隨著這兩年人工智能火起來，很多人都迫不及待的想入坑人工智能，之前也有不少同事朋友詢問過我怎么進入這個行業(yè)，在這里我談一下個人的拙見，如有異議，歡迎討論，如果能幫到各位，非常榮幸。
后期會繼續(xù)分享計算機視覺、強化學習、優(yōu)化算法以及編程和工具使用等方面的內(nèi)容，感興趣的可以關(guān)注一下，歡迎私信溝通交流，我已經(jīng)把計算機視覺、優(yōu)化算法相關(guān)的資料和文章打包共享出來，如有需要可以關(guān)注微信公眾號'平凡而詩意'，回復(fù)信息獲取下載鏈接。
我個人不太喜歡使用'人工智能'這個詞，因為覺得太寬泛了，每當有朋友問我怎么進入人工智能這個領(lǐng)域，我都會先問一個問題：'你想從事哪個方向?'人工智能有太多方向，計算機視覺、自然語言處理、搜索推薦、機器學習、強化學習，機器學習又可以細分很多，分類、回歸、深度學習、元學習、增量學習。。。。
所以我認為要想從事人工智能，首先應(yīng)該明確自己從事哪個方向，這樣才會有目標。
我個人是做計算機視覺的，所以，接下來我就以計算機視覺為例講述。
人工智能是一個涉及多學科、多領(lǐng)域的的方向，數(shù)學、計算機、工程學等方面，一下分別談一下：
數(shù)學知識
我想在大多數(shù)學校里，數(shù)學都是理工科學生的必修課，微積分、線性代數(shù)、概率論與數(shù)理統(tǒng)計，這些都比較基礎(chǔ)實用，我覺得這個數(shù)學基礎(chǔ)對入門人工智能足夠了，人工智能應(yīng)用數(shù)學最多的也就是求導(dǎo)、矩陣的運算和分解、概率的統(tǒng)計與分析。
編程能力
工欲善其事、必先利其器，人工智能方向編程語言使用最多的應(yīng)該就是Python了，在很多學校理工科學生應(yīng)該都會必修一門編程課，有的是C，有的是C++，就算這些都沒用過，也應(yīng)該對Matlab了解一些，我覺得有一些編程基礎(chǔ)入門Python算是比較簡單的，網(wǎng)上資源很多，社區(qū)支持也很強大。
機器學習
我這里所說的機器學習是廣義上的機器學習，涵蓋深度學習。無論是做傳統(tǒng)的機器學習回歸和分類，還是做深度學習，無論是做計算機視覺，還是做自然語言處理，都離不開機器學習，后面我會介紹一些我認為比較好的學習資源，對于機器學習，我劃分為兩個方面：(1) 框架層面；(2) 理論層面。
(1) 框架層面
機器學習框架有很多比如scipy、sklearn、tensorflow、pytorch、mxnet等，我覺得對于框架，不再多，而再精，每個框架都有自身的優(yōu)勢，也都有自己的缺點，可以根據(jù)自己的項目需求和自己的喜好選擇一個框架，這里我比較推薦的是tensorflow和pytorch，tensorflow雖然繁瑣，但是強大，pytorch比較簡潔高效。
(2) 理論方面
理論方面主要包括傳統(tǒng)的機器學習和深度學習里的一些網(wǎng)絡(luò)框架，首先說一下傳統(tǒng)的機器學習，我認為這是很有必要的，從事 AI工作中免不了用到傳統(tǒng)的方法，比如回歸、隨即森林、SVM等，而且傳統(tǒng)的機器學習理論性更強，更能讓人了解機器學習中的內(nèi)在內(nèi)容。其次說一下深度學習網(wǎng)絡(luò)模型，以計算機視覺為例，有很多成熟高效的網(wǎng)絡(luò)模型，很多模型前后都有關(guān)聯(lián)，需要了解不同網(wǎng)絡(luò)模型，比如奠定基礎(chǔ)的Alexnet，后面經(jīng)常用于預(yù)訓(xùn)練的VGG，還有為深度網(wǎng)絡(luò)提出解決方案的ResNet，還有近幾年比較高效的SSD、YOLO系列，最后還有深度學習中的一些策略，比如怎么解決過擬合？BN是什么？Dropout是干什么的？激活函數(shù)有哪些和優(yōu)缺點分別是什么？。。。。
專業(yè)知識
如果要成為一個AI從業(yè)者，需要結(jié)合不同方向的專業(yè)知識，比如要從事計算機視覺，僅僅拿到網(wǎng)絡(luò)結(jié)構(gòu)就開始搭，這是很難達到理想效果的，這就需要對圖像底層有一些了解，例如圖像的像素和通道結(jié)構(gòu)，圖像的邊緣和灰度特征，圖像的增廣、去噪、分割，這能夠讓在相應(yīng)的方向上走的更遠，做出更好的東西，可能達到事半功倍的效果。
學習資源
經(jīng)常會看到很多人在朋友圈轉(zhuǎn)發(fā)各種人工智能學習資源，的確，隨著人工智能火熱起來，現(xiàn)在網(wǎng)上有很多各種各樣的學習資源，讓人眼花繚亂，好的學習資源屈指可數(shù)，大多數(shù)不知道沖著什么目的推出的教學資料，內(nèi)容不怎么樣，收費卻不低，很多初學者不了解行情而誤入歧途，不僅浪費了錢，也耽誤了不少時間、浪費了不少精力，其實網(wǎng)上 有很多免費又非常好的資源，如果把這些利用起來，我覺得足可以成為一個AI從業(yè)者。在這里，我推薦一些我認為比較好的學習資源。
視頻資源
(1) 吳恩達《機器學習》
吳恩達機器學習 - 網(wǎng)易云課堂?
(2) 吳恩達《深度學習工程師》
深度學習工程師微專業(yè) - 一線人工智能大師吳恩達親研-網(wǎng)易云課堂 - 網(wǎng)易云課堂?
mooc.study.163.com
(3) 莫煩Python：我覺得雖然講的很淺，但是沒有語言障礙，通俗易懂
莫煩Python?
推薦理由：吳恩達自然不必說，人工智能領(lǐng)域的大牛，無論是在學界還是在企業(yè)界都很有影響力，我覺得吳恩達的不僅有理論性，而且很實用，尤其《深度學習工程師》這門課程講了很多深度學習策略、超參數(shù)調(diào)優(yōu)、結(jié)構(gòu)化機器學習、卷積神經(jīng)網(wǎng)絡(luò)和序列模型，都很實用，而且吳恩達的語速相對很多人例如Hinton、李飛飛團隊的授課語速要慢一些，更有助于理解，能夠跟得上節(jié)奏。
莫煩Python有很多課程機器學習、強化學習、Python基礎(chǔ)、深度學習框架，很全面，中文授課，內(nèi)容不深，但是有助于入門。
書籍
(1) 數(shù)學方面
《概率論與數(shù)理統(tǒng)計》 盛驟
《數(shù)值分析》李慶揚
《線性代數(shù)》同濟大學
推薦理由：這幾本書都是用于大學生教材的，所以相對嚴謹一些，而且難度適中，對于做人工智能，我覺得這幾本數(shù)學教材涵蓋的知識差不多了。《數(shù)值分析》是我們本科數(shù)學系的教材，涵蓋很多數(shù)值計算方法，很多可能在機器學習里用不到，但是我覺得想要做的更深，多了解一些數(shù)學是有價值的。
(2) 機器學習方面
《深度學習》Goodfellow、Bengio
《機器學習》 周志華
《機器學習實戰(zhàn)》Peter Harrington
推薦理由：《深度學習》這本書僅僅看到這幾位作者就會明白錯不了，都是大牛，介紹了不同方向的機器學習技術(shù)，而且很大一部分在介紹深度學習的策略和模型優(yōu)化方法?！稒C器學習》這本書主要講的是傳統(tǒng)機器學習算法，通俗易懂，沒有過多的公式推導(dǎo)。《機器學習實戰(zhàn)》這本書對每個機器算法都從頭到尾實現(xiàn)了一遍，相對于前面這兩本書，這本書更偏重于實踐，結(jié)合很多實例直接編程，如果跟隨這本書把各個算法實現(xiàn)一遍，對加深記憶有很大幫助。
(3) 圖像處理方面
《圖像工程》 章毓晉
《計算機視覺特征提取與圖像處理》(第3版) Nixon&Aguado
推薦理由：對于入門計算機視覺這個方向，多了解一些圖像底層的知識肯定是百利無一害，這兩本書都是圖像處理里不錯的書籍，其中《圖像工程》這本書，是合訂版，也有單獨成冊的，分上中下三冊，如果覺得這本書太厚也可以根據(jù)自己需求買其中一冊。
(4) Python方面
《Python Cookbook》（第3版）大衛(wèi)·比斯利，布萊恩·K.瓊斯
Python菜鳥教程
http://www.runoob.com/python/python-tutorial.html
廖雪峰Python
推薦理由：理論與實踐相結(jié)合，講解穿插著代碼，容易理解和上手，而且網(wǎng)站教程較為簡潔，節(jié)省時間。
