注：本文**普通程式設計師如何轉向ai方向 - 計算機的潛意識 的部落格，感興趣的話可以多看看ta的博文喲!
我能做的就是在這基礎上，推薦了李航博士的《統計學習方法》
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。
ai（人工智慧）並不僅僅包括機器學習；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》，ai不好跨的原因在於學習過程中要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。因此需要制定要制定合適的學習方法。
學習方法的設定就是回答以下幾個問題：
首先了解這個領域，建立起全面的視野，培養起充足的興趣 ：ai是什麼？它能做什麼事？它的價值在什麼地方？
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，可以看部落格從機器學習談起 -
線性代數：矩陣乘法；高數：求導；概率論：條件與後驗概率。
資源查詢：
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，非常適合初學者。cs229 史丹福大學-機器學習這門課程不推薦，原因有以下：
教學：ng在cs229 時候的教學稍顯青澀，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。在coursera上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！
機器學習的知識系統化，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：
推薦:機器學習(周志華)如果是在以前，機器學習方面的經典教材首推prml，但現在周老師的書出來以後，就不再是這樣了。首先推薦讀周老師的書。這本書有乙個特點，那就是再難的道理也能用淺顯精煉的語言表達出來。正如周老師的名言：「體現你水平的地方是把難的東西講容易了，而不是把容易的東西講難，想把乙個東西講難實在太簡單」；
推薦：統計學習方法-豆瓣評價
[提取碼: y5pz ]
統計學習又叫統計機器學習，和機器學習的重合內容多，但是公式推導非常清晰，強烈推薦!!!!
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。需要選擇乙個應用方向：是影象（計算機視覺cv，computer version）、音訊（語音識別speech recognition），還是文字（自然語言處理nlp,natural language processing）。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 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；
推薦deep learning (*****) ,2023年nature上的**，由三位深度學習界的大牛（yann lecun, yoshua bengio & geoffrey hinton）所寫，讀完全篇**，給人高屋建瓴，一覽眾山小的感覺，強烈推薦。如果只能讀一篇**了解深度學習，我推薦此篇。這篇**有同名的中文翻譯；
推薦 neural networks and deep learning：這本書的作者非常擅長以淺顯的語言表達深刻的道理，雖然沒有翻譯，但是閱讀並不困難；
推薦 recurrent neural networks ： 結合乙個實際案例告訴你rnn是什麼，整篇教程學完以後，會讓你對rnn如何產生作用的有很清晰的認識，而這個效果，甚至是讀幾篇相關**所沒有的；
不推薦，neural networks for machine learning - university of toronto | coursera：深度學習創始人教的課，最大的問題是太難，而且老先生的吐字有時不是很標準；
不推薦，deep learning (book)：同樣也是由深度學習大牛所寫的書。很多內容都講了，但是感覺也沒講出什麼內容來，只是告訴你來自那篇**，但是可以把這本書當作**索引來用，可能直接閱讀**更合適。
不推薦，cs231n：李菲菲的課程，很有名，專門講cnn。但是這門課程有乙個最大的問題，就是沒有字幕，雖然有youtube的自動翻譯字幕，但有還不如沒有。
推薦機器學習(周志華)
不推薦pattern recognition and machine learning ： 當前階段不推薦；prml是以貝葉斯的觀點看待很多機器學習方法，這也是它的一大特色。但對於初學者來說，這種觀點其實並無必要。而且此書沒有中文翻譯，當前階段硬啃很容易放棄；
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：
推薦 deeplearntoolbox ：較早的乙個深度學習庫，用matlab語言撰寫，較為適合從剛學習的課程轉入學習。遺憾的是作者不再維護它了；
推薦 tensorflow ：google的開源庫，時至今日，已經有40000多個star，非常驚人，支援移動裝置；
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；
cvpr：與另兩個會議iccv和eccv合稱計算機視覺領域的三大會，注意會議每年的主頁是變動的，因此搜尋需要加上年份,例如cvpr2018；
nips ：conference on neural information processing systems的簡稱，許多重要的工作發表在這上面，例如關於cnn的一篇重要**就是發表在上面； 點nips**集檢視！
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。
Coders at Work一些摘錄
乙個哥們摘錄了，我再摘錄他的。這些高手們都不喜歡c 都非常崇尚熱情，乙個程式設計師沒有熱情，那真的很難達到高手級別的。很推崇表達能力，書寫能力，思維清晰很重要 但是總會有例外啊，陳景潤 應聘時候多談實際，而不是很懸的智力和數學測試，讓他寫 帶來引以為豪的 如果他兩眼放光的給你講他過去的專案經歷，那起...
直接摘錄一些文字
1.人也是這樣，有的人生來就具備成功的素質。2.一直以來，靠堅強和自信所以快樂又積極地活著，堅強和自信就是人生的頂樑之柱，真不敢想象如果那一天我失去他們了生活會怎樣。常常告訴自己要敢於面對所有的困難，常常安慰自己很多困難過去後再回首就覺得特別的有價值。前面的路尚未明了，命運依舊難卜，但自信依舊在。仔...
學習scanf的一些摘錄
scanf 函式是格式化輸入函式，它從標準輸入裝置 鍵盤 讀取輸入的資訊。其呼叫格式為 scanf 格式化字串 位址表 格式化字串包括以下三類不同的字元 1 格式化說明符 格式化說明符與printf 函式中的格式說明符基本相同。但和printf 函式中格式字串的用法有一些小區別。我們來看下面這個表。...