摘录：转AI的一些建议

注：本文转自普通程序员如何转向AI方向 - 计算机的潜意识 的博客，感兴趣的话可以多看看TA的博文哟!

 我能做的就是在这基础上，推荐了李航博士的《统计学习方法》

1.普通程序员，如何转向人工智能方向？

对普通程序员的定义是：拥有大学本科知识；平时工作较忙；自己能获取的数据有限。

 AI（人工智能）并不仅仅包括机器学习；关于AI领域的发展历史介绍推荐看周老师写的《机器学习简介》，AI不好跨的原因在于学习过程中要面对大量复杂的公式，在实际项目中会面对数据的缺乏，以及艰辛的调参等。因此需要制定要制定合适的学习方法。

2.学习方法

学习方法的设定就是回答以下几个问题：

• 我要学的是什么？（学习目标）
• 我怎样学习？（学习方针）
• 我如何去学习？（学习计划）

3. 学习路线

首先了解这个领域，建立起全面的视野，培养起充足的兴趣 ：AI是什么？它能做什么事？它的价值在什么地方？

关于机器学习是什么，能做什么，它与深度学习以及人工智能的关系，可以看博客从机器学习谈起 - 博客园

3.1 知识准备

• 数学：复习以下基本知识。其他的一些知识可以在后面的学习的过程中按需再补；

                     线性代数：矩阵乘法；高数：求导；概率论：条件与后验概率。

• 英文：常备一个在线英文词典，例如爱词霸，能够不吃力的看一些英文的资料网页；
• FQ：可以随时随地上Google，这是一个很重要的工具。不是说百度查的不能看，而是很多情况下Google搜出来的资料比百度搜的几十页的资料还管用，尤其是在查英文关键字时。节省时间可是很重要的学习效率提升；

资源查找：

• 可以选择去StackOverflow, CSDN , 博客园，知乎...之类的网站搜答案
• 论文检索可以用bing学术，Science Direct，中国知网, 学生党在选作PPT答辩模板时可以参考，优品PPT
• 推荐博客系列 ：数学系的数据挖掘民工当初就是看她的CNN入门的，
• 数据资源：搜狗实验室，还要Github...

3.2 机器学习  

机器学习的第一门课程首推Andrew Ng的机器学习。这门课程有以下特点：难度适中，同时有足够的实战例子，非常适合初学者。cs229 斯坦福大学-机器学习这门课程不推荐，原因有以下：

•  时间：cs229 的时间太早，一些知识已经跟不上当今的发展，目前最为火热的神经网络一笔带过。而Cousera上神经网络可是用了两个课时去讲的！而且非常详细；
• 教学：Ng在cs229 时候的教学稍显青涩，有很多问题其实他都没有讲清楚，而且下面的人的提问其实也很烦躁，你往往不关心那些人的问题。在Coursera上Ng的教学水平大幅度改善了，他会对你循循善诱，推心置腹，由浅入深的教学，在碰到你不明白的单词术语时也会叫你不要担心，更重要的，推导与图表不要太完善，非常细致清晰，这点真是强力推荐；
• 字幕：cs229 的字幕质量比Coursera上的差了一截。Coursera上中文字幕翻译经过了多人把关，质量很有保证；
• 作业：cs229 没有作业，虽然你可以做一些，但不会有人看。这点远不如Coursera上每周有deadline的那种作业，而且每期作业提交上去都有打分。更重要的是，每期作业都有实际的例子，让你手把手练习，而且能看到自己的成果，成就感满满！

3.3 机器学习&统计学习的书籍推荐

机器学习的知识系统化，有相对经典的书。其中统计学习（代表SVM）与集成学习（代表adaboost）是在实践中使用非常多的技术。下面是相关资源：

 推荐: 机器学习(周志华) 如果是在以前，机器学习方面的经典教材首推PRML，但现在周老师的书出来以后，就不再是这样了。首先推荐读周老师的书。这本书有一个特点，那就是再难的道理也能用浅显精炼的语言表达出来。正如周老师的名言：“体现你水平的地方是把难的东西讲容易了，而不是把容易的东西讲难，想把一个东西讲难实在太简单”；

推荐： 统计学习方法-豆瓣评价  统计学习方法-李航 -下载此书 [提取码: y5pz ]

统计学习又叫统计机器学习，和机器学习的重合内容多，但是公式推导非常清晰，强烈推荐!!!! 

3.3 实践做项目  

学习完了基础课程，你对机器学习就有了初步了解。现在使用它们是没有问题的，你可以把机器学习算法当作黑盒子，放进去数据，就会有结果。在实战中你更需要去关心如何获取数据，以及怎么调参等。如果有时间，自己动手做一个简单的实践项目是最好的。需要选择一个应用方向：是图像（计算机视觉CV，Computer Version）、音频（语音识别Speech Recognition ），还是文本（自然语言处理NLP, Natural Language Processing）。这里推荐选择图像领域，这里面的开源项目较多，入门也较简单，可以使用OpenCV做开发，里面已经实现好了神经网络，SVM等机器学习算法。项目做好后，可以开源到 Github 上面，然后不断完善它。实战项目做完后，你可以继续进一步深入学习，这时候有两个选择，深度学习和继续机器学习；

3.4 深度学习  

 深度学习是目前最火热的研究方向。有以下特点：知识更新快，较为零碎，没有系统讲解的书。因此学习的资源也相对零散，下面是一些资源介绍。深度学习的学习方法可以在有一定基础后，自己看论文再GitHub搜代码，或者搜博客、视频、讲义都行，按自己喜欢的方式来。其中不推荐的部分并不代表不好，而是在这个初学阶段不合适：

•  推荐 UFLDL讲义： 非常好的DL基础教程，也是Andrew Ng【吴恩达】写的。有很详尽的推导，有翻译，且翻译质量很高；
• 推荐Deep learning (paper)  ,2015年Nature上的论文，由三位深度学习界的大牛（Yann LeCun, Yoshua Bengio & Geoffrey Hinton）所写，读完全篇论文，给人高屋建瓴，一览众山小的感觉，强烈推荐。如果只能读一篇论文了解深度学习，我推荐此篇。这篇论文有同名的中文翻译；
• 推荐 Neural networks and deep learning：这本书的作者非常擅长以浅显的语言表达深刻的道理，虽然没有翻译，但是阅读并不困难；
• 推荐 Recurrent Neural Networks ： 结合一个实际案例告诉你RNN是什么，整篇教程学完以后，会让你对RNN如何产生作用的有很清晰的认识，而这个效果，甚至是读几篇相关论文所没有的；
• 不推荐，Neural Networks for Machine Learning - University of Toronto | Coursera：深度学习创始人教的课，最大的问题是太难，而且老先生的吐字有时不是很标准；
• 不推荐，Deep Learning (book)：同样也是由深度学习大牛所写的书。很多内容都讲了，但是感觉也没讲出什么内容来，只是告诉你来自那篇论文，但是可以把这本书当作论文索引来用，可能直接阅读论文更合适。
• 不推荐，cs231n：李菲菲的课程，很有名，专门讲CNN。但是这门课程有一个最大的问题，就是没有字幕，虽然有youtube的自动翻译字幕，但有还不如没有。

5.继续机器学习  

推荐 机器学习(周志华) 

不推荐Pattern Recognition And Machine Learning ： 当前阶段不推荐；PRML是以贝叶斯的观点看待很多机器学习方法，这也是它的一大特色。但对于初学者来说，这种观点其实并无必要。而且此书没有中文翻译，当前阶段硬啃很容易放弃；

3.6 开源项目

当知识储备较为充足时，学习可以再次转入实践阶段。这时候的实践仍然可以分两步走，学习经典的开源项目或者发表高质量的论文。开源项目的学习应该以尽量以优化为目的，单纯为读代码而学习效果往往不太好。好的开源项目都可以在Github 里搜索。这里以深度学习为例。深度学习的开源优秀库有很多，例如torch，theano等等，这里列举其中的两个：

 推荐 DeepLearnToolbox ：较早的一个深度学习库，用matlab语言撰写，较为适合从刚学习的课程转入学习。遗憾的是作者不再维护它了；

推荐 tensorflow ：Google的开源库，时至今日，已经有40000多个star，非常惊人，支持移动设备；

3.7.会议论文  

较好的课程都会推荐你一些论文。一些著名的技术与方法往往诞生于一些重要的会议。因此，看往年的会议论文是深入学习的方法。在这时，一些论文中的内容会驱使你学习数学中你不擅长的部分。有时候你会觉得数学知识储备不够，因此往往需要学习一些辅助课程。当你看完足够的论文以后，在这个阶段，如果是在校学生，可以选择某个课题，以发论文为目的来学习研究。一般来说，论文是工作的产物。有时候一篇基于实验的论文往往需要你写代码或者基于开源项目。因此开源项目的学习与会议论文的工作两者之间是有相关的。两者可以同时进行学习。关于在哪里看论文，可以看一下CCF推荐排名； 目录-CCF推荐排名，了解一下这个领域里有哪些优秀的会议。下面介绍两个图像与机器学习领域的著名顶级会议：

 CVPR：与另两个会议ICCV和ECCV合称计算机视觉领域的三大会，注意会议每年的主页是变动的，因此搜索需要加上年份,例如CVPR2018；

NIPS ：Conference on Neural Information Processing Systems的简称，许多重要的工作发表在这上面，例如关于CNN的一篇重要论文就是发表在上面；  点NIPS论文集查看！

3.8 自由学习  

到这里可以说已经入门AI了。下面可以依据兴趣来自由学习。前阶段不推荐的学习资源也可随意学习，下面是点评：

• cs229 斯坦福大学-机器学习：Ng写的讲义很不错，其中关于SVM的推导部分很清晰，想学习SVM推荐；
• Neural Networks for Machine Learning：大牛的视角跟人就是不一样，看看Hinton对神经网络是怎么看的，往往会让你有种原来如此的感悟。其实看这门课程也等同于读论文，因为几乎每节课的参考资料里都有论文要你读；
• CS231n: Convolutional Neural Networks for Visual Recognition，最新的知识，还有详细的作业。国内应该有团队对字幕进行了翻译，可以找找；
• PRML ：作为一门经典的机器学习书籍，是很有阅读必要的，会让你对机器学习拥有一个其他的观察视角；
• PRML的python 实现 值得一看

4 总结  

本文的目的是帮助对AI领域了解不深，但又想进入的同学踏入这个门。这里只说踏入，是因为这个领域的专精实在非常困难，需要数年的积累与努力。在进行领域学习前，充分认识自己的特点，制定合适的学习方法是十分重要的。首先得对这个领域进行充分了解，培养兴趣。在学习时，保持着循序渐进的学习方针，不要猛进的学习过难资源；结合着学习与实践相辅的策略，不要只读只看，实际动手才有成就感。学习某个资源时要有充分的目的，不是为了学开源项目而看代码，而是为了写开源项目而看；不是为了发论文而写论文，而是为了做事情而写论文。如果一个学习资源对你过难，并不代表一定是你的问题，可能是学习资源的演讲或撰写人的问题。能把难的问题讲简单的人才是真正有水平的人。所以，一定要学习优质资源，而不是不分青红皂白的学习。最后，牢记以兴趣来学习。学习的时间很长，过程也很艰难，而只有兴趣才是让你持之以恒，攻克难关的最佳助力。

  谨以此文与在学海中乘舟的诸位共勉。我就是一名普通程序员，刚刚转入AI领域，还有很多不足。希望此文可以帮助到大家。