关于人工智能，机器学习研究方向的选择心得（干货鸡汤!）
现在人工智能方向，不言而喻，现在可以说21世纪最为火热的研究方向，各个行业也可以说都在向人工智能领域进行跨领域的迁移以及靠拢。到现在AI几乎已经人尽皆知，很多人也会听说AI的算法工程师经常是一说起来就是年薪50W那种，而且干的工作也是高大上，可以说是很多工程师梦寐以求的工作，然而现实真的是这样吗？如果读机器学习的方向，什么方向比较好？这些方向有都是什么用途？今天就让我们来一起谈一谈具体的情况。
机器学习是什么？机器学习的研究方向包括哪些？这些研究方向都是干什么用的？
机器学习的研究方向是在人工智能的研究方向之下的分支，人工智能的概念十分的大，不过机器学习是人工智能的一个最为火爆的方向，机器学习的大方向下包括传统的机器学习算法，KNN，SVM这种算法类型，还有就是人工神经网络，也是就是深度学习的类别，人工智能，机器学习，深度学习的关系，如下图可以进行概括。
深度学习方向包括很多，最主要的几大类为计算机视觉(CV),自然语言处理（NLP）,推荐系统，语音。在对每一个方向进行一下细致的划分。
（1）计算机视觉（CV）
计算机视觉的研究方向很多，人脸检测，人脸识别，人脸合成，图像识别，目标检测，图像分割，GAN，图像风格迁移，3D目标检测，三维重建，超分辨率·，等等十分多的方向。不仅如此除了图像一些领域外，还包括视频领域的处理等，视频压缩等
（2）自然语言处理（NLP）
自然语言处理的研究方向略少，主要针对的是文本信息，比如机器翻译，文本分类，文本摘要生成，情感分析，文本纠错等
（3）推荐系统
这个方向我个人了解不多，主要的使用用途用于进行个性化的样本推荐
（4）语音方向
语音方向是单独一个方向，用来研究如何用神经网络的办法来进行语音信号的处理，语音的整个领域比较小， 主要包括语音识别，语音音色转换等
- 人工智能的岗位要求是什么？
其实博主本人就是一名985的硕士，经过多方的了解，现在人工智能的就业前景真的是不敢苟同，在几年前的时候，会使用tensorflow，pytorch，可以跑跑模型训练，基本就是一份高薪的工作，但是现在已经不行了，现在的入门要求基本上要比以前高的多，如果是算法岗位。一般来说一定要有顶会的论文，ICML,NIPS,CVPR,AAAI,ICJAI,ACL,这样的顶级会议的论文，基本才能十拿九稳，或者是具有博士学位，其实不难看出，人确实很多，尤其是大厂以及互联网巨头等级的公司，基本上都要顶级的会议论文。其实有的人说，这是顶会劝退，其实不然，互联网公司的岗位也确实有限，每年的毕业生都是接近1千万甚至更多，其中博士，硕士，海归都有，所以相对来说，看一看硬件的条件也是可以理解。
再来可以看看现在ICML,CVPR等顶级会议的投稿量，竞争越来越激烈了，其他的一些专业的也都在进行人工智能方向的转行，如果门槛还不抬高，满足的人太多了。
3.对于一名研究生来说，选什么方向比较合适呢？
首先我们要知道一个情况，高校做人工智能研究的目的是什么，当然是为了出论文，出科研成果。就会来说，每年也会有大量的公司研究院，在CV领域，商汤之类的公司一直都是排行榜前列，他们在这个平台之下来展示自己的业务和科研能力。我个人认为高校研究生的位置比较尴尬，深度学习需要很强大的算力，要有很多的数据，才能做出非常炫酷的效果。但是和公司的研究院来说，高校一般没有那么强大的算力，我记得自己曾经跑过一个模型，Facebook公司的一个模型，他的训练时间是“epoch300，8张Tesla
v100，跑6天，一次完整的迭代差不多是30min”，所以可以看出，像现在比较新的方向，视频理解，三维重建，这种计算量巨大的模型，真的不太适合读研研究，方向比较难，数据也是限制。前一段时间除了GPT-3模型，训练一次的花费可以自己搜索一下。
高校由于算力和数据的限制，一般就是做模型结构的改建，以及领域的迁移与融合方式的改进，比如starGAN网络出现后，有人将starGan从图像迁移到语音领域做出了语音的音色转换。以及一些模型的融合，比如多模态等，相对来说更多的不是财力，而是idea，可以说是用最小的金钱做最多的事情。
- 如何理性看待所谓的人工智能的人才缺乏？
我们经常可以听到，人工智能的人才匮乏，不错，是的，但是我觉得应该更多的是侧重于“人才”，人工智能行业不需要很多的码农，他需要的是着真正能够带来上线突破的人。用yolo
v3为例子，我们只需要将大量的西瓜图片放入yolo v3
的train中，就可以进行训练，并且进行西瓜的泛化识别，也就是说，理论上，提供足够的样本图片，其实任何物品都可以进行识别。也就是说只要提高了yolo
v3的学习能力
，比如map50提高了map60，他对任何的物体识别都会进步。所有人工智能是很少的精英，去做很多的事情，这也是必须把门槛提高的原因了。
5.工业界与学术界的侧重方向区别？
举一个最简单的例子。mnist数据集做手写数字的识别，其实acc98%，到acc99%，工业界还不太在乎的，在实际的使用中，98%的模型，与99%的模型几乎没什么区别。工业界更多的考虑的是实际的使用，环境的影响，例如图像的预处理，以及模型的大小以及速度等，但是98%到99%，对学术界很难（不是说mnist，举例来说，大多数数据集90以上在提高都难）
总结来说，人工智能方向从上升期进入平稳期了，不需要华丽的外表，要的是实在的可用，而且程序员不分贵贱，行行出状元，如果真的喜欢没问题，但是为了高薪酬盲目跟风，已经不推荐了。只要功夫深铁杵磨成针！兴趣是最好的老师。加油！