01 AI工程師的三個層次

每一波浪潮的到來，都意味一片無人占領(lǐng)的藍(lán)海，也意味著眾多新成長起來的巨頭，還意味著什么？大量的技術(shù)人員需求，供不應(yīng)求的開發(fā)市場，以及從業(yè)者的高薪與眾多的機會。

我們最常做的事情是目送著上一次浪潮的余波遠(yuǎn)去，感嘆自己生不逢時，卻沒有意識到，下一波浪潮已經(jīng)到了我們腳下。

沒錯，我們說的就是AI。

身在IT圈中的人，應(yīng)該都有著直觀的認(rèn)識。目前國內(nèi)知名的互聯(lián)網(wǎng)企業(yè)無一不在建立自己的人工智能技術(shù)團(tuán)隊，以期用AI技術(shù)，提升產(chǎn)品的體驗和智能化程度。

但與此同時，各種不明覺厲的名詞也嚇退了很多非科班出身的開發(fā)者。什么叫卷積神經(jīng)網(wǎng)絡(luò)？什么叫凸優(yōu)化？是不是還要回去重讀高數(shù)，線代，概率？那么一大堆公式，感覺完全看不懂啊？聽說沒個名校博士出身都搞不了這個？

在很久以前的一篇知乎回答中提過，作為開發(fā)人員，AI領(lǐng)域界在我看來會分成這么幾個層次

學(xué)術(shù)研究者

他們的工作是從理論上詮釋機器學(xué)習(xí)的各個方面，試圖找出“這樣設(shè)計模型/參數(shù)為什么效果更好”，并且為其他從業(yè)者提供更優(yōu)秀的模型，甚至將理論研究向前推進(jìn)一步。 能夠做到這一步的人，可以說鳳毛麟角，天賦是繞不過去的大山，機遇和努力也缺一不可。

算法改進(jìn)者

他們也許無法回答出“我的方法為什么work”，也許沒有Hinton，LeCun那樣足以載入史冊的重大成果，但是卻能根據(jù)經(jīng)驗和一些奇思妙想，將現(xiàn)有的模型玩出更好的效果，或者提出一些改進(jìn)的模型。這些人通常都是各個機器學(xué)習(xí)巨頭公司的中堅力量或者成長中的獨角獸，使用什么模型對他們來講也不是問題，根據(jù)所處的環(huán)境，通常都有固定的幾個選擇。在這個層面，insight和idea才是重要的東西，各種工具的區(qū)別，影響真的沒那么大。可能會讓一個結(jié)果早得到或者晚得到幾天或者幾周，卻不可能影響“有沒有成果”。

工業(yè)實現(xiàn)者

這些人基本上不會在算法領(lǐng)域涉入太深，也就是了解一下各個算法的實現(xiàn)，各個模型的結(jié)構(gòu)。他們更多地是根據(jù)論文去復(fù)現(xiàn)優(yōu)秀的成果，或者使用其他人復(fù)現(xiàn)出來的成果，并且試圖去在工業(yè)上應(yīng)用它。

對于大部分IT人來說，做到第三類，也就是工業(yè)實現(xiàn)這個層面，已經(jīng)足夠好了，至少，我們已經(jīng)有了親身參與這個大時代的機會，僅就這一點來說，便已經(jīng)擊敗了全國99%的人（斜眼笑的表情）。

不光是普通程序猿這么說，文藝的程序猿和……額，高大上的程序猿也都這么說。

我說，呵呵。

答案只有一個：Just Do IT（去搞IT吧，少年）

成為人工智能工程師，在我看來，要把機器學(xué)習(xí)、深度學(xué)習(xí)掌握好，就可以入行拼搏了！另外，理論必須要結(jié)合項目實戰(zhàn)：因為作為程序員，讀十遍書不如跑一遍程序，與其花費大量的時間去啃書本，不如親手完成自己的程序并運行它。我們在寫出代碼的同時，就會了解到自己還有哪些地方不夠清楚，從而針對性地學(xué)習(xí)。

02 機器學(xué)習(xí)入門

我們先來說說，機器學(xué)習(xí)應(yīng)該學(xué)習(xí)哪些。

學(xué)習(xí)任何東西，勿在浮沙筑高臺（對這句話眼熟的請舉手），有一些基礎(chǔ)的知識還是需要掌握的。例如在計算機視覺領(lǐng)域，根據(jù)我們團(tuán)隊內(nèi)部培訓(xùn)的經(jīng)驗，為了能夠獨立進(jìn)行機器學(xué)習(xí)的開發(fā)工作，最好首先完成這么幾項課程：

入門機器學(xué)習(xí)

熟悉機器學(xué)習(xí)領(lǐng)域的經(jīng)典算法、模型及實現(xiàn)的任務(wù)等，同時學(xué)習(xí)搭建和配置機器學(xué)習(xí)環(huán)境，并學(xué)會用線性回歸解決一個實際問題。

Logistic回歸分析、神經(jīng)網(wǎng)絡(luò)、SVM

掌握數(shù)據(jù)集探索；理解分類任務(wù)算法（Logistic回歸、神經(jīng)網(wǎng)絡(luò)、SVM）原理；學(xué)會在scikit-learn框架下采用各分類算法分類具體任務(wù)。

決策樹模型與集成學(xué)習(xí)算法

損失函數(shù)：信息增益、Gini系數(shù)

劃分：窮舉搜索、近似搜索

正則：L2/L1

預(yù)防過擬合：預(yù)剪枝及后剪枝；Bagging原理；Boosting原理；

流行的GBDT工具：XGBoost和LightGBM

聚類、降維、矩陣分解

主成分分析（PCA）；獨立成分分析（ICA）；非負(fù)矩陣分解（NFM）；隱因子模型（LFM）；KMeans聚類和混合高斯模型GMM（EM算法）；吸引子傳播聚類算法（Affinity Propagation聚類算法）

特征工程、模型融合& 推薦系統(tǒng)實現(xiàn)

學(xué)會常用數(shù)據(jù)預(yù)處理方法及特征編碼方法；學(xué)習(xí)特征工程的一般處理原則；組合各種特征工程技術(shù)和機器學(xué)習(xí)算法實現(xiàn)推薦系統(tǒng)。

上面的課程大概會消耗你1個月多的所有業(yè)余時間。但是相信我，這是值得的。

如果實在連一兩個月的業(yè)余時間都拿不出來，好吧，我來偷偷告訴你最最最基本的一個要求，滿足了這個要求，你就能夠算是機器學(xué)習(xí)入門了： 會算矩陣乘法

矩陣乘法

別笑，說正經(jīng)的，在這個框架高度封裝的年代，梯度不需要自己算，損失不需要自己求，反向傳導(dǎo)更是被處理得妥妥的，在不求甚解的情況下，你甚至只需要知道這么幾個概念就可以開始著手寫第一個程序了：

它就是通過一系列矩陣運算（或者類似的一些其他運算）將輸入空間映射到輸出空間而已。參與運算的矩陣的值稱為權(quán)重，是需要通過不斷迭代來尋找到最優(yōu)值。

當(dāng)前的權(quán)重值離最優(yōu)值還差多遠(yuǎn)，用一個數(shù)值來表示，這個值就叫損失，計算這個值的函數(shù)叫損失函數(shù)。

當(dāng)前的權(quán)重值應(yīng)該調(diào)大還是調(diào)小，這個值通過對損失函數(shù)求導(dǎo)來判斷，這個求導(dǎo)得到的函數(shù)叫做梯度。

通過損失和梯度來更新權(quán)重的方法叫做反向傳導(dǎo)。

迭代的方法稱為梯度下降。

雖然這么寫出來的程序一定是不知其所以然，但是其實20年前我第一次用C++寫Hello world的時候也是一臉懵逼的，我相信，每個能夠投身機器學(xué)習(xí)開發(fā)工作的程序猿，都是有大毅力大勇氣的，自然不會欠缺繼續(xù)學(xué)習(xí)的動力和決心。

03 深度學(xué)習(xí)入門

我們再來說說，深度學(xué)習(xí)應(yīng)該學(xué)習(xí)哪些。

深度學(xué)習(xí)著重掌握卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)，使用大量真實的數(shù)據(jù)集，結(jié)合實際場景和案例介紹深度學(xué)習(xí)技術(shù)的應(yīng)用范圍與效果。

神經(jīng)網(wǎng)絡(luò)入門及深度學(xué)習(xí)環(huán)境配置

熟悉神經(jīng)網(wǎng)絡(luò)領(lǐng)域的常用術(shù)語、安裝并配置深度學(xué)習(xí)框架Tensorflow，學(xué)會用Tensorflow解決一個實際問題。

神經(jīng)網(wǎng)絡(luò)基礎(chǔ)及卷積神經(jīng)網(wǎng)絡(luò)原理

使用不同結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)驗證網(wǎng)絡(luò)結(jié)構(gòu)對效果的影響；了解卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)概念和基礎(chǔ)知識，并通過實戰(zhàn)案例理解CNN局部相關(guān)性與權(quán)值共享等特性。

卷積神經(jīng)網(wǎng)絡(luò)實戰(zhàn)

圖像分類及檢測任務(wù)：學(xué)習(xí)圖像分類任務(wù)及檢測任務(wù)目前主要模型算法，并通過兩個實戰(zhàn)案例學(xué)習(xí)在Tensorflow框架下訓(xùn)練CNN模型。

卷積神經(jīng)網(wǎng)絡(luò)之圖像分割實例

掌握分割任務(wù)簡介、反卷積（deconv/transpose-conv）、FCN

循環(huán)神經(jīng)網(wǎng)絡(luò)原理

RNN基本原理

門限循環(huán)單元（GRU）

長短期記憶單元（LSTM）

詞向量提取：Word2Vec

編碼器—解碼器結(jié)構(gòu)

注意力機制模型：Attention Model

04 進(jìn)階

恭喜，你成為人工智能工程師群中的一員了。

接下來就可以收集一些自己的數(shù)據(jù)，并且訓(xùn)練一些自己的識別引擎；或者嘗試著優(yōu)化這個模型，感受一下所謂調(diào)參黨的痛苦；又或者直接嘗試實現(xiàn)ResNet、Inception這些更為先進(jìn)的網(wǎng)絡(luò)來刷刷Cifar；再不然可以嘗試著向NLP或者強化學(xué)習(xí)方向去學(xué)習(xí)一下。總之，這些事情遠(yuǎn)沒有看起來那么難。

當(dāng)然，不論那條路，學(xué)習(xí)，進(jìn)步和自我鞭策都是逃避不掉的必修課。一個新生的領(lǐng)域，勃勃的生機必然也意味著新成果的層出不窮。完成我上面提到的三門課程只能讓一個人從門外漢變成圈里人，有了進(jìn)入這個領(lǐng)域，趕上這波浪潮的基本資格，至于到底是成為弄潮兒還是直接被大浪吞沒，還是那句話，不勞苦必然無所得。努力學(xué)習(xí)不一定能修成正果，而不去努力學(xué)習(xí)，則注定是一無所獲。

最后，祝福，祝福各位能在AI領(lǐng)域里大放異彩。