从0基础文科生到全国亚军，我的人工智能学习路径

绝对不是标题党，先上图证明自己的身份：

左上角是我的学信网档案，可以看到我大学4年是市场营销这个文科专业，但依然还是在数据挖掘比赛——《中国Datathon数据马拉松大赛》连续拿到了2次亚军。

这里请允许我打个硬广告（因为前程无忧跟CSDN不是竞争关系），在这里特别感谢主办方前程无忧，奖金池高达12万，中国Datathon系列比赛每年6月-7月举办一场，大家也可以去参加。

回到正题，今天就给大家分享一下以下2大话题：

一、我为什么要转型搞人工智能？

二、我的人工智能自学方法

三、对同样有转型想法的人的建议

一、我为什么要转型搞人工智能？

（1）对产品运营的不良印象

我转型之前是在一家教育公司做产品运营的，别人都说这个岗位是名誉上的“产品经理”，但无论是运营，还是产品板块，我做起来都感觉不是很舒服（当然也有可能是我层次太低了，大家仁者见仁）：

1. 给我的感觉就像是打杂，什么都做，但什么都不精，很难形成自己的核心竞争力（虽然现在面向谷歌编程，好像也没啥核心竞争力，但至少时代浪潮下对技术的支持，就是程序员最大的底气）；

2. 不同项目的玩法大同小异，尽管当时已经做出了12套课程方案，对接了40个导师，但感觉真正能沉淀的下来的经验其实不多，没有太多积累；

3. 加班比较多，尤其是大促节点，有些合作伙伴在国外，还要去配合他们当地的时差，搞得我半夜都在聊微信，甚至除夕夜还要赶春节促销方案；

4. 钱少。

（2）我做出的转型尝试

没有成长、辛苦、钱少，基于以上三大原因，我当时迫切希望能够转行，也做了很多尝试，但无一例外都不是特别适合我：

一开始尝试着做新媒体运营类的工作，但发现新媒体运营确实成长很快，但基本上是被热点24小时吊着，只要出了热点，就得立马起来赶稿子；

后面做了一段时间自由平面设计师，但是很难接到单子，甚至说第一个稿子的PSD原件因为没有签合同和加水印，被别人骗走了……

当时最满意的还是产品经理这个岗位，可是它唯一的缺点就是要非常高频的开会以及跟别人打交道，而我又偏内向（可能大部分人都看不出来，但事实确实如此），一开始还撑得住，到后面我是真正体会到了何谓“上班如上坟”。

（3）开始做数据分析师

在诸多困境之下，我开始尝试这个全网都在吹的高薪职业：数据分析师，如果是“运气好”的小伙伴，应该经常能够在某乎和朋友圈看到他们的广告，这里我就不展示他们的广告了。

我对这个岗位的心路历程完全可以用成龙老师的话来解释：

其实之前我是拒绝做数据分析师的，因为网上宣传的太夸张了，并且我感觉写代码跟我这种文科生完全不搭边，但没办法，其他岗位都试过，都不喜欢，再不做出点突破就没饭吃了。

后来我试着学了一下Python，哇，BUG率真的很高，但奇怪的是，我感觉自己就是为写代码而生的，真的很有趣，并且不用跟别人说话，爽爽爽！

（4） 从数据分析到人工智能

那我又是怎样通过数据分析接触到人工智能的呢？

我记得还是一个销量预测的项目，一开始是用Excel的预测工作表做的，但老板说“准确度不够”。 

后面通过网上查找方法，接触到了Sklearn的LinearRegression（线性回归），也就是在那个时候，我了解到了“什么是机器学习”。

接下来的故事就比较简单了：自学Sklearn>>>参赛获奖>>>自学tensorflow>>>参赛获奖，这块的经验放到第二部分讲，直到现在，虽然因为学历问题没有成为正式的人工智能从业者，但我在广州主讲了2场线下人工智能讲座，参加了12场人工智能比赛，勉强算是入门了吧。

 

二、我的人工智能自学方法

（1）关于初始教材的选择

可能很多人对于人工智能小白会推荐吴恩达老师的《机器学习》，或者是周志华老师的西瓜书：《机器学习》，是的，我一开始也是这样去学的，但当时发现了两个问题：

1. 两位大师的课程中都包含不少的数学公式，对我这种上课不是用同济数学的文科生来说不太友好

2. 两位大师的课程跟代码结合不是很紧密，尽管有配套的代码训练，但看起来还是感觉理论跟代码割裂了。

这里比较推荐台大李宏毅老师的《人工智能》，具体链接大家自行搜索。

（插一句嘴，这里不是说吴恩达老师和周志华老师不行，只是两人的教学理念更适合有基础的理工科同学）

（2） 做与学结合

然后，我的建议是不要想着一口气看完李老师的《人工智能》课程，一方面是整体学习起来比较枯燥，可能会对学习信心和学习动力产生很大的打击，另一方面，代码学习中光学不做是不行的。

我的建议是可以一边学习，一边参加一些非常简单的训练赛，比如经典的泰坦尼克号生还者预测之类的，在学中做，做中有不懂的带着问题去学，效率会很高。

（3） 对官方文档不求甚解

对李老师的课程学得差不多了，并且学习赛也参加了几个，成绩不错，就可以开始读Sklearn和Tensorflow的官方文档了，最好还是看英文版的，一方面，方便后面去阅读一些顶会或者比赛的Paper，另一方面，很多的超参数你会记忆清晰一些，比如一看到CV你就可以想到是Cross Validation。

当然，这里的“读”不是指从头到尾把每个概念都搞得一清二楚，而是指“重点看自己关心的，如果有复杂的数学原理先跳过”。

这里拆解一下：

1. 重点看自己关心的：比如我做数据分析很关心【回归和分类】，所以给我读官方文档的前一周，回归和分类板块的学习基本占到了80%的部分，其他板块比如聚类和降维我基本上有特别难懂的就放过了；

2. 如果有复杂的数学原理先跳过：比如我之前研究【音频分析】，里面有个概念叫做【梅尔倒波频谱系数】，里面有个叫做【傅里叶变换】的，我一开始死活搞不明白，干脆直接放过了，因为人工智能很多代码都打包好了，不明白【傅里叶变换】不影响代码使用，直到后面对【音频分析】有了更深入了解才明白“傅里叶到底是怎么变换的”（开个玩笑哈哈哈）。

（4） 参加一些轻度的比赛

基本研究完官方文档之后，就可以开始参加一些奖金额度不高（冠军奖金10万元以下）的比赛了，不用太担心，因为人工智能比赛参加的人本身就比较少，获奖率还是比较高的（之前一个比赛获奖名额10人，7个人提交作品……），哪怕没拿奖也是一个很宝贵（装逼）的经验，可以写到简历里面去。

最重要的是，冠军奖金10万元以下的比赛，大佬出现几率比较小，之前参加过一个冠军100万元奖金的，来的大都是Kaggle比赛前2%的神仙……

因为这里有些平台涉及到CSDN的竞对关系，我就不推荐了，大家可以在CSDN首页查找到很多比赛。

 

（5）死磕顶会和比赛的Paper

我现在就在这个阶段（因为之前跟一个清华大佬交流，他说我用的模型落后时代5-7年），这一块我能说的很少（我还在踩坑中），总之就是一个一个概念去搞懂吧。

三、对同样有转型想法的人的建议

1. 人工智能正式工作学历歧视非常厉害，不单单是卡985和211，还会卡是本科还是硕士，如果对这个领域感兴趣，可以像我一样去参加它的比赛或者是写写相关文章，无法做人工智能这艘大船上掌舵的，当个水手也是不错的。

2. 搞技术会不会35岁退休？第一，不会，这是周鸿祎说的，第二，就算会退休，疫情下，很多岗位还没到35岁就找不到工作了。

3. 如果实在不想做人工智能，可以来做数据分析，目前我现在就是高级数据分析师，这个岗位唯一的点就是重复性工作比较多，并且大部分时候不跟别人交流，其他的缺点基本没有（这些对我来说反而是优点）：加班少，工作比较稳定，收入也可以，我是强烈劝入的，当然，建议还是尽量靠自学。