深度学习的研究方向和发展趋势

一. 人工智能应用领域

1. 计算机视觉

    生物特征识别：人脸识别、步态识别、行人ReID、瞳孔识别；

    图像处理：分类标注、以图搜图、场景分割、车辆车牌、OCR、AR；

    视频分析：安防监控、智慧城市；

2. 自然语言处理

    语音识别（Siri、Cortana、讯飞）、文本数据挖掘、文本翻译；

3. 数据挖掘

    消费习惯、天气数据、推荐系统、知识库（专家系统）；

4. 游戏

    角色仿真、AlphaGo（强化学习）；

5. 复合应用

    无人驾驶、无人机、机器人；

       天朝的 AI 趋势貌似势不可挡，华人的高智商开始凸显，看各大 Challenge 的获胜者，几乎清一色的华人的身影，包括 MSRA、FAIR、Google Brain 这几大研究机构，都有相当比例的华人科学家主导，让我看到了天朝崛起的希望。

       来看一张别人的统计图：

       

       在创业公司层面，目前国内也有很多 优秀的公司，领域的火热伴随着巨大的商机，你心动了么？

二. 需要具备的专业知识

1. 数学基础

      数学知识比较关键，这是作为你理解和学习算法原理的基础，列出比较关键的课程：

      高等数学（微积分）、线性代数、统计方法、矩阵论、概率论

          PS：图像相关童鞋 可以看一下《数字图像处理》

2. 编程基础

       两门编程语言是必须要掌握的，C++ 和 Python

3. 专业基础（算法和论文）

      基础教程：【UFLDL】【PRML】

      Deep Learning Paper：【Paper】

      Deep Learning Book：【Book】

      机器学习公开课：【网易】

三. 从学校制定的规划

       你有机会面临一开始的选择，可以成为该领域的专家，对自己的规划应该是：

Step 1. 为 PhD 努力

      这是必然的，你需要尽一切努力去得到一位学术大牛的指点，这至关重要，因为他能影响你的思维，做事情的方法，能够指点你技术的方向。

      这个阶段要确定自己的方向，不要过于发散。

Step 2. 抓住实习机会

      Google、FaceBook、MSRA 等大公司的实习机会也很关键（退而求其次选 BAT），这里有最专业的工程人才，要借助实习快速提升你的代码能力。

Step 3. 加入团队

      求志同道合者 建立业余团队，比如开源项目、研究方向课题组、ILSVRC竞赛 等；

      一方面可以 Follow 技术进展，另一方面通过 Challenge 提升自己解决实际问题的能力，不求获奖，重在参与；

四. 非专业人员转型

       之前有一篇 CSDN 的征文 - 你会为AI转型么？

       如果是我，我的答案会是，如果可以优雅的转身，那就转吧。

       如何保证优雅的转身？请到上面看你的基础知识能够 Match 多少？如果你的主要编程语言是 C++ 和 Python，并且数学功底很好，那么恭喜你，没什么障碍了，最多三个月的转型期，你马上就能成为一名合格的 AI 从业者。

       如果你大部分时间都在写 HTML and PHP，or再牛一点，精通 Java 的架构师，附带 大学数学挂过科，那么我给的建议是，没必要转型，了解 TensorFlow 的API就好了，想办法调用一下，该干嘛还是干嘛，继续领你架构师的高工资，AI的泡沫可不小，听哥的，别趟这趟浑水！

    > 转型开始

        开始转型，怎么一步一步的去实现这个目标呢？

        总结为4点： 看书、读论文、用框架、敲代码。

1. 看书

    抓住工作之余的任何时间看书，每天坚持两个小时，最好把基础中提到的这些技术知识点都看完。

    恒心很重要，有恒心者有恒产，不管你信不信，我反正信了。

2. 读论文

    读经典论文是最能提高你的技术逼格的方法，SSD、YOLO、LSTM、DQN 等等，每一个经典算法都是一次技术飞跃，读文章可以结合 Blog来看，当然也有很多翻译文章，所谓 “前人栽树，后人乘凉”，英文不太好的童鞋有福。

    Lucky，大多数的 Paper 都会附带实现代码，这是 共享的时代。

    PS：也是共享单车的时代，看到 OFO 集5个徽章得 77.77，真是醉了，连个数都是 支付宝的套路。

3. 用框架

    深度学习相关框架要多用，Pytorch，TensorFlow，Caffe，都是开源的，很多新的算法、文章都是基于这些框架实现的，必须熟悉。

4. 敲代码

    要理解的更深一些，或者加入自己的想法，定制自己专业领域的特殊问题，这就需要你在原来的基础上进行修改，修改是再创造的过程，不管是数据的重新训练，还是接口的不同调用方式，都是一种加深。

        除了 看书之外，其他三个 Item 是需要目标来驱动的，以解决项目中的实际问题为出发点，这是最好的入门方法。

五. 技术发展趋势

       前面也讲过，下一步的发展重点在 迁移学习、强化学习、非监督学习 层面，对抗网络（GAN） 也将会焕发新的光彩。

       而在应用领域，机器人将会在很大层度上推动深度学习的发展，也许在将来的5-10年，真的会诞生真正意义上的智能体，最近听说某某机器人通过了 图灵测试，很好奇，一看也只是在某个简单的层面。

       量子计算机、类脑、超脑 等大一批科技新星为之注入了强悍的体系支撑，全球在技术领域持续的资金和人才投入也将持续提供无限的动力，也许 AI目前是泡沫，但若是支撑到某个领域的突破，必然会带来新的生产力变革，换句话说，科技泡沫总归 比 房地产泡沫来得更实在一些。