計算機的潛意識
眼下，人工智慧已經成為越來越火的乙個方向。「普通程式設計師，如何轉向人工智慧方向」是知乎上的乙個問題。本文是我對此問題的乙個回答的歸檔版。相比原回答有所內容增加。
本文的目的是給出乙個簡單的，平滑的，易於實現的學習方法，幫助 「普通」 程式設計師踏入ai領域這個門。這裡，我對普通程式設計師的定義是：擁有大學本科知識；平時工作較忙；自己能獲取的資料有限。因此，本文更像是一篇 「from the scratch」 的ai入門教程。
ai，也就是人工智慧，並不僅僅包括機器學習。曾經，符號與邏輯被認為是人工智慧實現的關鍵，而如今則是基於統計的機器學習佔據了主導地位。最近火熱的深度學習正是機器學習中的乙個子項。目前可以說，學習ai主要的是學習機器學習。但是，人工智慧並不等同於機器學習，這點在進入這個領域時一定要認識清楚。關於ai領域的發展歷史介紹推薦看周老師寫的《機器學習簡介》。下面乙個問題是：ai的門好跨麼？其實很不好跨。我們以機器學習為例。在學習過程中，你會面對大量複雜的公式，在實際專案中會面對資料的缺乏，以及艱辛的調參等。如果僅僅是因為覺得這個方向未來會「火」的話，那麼這些困難會容易讓人放棄。考慮到普通程式設計師的特點，而要學習如此困難的學科，是否就是沒有門路的？答案是否定的。只要制定合適的學習方法即可。
學習方法的設定簡單說就是回答以下幾個問題：我要學的是什麼？我怎樣學習？我如何去學習？這三個問題概括說就是：學習目標，學習方針與學習計畫。學習目標比較清楚，就是踏入ai領域這個門。這個目標不大，因此實現起來也較為容易。「過大的目標時就是為了你日後放棄它時找到了足夠的理由」。學習方針可以總結為 「興趣為先，踐學結合」。簡單說就是先培養興趣，然後學習中把實踐穿插進來，螺旋式提高。這種方式學習效果好，而且不容易讓人放棄。有了學習方針以後，就可以制定學習計畫，也稱為學習路線。下面就是學習路線的介紹。
我推薦的學習路線是這樣的，如下圖：
圖1 ai領域學習路線圖
這個學習路線是這樣設計的：首先了解這個領域，建立起全面的視野，培養起充足的興趣，然後開始學習機器學習的基礎，這裡選擇一門由淺入深的課程來學習，課程最好有足夠的實驗能夠進行實戰。基礎打下後，對機器學習已經有了充足的了解，可以用機器學習來解決乙個實際的問題。這時還是可以把機器學習方法當作乙個黑盒子來處理的。實戰經驗積累以後，可以考慮繼續進行學習。這時候有兩個選擇，深度學習或者繼續機器學習。深度學習是目前最火熱的機器學習方向，其中一些方法已經跟傳統的機器學習不太一樣，因此可以單獨學習。除了深度學習以外，機器學習還包括統計學習，整合學習等實用方法。如果條件足夠，可以同時學習兩者，一些規律對兩者是共通的。學習完後，你已經具備了較強的知識儲備，可以進入較難的實戰。這時候有兩個選擇，工業界的可以選擇看開源專案，以改**為目的來讀**；學術界的可以看特定領域的**，為解決問題而想**文。無論哪者，都需要知識過硬，以及較強的編碼能力，因此很能考察和鍛鍊水平。經過這個階段以後，可以說是踏入ai領域的門了。「師傅領進門，修行在個人」。之後的路就要自己走了。
下面是關於每個階段的具體介紹：
在學習任何一門知識之前，首先第一步就是了解這個知識是什麼？它能做什麼事？它的價值在什麼地方？如果不理解這些的話，那麼學習本身就是乙個沒有方向的舟，不知道駛向何處，也極易有沉船的風險。了解這些問題後，你才能培養出興趣，興趣是最好的引路人，學習的動力與持久力才能讓你應付接下來的若干個階段。關於機器學習是什麼，能做什麼，它與深度學習以及人工智慧的關係，可以看我寫的部落格《從機器學習談起》。
如果你離校過久，或者覺得基礎不牢，最好事先做一下準備複習工作。「工欲善其事，必先利其器」。以下的準備工作不多，但足以應付後面階段的學習。
機器學習的第一門課程首推andrew ng的機器學習。這門課程有以下特點：難度適中，同時有足夠的實戰例子，非常適合第一次學習的人。cs229 這門課程我這裡不推薦，為什麼，原因有以下：
教學：ng在cs229 時候的教學稍顯青澀，可能是面對網路教學的原因。有很多問題其實他都沒有講清楚，而且下面的人的提問其實也很煩躁，你往往不關心那些人的問題。這點在coursera上就明顯得到了改善，你會發現ng的教學水平大幅度改善了，他會對你循循善誘，推心置腹，由淺入深的教學，在碰到你不明白的單詞術語時也會叫你不要擔心，更重要的，推導與圖表不要太完善，非常細緻清晰，這點真是強力推薦；
字幕：cs229 的字幕質量比coursera上的差了一截。coursera上中文字幕翻譯經過了多人把關，質量很***；
作業：cs229 沒有作業，雖然你可以做一些，但不會有人看。這點遠不如coursera上每週有deadline的那種作業，而且每期作業提交上去都有打分。更重要的是，每期作業都有實際的例子，讓你手把手練習，而且能看到自己的成果，成就感滿滿！
學習完了基礎課程，你對機器學習就有了初步了解。現在使用它們是沒有問題的，你可以把機器學習演算法當作黑盒子，放進去資料，就會有結果。在實戰中你更需要去關心如何獲取資料，以及怎麼調參等。如果有時間，自己動手做乙個簡單的實踐專案是最好的。這裡需要選擇乙個應用方向，是影象（計算機視覺），音訊（語音識別），還是文字（自然語言處理）。這裡推薦選擇影象領域，這裡面的開源專案較多，入門也較簡單，可以使用opencv做開發，裡面已經實現好了神經網路，svm等機器學習演算法。專案做好後，可以開源到到 github 上面，然後不斷完善它。實戰專案做完後，你可以繼續進一步深入學習，這時候有兩個選擇，深度學習和繼續機器學習；
深度學習：深度學習是目前最火熱的研究方向。有以下特點：知識更新快，較為零碎，沒有系統講解的書。因此學習的資源也相對零散，下面是一些資源介紹。其中不推薦的部分並不代表不好，而是在這個初學階段不合適：
深度學習未必就是未來的一定主流，至少一些大牛是這麼認為的。傳統的機器學習有如下特點，知識系統化，有相對經典的書。其中統計學習（代表svm）與整合學習（代表adaboost）是在實踐中使用非常多的技術。下面是相關資源：
當知識儲備較為充足時，學習可以再次轉入實踐階段。這時候的實踐仍然可以分兩步走，學習經典的開源專案或者發表高質量的**。開源專案的學習應該以盡量以優化為目的，單純為讀**而學習效果往往不太好。好的開源專案都可以在github 裡搜尋。這裡以深度學習為例。深度學習的開源優秀庫有很多，例如torch，theano等等，這裡列舉其中的兩個：
較好的課程都會推薦你一些**。一些著名的技術與方法往往誕生於一些重要的會議。因此，看往年的會議**是深入學習的方法。在這時，一些**中的內容會驅使你學習數學中你不擅長的部分。有時候你會覺得數學知識儲備不夠，因此往往需要學習一些輔助課程。當你看完足夠的**以後，在這個階段，如果是在校學生，可以選擇某個課題，以**文為目的來學習研究。一般來說，**是工作的產物。有時候一篇基於實驗的**往往需要你寫**或者基於開源專案。因此開源專案的學習與會議**的工作兩者之間是有相關的。兩者可以同時進行學習。關於在**看**，可以看一下ccf推薦排名，了解一下這個領域裡有哪些優秀的會議。下面介紹兩個影象與機器學習領域的著名頂級會議：
自由學習：到這裡了，可以說是進入這個門了。下面可以依據興趣來自由學習。前階段不推薦的學習資源也可隨意學習，下面是點評：
本文的目的是幫助對ai領域了解不深，但又想進入的同學踏入這個門。這裡只說踏入，是因為這個領域的專精實在非常困難，需要數年的積累與努力。在進行領域學習前，充分認識自己的特點，制定合適的學習方法是十分重要的。首先得對這個領域進行充分了解，培養興趣。在學習時，保持著循序漸進的學習方針，不要猛進的學習過難資源；結合著學習與實踐相輔的策略，不要唯讀只看，實際動手才有成就感。學習某個資源時要有充分的目的，不是為了學開源專案而看**，而是為了寫開源專案而看；不是為了**文而寫**，而是為了做事情而寫**。
如果乙個學習資源對你過難，並不代表一定是你的問題，可能是學習資源的演講或撰寫人的問題。能把難的問題講簡單的人才是真正有水平的人。所以，一定要學習優質資源，而不是不分青紅皂白的學習。最後，牢記以興趣來學習。學習的時間很長，過程也很艱難，而只有興趣才是讓你持之以恆，攻克難關的最佳助力。
謹以此文與在學海中乘舟的諸位共勉。我就是一名普通程式設計師，剛剛轉入ai領域，還有很多不足。希望此文可以幫助到大家。
普通程式設計師如何轉向人工智慧方向？
眼下，人工智慧已經成為越來越火的乙個方向。普通程式設計師，如何轉向人工智慧方向 是知乎上的乙個問題。本文是我對此問題的乙個回答的歸檔版。相比原回答有所內容增加。本文的目的是給出乙個簡單的，平滑的，易於實現的學習方法，幫助 普通 程式設計師踏入ai領域這個門。這裡，我對普通程式設計師的定義是 擁有大學...
普通程式設計師如何轉向AI方向
眼下，人工智慧已經成為越來越火的乙個方向。普通程式設計師，如何轉向人工智慧方向，是知乎上的乙個問題。本文是我對此問題的乙個回答的歸檔版。相比原回答有所內容增加。一.目的 本文的目的是給出乙個簡單的，平滑的，易於實現的學習方法，幫助 普通 程式設計師踏入ai領域這個門。這裡，我對普通程式設計師的定義是...
普通程式設計師如何轉向AI方向
posted 2016 12 31 21 55 計算機的潛意識 眼下，人工智慧已經成為越來越火的乙個方向。普通程式設計師，如何轉向人工智慧方向，是知乎上的乙個問題。本文是我對此問題的乙個回答的歸檔版。相比原回答有所內容增加。一.目的 本文的目的是給出乙個簡單的，平滑的，易於實現的學習方法，幫助 普通...