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

2. 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。

4. 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!

你可能感兴趣的:(关于人工智能,机器学习研究方向的选择心得(干货鸡汤!))