerange 對偶化
• 凸優(yōu)化之牛頓法、梯度下降法求解

人工智能基礎(chǔ)-Python 入門及實(shí)踐課程

• Python 快速入門
• 科學(xué)計(jì)算庫 Numpy
• 數(shù)據(jù)分析處理庫 Pandas
• 可視化庫 Matplotlib
• 更簡單的可視化 Seaborn

人工智能提升 — Python 項(xiàng)目

• Python 爬蟲項(xiàng)目

機(jī)器學(xué)習(xí)基礎(chǔ)入門-算法講解

• 線性回歸算法
• 梯度下降原理
• 邏輯回歸算法
• 案例實(shí)戰(zhàn)：Python 實(shí)現(xiàn)邏輯回歸
• 案例實(shí)戰(zhàn)：對比不同梯度下降策略
• 案例實(shí)戰(zhàn)：Python 分析科比生涯數(shù)據(jù)
• 案例實(shí)戰(zhàn)：信用卡欺詐檢測
• 決策樹構(gòu)造原理
• 案例實(shí)戰(zhàn)：決策樹構(gòu)造實(shí)例
• 隨機(jī)森林與集成算法
• 案例實(shí)戰(zhàn)：泰坦尼克號獲救預(yù)測
• 貝葉斯算法推導(dǎo)
• 案例實(shí)戰(zhàn)：新聞分類任務(wù)
• Kmeans 聚類及其可視化展示
• DBSCAN 聚類及其可視化展示
• 案例實(shí)戰(zhàn)：聚類實(shí)踐
• 降維算法：線性判別分析
• 案例實(shí)戰(zhàn)：Python 實(shí)現(xiàn)線性判別分析
• 降維算法：PCA 主成分分析
• 案例實(shí)戰(zhàn)：Python 實(shí)現(xiàn) PCA 算法

機(jī)器學(xué)習(xí)進(jìn)階提升-項(xiàng)目演練

• EM 算法原理推導(dǎo)
• GMM 聚類實(shí)踐
• 推薦系統(tǒng)
• 案例實(shí)戰(zhàn)：Python 實(shí)戰(zhàn)推薦系統(tǒng)
• 支持向量機(jī)原理推導(dǎo)
• 案例實(shí)戰(zhàn)：SVM 實(shí)例
• 時間序列 ARIMA 模型
• 案例實(shí)戰(zhàn)：時間序列預(yù)測任務(wù)
• Xgbooost 提升算法
• 案例實(shí)戰(zhàn)：Xgboost 調(diào)參實(shí)戰(zhàn)
• 計(jì)算機(jī)視覺挑戰(zhàn)
• 神經(jīng)網(wǎng)絡(luò)必備基礎(chǔ)
• 神經(jīng)網(wǎng)絡(luò)整體架構(gòu)
• 案例實(shí)戰(zhàn)：CIFAR 圖像分類任務(wù)
• 語言模型
• 自然語言處理-word2vec
• 案例實(shí)戰(zhàn)：Gensim 詞向量模型
• 案例實(shí)戰(zhàn)：word2vec 分類任務(wù)
• 探索性數(shù)據(jù)分析：賽事數(shù)據(jù)集
• 探索性數(shù)據(jù)分析：農(nóng)糧組織數(shù)據(jù)集

深度學(xué)習(xí)基礎(chǔ)

• 計(jì)算機(jī)視覺-卷積神經(jīng)網(wǎng)絡(luò)
• 三代物體檢測框架
• 卷積神經(jīng)網(wǎng)絡(luò)基本原理
• 卷積參數(shù)詳解
• 案例實(shí)戰(zhàn) CNN 網(wǎng)絡(luò)
• 網(wǎng)絡(luò)模型訓(xùn)練技巧
• 經(jīng)典網(wǎng)絡(luò)架構(gòu)與物體檢測任務(wù)
• 深度學(xué)習(xí)框架 Tensorflow 基本操作
• Tensorflow 框架構(gòu)造回歸模型
• Tensorflow 神經(jīng)網(wǎng)絡(luò)模型
• Tensorflow 構(gòu)建 CNN 網(wǎng)絡(luò)
• Tensorflow 構(gòu)建 RNN 網(wǎng)絡(luò)
• Tensorflow 加載訓(xùn)練好的模型
• 深度學(xué)習(xí)項(xiàng)目實(shí)戰(zhàn)-驗(yàn)證碼識別
• 深度學(xué)習(xí)框架 Caffe 網(wǎng)絡(luò)配置
• Caffe 制作數(shù)據(jù)源
• Caffe 框架小技巧
• Caffe 框架常用工具

深度學(xué)習(xí)項(xiàng)目演練

• 項(xiàng)目演練：人臉檢測數(shù)據(jù)源制作與網(wǎng)絡(luò)訓(xùn)練（基于 Caffe）
• 項(xiàng)目演練：實(shí)現(xiàn)人臉檢測（基于 Caffe）
• 項(xiàng)目演練：關(guān)鍵點(diǎn)檢測***階段網(wǎng)絡(luò)訓(xùn)練（基于 Caffe）
• 項(xiàng)目演練：關(guān)鍵點(diǎn)檢測第二階段模型實(shí)現(xiàn)（基于 Caffe）
• 項(xiàng)目演練：對抗生成網(wǎng)絡(luò)（基于 Tensorflow）
• 項(xiàng)目演練：LSTM 情感分析（基于 Tensorflow）
• 項(xiàng)目演練：機(jī)器人寫唐詩（基于 Tensorflow）
• 項(xiàng)目演練：文本分類任務(wù)解讀與環(huán)境配置
• 項(xiàng)目演練：文本分類實(shí)戰(zhàn)（基于 Tensorflow）
• 項(xiàng)目演練：強(qiáng)化學(xué)習(xí)基礎(chǔ)（基于 Tensorflow）
• 項(xiàng)目演練：DQN 讓 AI 自己玩游戲（基于 Tensorflow）

人工智能綜合項(xiàng)目實(shí)戰(zhàn)

• 語音識別、人臉識別
• 電商網(wǎng)站數(shù)據(jù)挖掘及推薦算法
• 金融 P2P 平臺的智能投資顧問
• 自動駕駛技術(shù)
• 醫(yī)療行業(yè)疾病診斷監(jiān)測
• 教育行業(yè)智能學(xué)習(xí)系統(tǒng)

路徑二、如果你希望快速學(xué)習(xí)完進(jìn)行項(xiàng)目實(shí)踐，請直接學(xué)習(xí)深度學(xué)習(xí)（哪里不懂，單獨(dú)學(xué)習(xí)不懂的地方就可以了）

***推薦一份知識圖譜，讓大家了解人工智能深淵：

福利來啦

身為程序員的您對入門人工智能有哪些好的建議？掃描下方二維碼，關(guān)注51CTO技術(shù)棧公眾號。歡迎在技術(shù)棧微信公眾號留言探討，小編將選出留言最精彩的10名網(wǎng)友，送出《深度學(xué)習(xí)之TensorFlow》圖書一本~活動截止時間 4 月 4 日十二時整，特別鳴謝機(jī)械工業(yè)出版社為本次活動提供的圖書贊助。