01 AI工程師的三個(gè)層次

每一波浪潮的到來(lái)，都意味一片無(wú)人占領(lǐng)的藍(lán)海，也意味著眾多新成長(zhǎng)起來(lái)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(chǎng)，以及從業(yè)者的高薪與眾多的機(jī)會(huì)。

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(shí)，卻沒有意識(shí)到，下一波浪潮已經(jīng)到了我們腳下。

沒錯(cuò)，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(shí)。目前國(guó)內(nèi)知名的互聯(lián)網(wǎng)企業(yè)無(wú)一不在建立自己的人工智能技術(shù)團(tuán)隊(duì)，以期用AI技術(shù)，提升產(chǎn)品的體驗(yàn)和智能化程度。

但與此同時(shí)，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?。柯犝f沒個(gè)名校博士出身都搞不了這個(gè)？

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(lái)會(huì)分成這么幾個(gè)層次

學(xué)術(shù)研究者

他們的工作是從理論上詮釋機(jī)器學(xué)習(xí)的各個(gè)方面，試圖找出“這樣設(shè)計(jì)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(jī)遇和努力也缺一不可。

算法改進(jìn)者

他們也許無(wú)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(cè)的重大成果，但是卻能根據(jù)經(jīng)驗(yàn)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(gè)機(jī)器學(xué)習(xí)巨頭公司的中堅(jiān)力量或者成長(zhǎng)中的獨(dú)角獸，使用什么模型對(duì)他們來(lái)講也不是問題，根據(jù)所處的環(huán)境，通常都有固定的幾個(gè)選擇。在這個(gè)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?？赡軙?huì)讓一個(gè)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(shí)現(xiàn)者

這些人基本上不會(huì)在算法領(lǐng)域涉入太深，也就是了解一下各個(gè)算法的實(shí)現(xiàn)，各個(gè)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(lái)的成果，并且試圖去在工業(yè)上應(yīng)用它。

對(duì)于大部分IT人來(lái)說，做到第三類，也就是工業(yè)實(shí)現(xiàn)這個(gè)層面，已經(jīng)足夠好了，至少，我們已經(jīng)有了親身參與這個(gè)大時(shí)代的機(jī)會(huì)，僅就這一點(diǎn)來(lái)說，便已經(jīng)擊敗了全國(guó)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(gè)：Just Do IT（去搞IT吧，少年）

成為人工智能工程師，在我看來(lái)，要把機(jī)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(xiàng)目實(shí)戰(zhàn)：因?yàn)樽鳛?a target="_blank">程序員，讀十遍書不如跑一遍程序，與其花費(fèi)大量的時(shí)間去啃書本，不如親手完成自己的程序并運(yùn)行它。我們?cè)趯懗龃a的同時(shí)，就會(huì)了解到自己還有哪些地方不夠清楚，從而針對(duì)性地學(xué)習(xí)。

02 機(jī)器學(xué)習(xí)入門

我們先來(lái)說說，機(jī)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(tái)（對(duì)這句話眼熟的請(qǐng)舉手），有一些基礎(chǔ)的知識(shí)還是需要掌握的。例如在計(jì)算機(jī)視覺領(lǐng)域，根據(jù)我們團(tuán)隊(duì)內(nèi)部培訓(xùn)的經(jīng)驗(yàn)，為了能夠獨(dú)立進(jìn)行機(jī)器學(xué)習(xí)的開發(fā)工作，最好首先完成這么幾項(xiàng)課程：

入門機(jī)器學(xué)習(xí)

熟悉機(jī)器學(xué)習(xí)領(lǐng)域的經(jīng)典算法、模型及實(shí)現(xiàn)的任務(wù)等，同時(shí)學(xué)習(xí)搭建和配置機(jī)器學(xué)習(xí)環(huán)境，并學(xué)會(huì)用線性回歸解決一個(gè)實(shí)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(huì)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(dú)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(shí)現(xiàn)

學(xué)會(huì)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(jī)器學(xué)習(xí)算法實(shí)現(xiàn)推薦系統(tǒng)。

上面的課程大概會(huì)消耗你1個(gè)月多的所有業(yè)余時(shí)間。但是相信我，這是值得的。

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

矩陣乘法

別笑，說正經(jīng)的，在這個(gè)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(gè)概念就可以開始著手寫第一個(gè)程序了：

它就是通過一系列矩陣運(yùn)算（或者類似的一些其他運(yùn)算）將輸入空間映射到輸出空間而已。參與運(yùn)算的矩陣的值稱為權(quán)重，是需要通過不斷迭代來(lái)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(gè)數(shù)值來(lái)表示，這個(gè)值就叫損失，計(jì)算這個(gè)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(gè)值通過對(duì)損失函數(shù)求導(dǎo)來(lái)判斷，這個(gè)求導(dǎo)得到的函數(shù)叫做梯度。

通過損失和梯度來(lái)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(lái)的程序一定是不知其所以然，但是其實(shí)20年前我第一次用C++寫Hello world的時(shí)候也是一臉懵逼的，我相信，每個(gè)能夠投身機(jī)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(huì)欠缺繼續(xù)學(xué)習(xí)的動(dòng)力和決心。

03 深度學(xué)習(xí)入門

我們?cè)賮?lái)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(shí)的數(shù)據(jù)集，結(jié)合實(shí)際場(chǎng)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(yǔ)、安裝并配置深度學(xué)習(xí)框架Tensorflow，學(xué)會(huì)用Tensorflow解決一個(gè)實(shí)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(yàn)證網(wǎng)絡(luò)結(jié)構(gòu)對(duì)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(shí)，并通過實(shí)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(shí)戰(zhàn)

圖像分類及檢測(cè)任務(wù)：學(xué)習(xí)圖像分類任務(wù)及檢測(cè)任務(wù)目前主要模型算法，并通過兩個(gè)實(shí)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(shí)例

掌握分割任務(wù)簡(jiǎn)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(zhǎng)短期記憶單元（LSTM）

詞向量提?。篧ord2Vec

編碼器—解碼器結(jié)構(gòu)

注意力機(jī)制模型：Attention Model

圖片標(biāo)注（Image Captioning）

圖片問答（Visual Question Answering）

如何系統(tǒng)學(xué)習(xí)深度學(xué)習(xí) ？90萬(wàn)程序員都在這么做！點(diǎn)我查看

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(lái)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(shí)別引擎；或者嘗試著優(yōu)化這個(gè)模型，感受一下所謂調(diào)參黨的痛苦；又或者直接嘗試實(shí)現(xiàn)ResNet、Inception這些更為先進(jìn)的網(wǎng)絡(luò)來(lái)刷刷Cifar；再不然可以嘗試著向NLP或者強(qiáng)化學(xué)習(xí)方向去學(xué)習(xí)一下?？傊?，這些事情遠(yuǎn)沒有看起來(lái)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(gè)新生的領(lǐng)域，勃勃的生機(jī)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(gè)人從門外漢變成圈里人，有了進(jìn)入這個(gè)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(wú)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(wú)所獲。

最后，祝福，祝福各位能在AI領(lǐng)域里大放異彩。