程序員如何轉型到機器學習領域

㈠ 普通程序員如何向人工智慧靠攏

首先了解這個領域，建立起全面的視野，培養起充足的興趣，然後開始學習機器學習的基礎，這里選擇一門由淺入深的課程來學習，課程最好有足夠的實驗能夠進行實戰。基礎打下後，對機器學習已經有了充足的了解，可以用機器學習來解決一個實際的問題。這時還是可以把機器學習方法當作一個黑盒子來處理的。實戰經驗積累以後，可以考慮繼續進行學習。這時候有兩個選擇，深度學習或者繼續機器學習。深度學習是目前最火熱的機器學習方向，其中一些方法已經跟傳統的機器學習不太一樣，因此可以單獨學習。除了深度學習以外，機器學習還包括統計學習，集成學習等實用方法。如果條件足夠，可以同時學習兩者，一些規律對兩者是共通的。學習完後，你已經具備了較強的知識儲備，可以進入較難的實戰。這時候有兩個選擇，工業界的可以選擇看開源項目，以改代碼為目的來讀代碼；學術界的可以看特定領域的論文，為解決問題而想發論文。無論哪者，都需要知識過硬，以及較強的編碼能力，因此很能考察和鍛煉水平。經過這個階段以後，可以說是踏入AI領域的門了。「師傅領進門，修行在個人」。之後的路就要自己走了。

㈡ 把2.5萬工程師變成機器學習專家是怎樣的體驗

谷歌轉型：把2.5萬工程師變成機器學習專家是怎樣的體驗？

卡森·霍爾蓋特(Carson Holgate)正在接受忍者培訓。

但這里的忍者指的並不是武術——她已經有不錯的武術功底。26歲的霍爾蓋特是空手道黑帶二段。現在的培訓重點是演算法。霍爾蓋特幾周前加入這個項目，她希望藉此掌握機器學習方面的技能，這是一種比身體對抗更加強大的技術。作為谷歌Android部門的一名工程師，霍爾蓋特是參加今年忍者學習項目的18名程序員之一。該項目從各個團隊招收有才華的程序員，向他們傳授人工智慧技術，以便提升其產品的智能性——盡管這有可能讓他們開發的軟體更加難以理解。

正在接受機器學習「忍者訓練」的谷歌工程師卡森·霍爾蓋特。正在接受機器學習「忍者訓練」的谷歌工程師卡森·霍爾蓋特。

「該項目的標語是：你想成為一名機器學習忍者嗎？」谷歌內部機器學習產品經理克里斯汀·羅伯森(Christine Robson)說，她負責管理這個項目，「所以我們從谷歌各個部門招收人員，用6個月的時間為他們提供機器學習培訓。讓他們跟著導師學習6個月機器學習，並進行一些項目。他們可以由此入手，從而掌握大量知識。」

霍爾蓋特4年前拿著計算機科學和數學學位來到谷歌，對她來說，這是一次掌握最熱門軟體技術的機會：使用學習演算法和海量數據，教給軟體完成任務的方法。多年以來，機器學習都被視作一個高度專業的領域，僅有少數精英人群能夠掌握這種技術。但這個時代已經結束了，最近的結果表明：由模擬生物大腦工作方式的「神經網路」驅動的機器學習技術是將計算機與人類能力融為一體的正確方式。

在某些情況下，甚至可以藉此打造出超人。谷歌希望在內部擴大這類精英人群的范圍，甚至希望讓機器學習成為一種常規技術。對霍爾蓋特這樣的工程師而言，忍者項目是一次實現自我飛躍的絕佳機會，可以向精英中的精英學習知識。「這些人都在開發不可思議的模型，而且都有博士學位。」她言語間流露出無法掩飾的敬畏之情。由於該項目會將所有學員都稱作「忍者」，所以她開始有些難以接受，但最終還是克服了心理障礙。「我起初很難接受，但還是學著接受了。」她說。

考慮到谷歌員工人數眾多——其總部的6萬員工中約有半數是工程師——所以這個項目的規模其實很小。不過，這個項目卻標志著谷歌內部的認識開始發生變化。盡管谷歌從很早以前就開始使用機器學習技術，而且一直在這一領域積極聘請各類專家，但該公司直到2016年才開始真正痴迷於機器學習技術。谷歌CEO桑達爾·皮查伊(Sundar Pichai)在去年末的財報電話會議上闡述了該公司的想法：「機器學習是一項有顛覆性的核心技術，我們可以藉此重新思考我們做一切事情的方式。我們還會盡力將它應用於所有的產品中，包括搜索、廣告、YouTube或Play。我們還處於發展初期，但你會看到我們以系統化的方式將機器學習應用到所有這些領域之中。」

很顯然，如果谷歌要在旗下的所有產品中融入機器學習技術，就需要精通這項技術的工程師。正如機器學習暢銷書《演算法大師》(The Master Algorithm)的作者佩德羅·多明戈斯(Pedro Domingos)所說：「機器學習是陽光下的一項新生事物，這是一項可以自己發展的技術。」 編寫這樣的系統需要找到合適的數據，選擇合適的演算法，然後為成功營造合適的環境。之後就要給予系統足夠的信任(這對程序員來說是一件很難做到的事情)，讓它們自己完成工作。

「通過這種方式思考解決方案的人越多，我們就會變得越好。」谷歌機器演算法項目負責人傑夫·迪恩(Jeff Dean)說。他估計，谷歌目前約有2.5萬工程師，但只有幾千人精通機器學習，佔比大約為10%。他希望最終的比例能接近100%。「如果能讓所有工程師都在一定程度上掌握機器學習技術，那就太好了。」他說。

他認為這個願望能否實現呢？

「我們會盡力嘗試。」他說。

神奇技術

多年以來，約翰·迦南德里(John Gianandrea)一直都是谷歌機器學習的重要推動者，而作為該公司的最新動向，他最近成為了搜索業務主管。但當他2010年加盟該公司時(他是在谷歌收購MetaWeb時隨之一同加入谷歌的，那家公司的龐大資料庫已經以知識圖譜的形式整合到谷歌搜索中)，他在機器學習和神經網路方面並沒有太多經驗。

谷歌最權威的計算機科學專家傑夫·迪恩正在製作機器學習方面的工具，領導團隊進行相關工作。谷歌最權威的計算機科學專家傑夫·迪恩正在製作機器學習方面的工具，領導團隊進行相關工作。

但在2011年左右，來自神經信息處理系統(以下簡稱「NIPS」)大會的一條消息令他感到震驚。似乎每年都會有團隊在NIPS上宣布機器學習的最新進展，涉及翻譯、語音識別和視覺系統等諸多領域。一些令人驚訝的事情正在悄然發生。「當我第一次關注時，NIPS的內容十分晦澀難懂。」他說，「但過去3年間，這一領域在學術界和產業界都得到了蓬勃發展，去年的參會人數大約有6000人。」

隨著神經網路演算法的進步，加上摩爾定律帶來的強大計算能力，以及谷歌和Facebook等科技公司挖掘出來的龐大用戶數據，機器學習的新時代就此拉開帷幕。迦南德里也加入其中，他認為這將成為谷歌的核心。與他志同道合的還包括迪恩，他是「谷歌大腦」(Google Brain)的聯合創始人，這個神經網路項目來自谷歌旗下的研究部門Google X(現已更名為X)。

雖然迦南德里否認「機器會殺死我們」這樣的預言，但他的確認為，機器學習系統將成為一項革命性的技術，從醫療診斷到無人駕駛汽車，各行各業都將利用這種技術。雖然機器學習不會取代人類，但它卻會改變人類。

迦南德里以Google Photos為例進行了解釋。這款產品的標志性功能是能夠在圖片中識別出用戶指定的物品，這令人感覺頗為神秘，甚至有些不安。他給我展示一些邊境牧羊犬的圖片。「當有人第一次看到這個場景時，他們會以為發生了與眾不同的事情，因為電腦不僅為你計算出偏好，甚至還推薦你觀看一段視頻。」迦南德里說，「它可以理解畫面中的內容。」 他解釋道，通過專門的學習，電腦便可「知道」邊境牧羊犬的樣子，而且可以識別出不同年齡和毛長的邊境牧羊犬。

人類當然可以做到這一點。但沒有一個人能夠從數百萬張圖片中篩選出來這些照片，同時還能識別出不同的犬種。但機器學習系統就可以做到。如果它學會了一個犬種，便可使用相同的技術識別出另外9999個犬種。「這才是真正新穎的地方。」迦南德里說，「通過這樣一個狹小的領域，你可以看到某些人所謂的超人究竟能達到什麼效果。」

逐步探索

需要強調的是，谷歌早已了解機器學習的概念，該公司的創始人始終堅信人工智慧的前景。機器學習已經整合進谷歌的很多產品，盡管未必採用了最近大熱的神經網路技術(早期的機器學習往往依賴更加直接的統計方法)。

事實上，谷歌10年前就開始通過內部培訓，向該公司的工程師傳授積極學習技術。2005年初，當時負責谷歌搜索業務的彼得·諾維格(Peter Norvig)向科學家大衛·帕布洛·科恩(David Pablo Cohn)提出建議，希望了解谷歌能否採用卡內基梅隆大學組織的相關課程。科恩表示，只有谷歌自己才能教授這種內部課程，因為谷歌的運營規模與其他公司都大不相同(可能只有美國國防部是個例外)。所以他在谷歌總部的43號樓(那裡當時是搜索團隊的總部所在地)訂了一個大房間，每周三在那裡開設兩小時的課程。就連傑夫·迪恩也參加過幾次課程。「那是全世界最好的課程。」科恩說，「作為工程師，他們都比我優秀得多！」

那個課程廣受歡迎，甚至變得一座難求。就連班加羅爾辦事處的員工都會特意等到午夜過後接入遠程教學系統。幾年後，一些谷歌員工把授課演講內容製作成了短片，結束了直播授課的歷史。科恩認為，當時的那個課程算得上是MOOC(大規模開放在線課程)的先驅。接下來幾年，谷歌還針對機器學習培訓展開了其他的嘗試，但組織上並不嚴密，內容上也並不連貫。科恩2013年離開谷歌後，機器學習才突然間成為了至關重要的領域。

在2012年之前，這種認識尚未形成氣候，直到迦南德里決定「吸收大量從事這項工作的人」，並將他們安排到同一棟辦公樓之後。脫胎於該公司的X部門的谷歌大腦也加入進來。「我們吸收了很多團隊，將他們安排到同一棟辦公樓內，還提供了全新的咖啡機。」他說，「有些人之前只是一直在從事他們所謂的感知計算——聲音和語音識別等技術——現在都可以與那些從事語言工作的人展開溝通。」

逐漸地，這些工程師們開發的機器學習技術開始出現在谷歌的熱門產品中。由於視覺和語音識別以及翻譯是機器學習的主要領域，也就難怪這項技術成為谷歌語音搜索、翻譯和Photos等服務的重要組成部分。迪恩表示，隨著他和他的團隊對機器學習的理解逐步深入，他們開始以更具野心的方式探索這項技術。「我們之前或許會在系統的組件中使用機器學習技術，」他說，「現在則會使用這項技術替代整套系統，而不是為每一個組件設計更好的機器學習模式。」迪恩表示，如果現在讓他重新編寫谷歌的基礎架構，其中的很多內容都不再是預先編好的代碼，而是後期學習而來的。迪恩更為人所知的身份是Bit Table和MapRece等革命性系統的聯合創造者。

谷歌大腦聯合創始人格雷格·考拉多正在和多個團隊協作，將人工智慧轉化成為自己的軟體。谷歌大腦聯合創始人格雷格·考拉多正在和多個團隊協作，將人工智慧轉化成為自己的軟體。

機器學習還能夠實現一些原本無法想像的產品功能。2015年11月推出的Gmail自動回復便是其中之。這項功能源自谷歌大腦項目聯合創始人格雷格·考拉多(Greg Corrado)與Gmail工程師巴林特·米克洛斯(Bálint Miklós)之間的一次對話。考拉多之前曾經與Gmail團隊合作使用機器學習演算法探測垃圾信息，歸類郵件內容，但米克洛斯提出了一些更激進的建議。能否利用機器學習技術自動生成回復郵件，省去移動用戶在狹小的鍵盤上輸入文字的繁瑣過程。「我大吃一驚，因為這個建議太瘋狂了。」考拉多說，「我後來想，藉助我們一直以來都在研究的預測性神經網路技術，或許的確可能實現這種功能。一旦我們意識到這是一個機會的時候，就必須去嘗試一下。」

為了提高成功概率，谷歌讓考拉多和他的團隊與Gmail部門展開了密切合作。這種派遣機器學習專家進駐產品部門的做法如今已經越來越普遍。「機器學習既是科學又是藝術。」考拉多說，「這就像烹飪——沒錯，烹飪過程發生了化學反應，但對於真正對烹飪感興趣的人來說，必須要學習如何搭配手中的食材。」

傳統的人工智慧技術在理解語言時，需要將語音規則嵌入系統，但在這個項目中，系統可以利用現代化的機器學習技術，藉助足夠的數據像兒童一樣自學。「我的語言能力並不是從語言學家那裡學來的，而是通過聽別人說話學來的。」考拉多說。但真正令智能回復變得切實可行的，是它的成功很容易定義——他們的目的不是創造一個妖艷的虛擬斯嘉麗·約翰遜(Scarlett Johansson)，而是希望它能回復真正的電子郵件。「這項服務的成功標志是，系統可以生成一個對用戶有用的備選回復，以便用戶能夠真正使用這些內容。」他說。因此，只需要知道用戶是否點擊了系統推薦的回復內容，便可對其進行訓練。

但當該團隊開始測試智能回復時，用戶卻注意到了一些怪異的事情：它經常會推薦一些不合時宜的曖昧語言。「其中一個比較失敗的情況是：只要系統感覺困惑，它就會說『我愛你』。」考拉多說，「這並不是軟體漏洞，問題出在我們讓它做的事情上。」 這個程序已經了解了人類行為的一些微妙之處：「如果你感到擔憂，那麼說一句『我愛你』是一種很好的防禦策略。」 考拉多幫助該團隊壓制了系統的熱情。

去年11月發布的智能回復取得了巨大成功——Gmail Inbox應用的用戶現在可以直接從系統提供的三條備選內容中選擇一條進行回復。由於系統提供的回復內容非常切題，用戶經常感到驚訝。在通過該應用發送的回復信息中，有十分之一都是由機器學習系統生成的。「這個項目能夠成功還是令我感到有些驚訝。」考拉多笑著說。

類似於智能推薦這樣的例子還有很多，它們都充分說明機器學習系統在谷歌業務中發揮的作用。或許最終的拐點是當機器學習成為搜索的一個必不可少的組成部分時——作為谷歌的旗艦產品，搜索幾乎為該公司貢獻了所有營收。多年以來，由於搜索引擎對谷歌過於重要，所以始終沒有融入機器學習演算法。「由於搜索在公司內部占據的份額巨大，高級管理者深度參與其中，所以很多人都懷疑我們無法真正取得進展。」迦南德里說。

其中部分阻力源自文化因素——必須要讓那些有極強控制欲的程序員適應帶有禪宗韻味的機器學習模式。長期掌管谷歌搜索業務的阿密特·辛格(Amit Singhal)曾是傳奇計算機科學家傑拉德·薩爾頓(Gerald Salton)的助手。薩爾頓在文檔檢索方面的開創性工作啟迪辛格幫助謝爾蓋·布林(Sergey Brin)和拉里·佩奇(Larry Page)把研究生時期編寫的代碼，擴展成了可以適應當今網路時代的程序。(這使得他成為了「檢索派」的一員。)

他從20世紀的方法中梳理出了令人驚訝的結果，但如果要將機器學習系統整合到關系谷歌命脈的復雜系統中，他卻持懷疑態度。「進入谷歌的前兩年，我負責搜索質量，試圖用機器學習來改進排名。」大衛·帕布洛·科恩說，「結果發現阿米特的團隊是全世界最優秀的，我們把阿里特腦海中的所有內容都變成了硬編碼，以此實現進步。已經找不到比他更好的方法了。」

到2014年初，谷歌的機器學習大師們認為需要改變現狀。「我們與排名團隊展開了一系列討論。」迪恩說，「我們認為至少應該嘗試一下，看看能不能有一些收獲。」 他的團隊所設想的那個實驗最終成為了搜索的核心：文件排名與搜索請求的匹配程度有多高(需要以用戶的點擊為衡量標准)。「我們跟他們說，可以用神經網路計算額外的分數，看看到底有沒有用。」

答案是：確實有用。這套系統如今已經成為谷歌搜索的一部分，被稱作RankBrain。它於2015年4月上線。谷歌還是像以往一樣對如何改進搜索諱莫如深(究竟是與長尾理論有關？還是更好地解讀了模糊不清的搜索請求？)，但迪恩表示，RankBrain「融入到每一個搜索請求中」，雖然未必會影響所有的排名，但的確對很多搜索請求的排名都產生了影響。另外，實際的影響幅度也很大。在谷歌計算排名時所使用的數百個信號中(這些信號可能包括用戶所在的地理位置，或者頁面標題是否與搜索請求匹配)，RankBrain現在的用途排名第三。

「我們成功利用機器學習改進了搜索結果，這對公司來說意義重大。」迦南德里說，「這引發了很多人的關注。」 華盛頓大學教授佩德羅·多明戈斯則給出了另外一種說法：「檢索派與機器學習派始終都存在斗爭。機器學習最終贏得了勝利。」

內部培訓

谷歌面臨的新挑戰是如何讓所有工程師都熟悉機器學習。還有很多公司也都秉承著相同的目標，其中最引人關注的當屬Facebook，該公司與谷歌一樣著迷於機器學習和深度學習。這一領域的畢業生變得非常搶手，而谷歌正在努力保持對畢業生的吸引力：學術圈多年以來都流傳著一個玩笑：即使不需要頂尖學生，谷歌也會招聘他們，避免人才被競爭對手搶走。(這個玩笑的錯誤之處在於，谷歌的確需要這些人才。)「我的學生無一例外都得到了谷歌的錄用通知。」多明戈斯說。目前看來，競爭的激烈程度有增無減：就在上周，谷歌宣布將在蘇黎世開設一個新的機器學習實驗室，有很多工作崗位有待填補。

但由於學術項目尚未培養大量機器學習專家，為員工提供在職培訓面成為了必要措施。但這卻並非易事，尤其是對於谷歌這樣的公司而言。這里有很多世界頂尖工程師，他們一生都在研究傳統的編程方式。機器學習卻需要截然不同的思維模式，精通編碼的工程師之所以能有如今的成就，往往是因為他們希望完全控制一套編碼系統。機器學習還需要掌握一些數學和統計學知識，但是很多程序員卻對此不屑一顧的，即便是那些能夠寫出超長代碼的超級黑客也不例外。

克里斯汀·羅伯森的職責是在機器學習方面孵化谷歌內外的人員。克里斯汀·羅伯森的職責是在機器學習方面孵化谷歌內外的人員。

這還需要一定程度的耐心。「機器學習模型不是靜態代碼——你需要不斷為其提供數據。」羅伯森說，「我們一直在不停地更新模型，而且還要不斷學習，增加更多數據，調整預測方式。它就像是一個有生命的東西，這是一種截然不同的開發模式。」

「這是一個使用不同的演算法進行實驗的學科，需要挑選那些真正適合使用場景的訓練數據。」迦南德里說。盡管他也是新的搜索業務主管，但卻仍然把在谷歌內部傳播機器學習理念作為自己工作的一部分。「計算機科學那一部分不會消失，但需要更加關注數學和統計學，而對數十萬行代碼的關注度則需要相應地降低。」

至於谷歌所擔心的障礙，完全可以通過明智的在職培訓來解決。「歸根結底，這些模型中使用的數學原理並不那麼復雜。」迪恩說，「谷歌聘用的多數軟體工程師都可以掌握。」

為了進一步幫助不斷擴容的機器學習專家團隊，谷歌開發了一系列強大的工具，幫助他們選擇合適的演算法訓練模型，加快培訓和提煉過程。其中最強大的是TensorFlow，它可以加速神經網路的構建過程。TensorFlow源自谷歌大腦項目，由迪恩和他的同事拉加特·芒格(Rajat Monga)共同發明。它能把構建系統過程中涉及的晦澀難懂的細節變成標准化的內容——尤其是在谷歌2015年11月開始將其開放給公眾後，這種做法的效果更加得以顯現。

盡管谷歌煞費苦心地將這種行為描述為一種無私的舉動，但該公司也承認，如果新一代程序員都能熟悉該公司內部的機器學習工具，那對谷歌未來的招聘活動將會起到莫大的幫助。(質疑者甚至指出，谷歌的TensorFlow開源項目是為了追趕Facebook，後者已經在2015年6月公布了早期機器學習系統的深度學習模塊Torch。)不過，TensorFlow的功能以及谷歌的開源模式很快受到了程序員的歡迎。迦南德里表示，當谷歌首次提供TensorFlow課程時，共有7.5萬人報名參加。

但谷歌仍為自己的程序員保留了很多好東西。該公司在內部擁有一套更加優秀的機器學習工具——Tensor Processing Unit(以下簡稱「TPU」)。他們雖然使用這項創新已經多年時間，但直到最近才對外宣布。這是一種針對機器學習程序優化的晶元，就像GPU是專門針對圖形處理優化的晶元一樣。該公司的龐大數據中心裡使用了數以千計的TPU(具體有多少恐怕只有上帝和佩奇才知道)。通過賦予神經網路這種超級計算能力，TPU為谷歌帶來了巨大優勢。「如果沒有它，我們就無法實現RankBrain。」迪恩說。

但由於谷歌最需要的還是設計還提煉這些系統的人才，他們也在不斷嘗試各種方式來為工程師提供機器學習方面的培訓。這些培訓的規模各異，其中也包括為期兩天的速成班。谷歌希望這只是初步嘗試，工程師隨後還會尋找更多資源來深入學習。「已經有數千人報名參加下一次課程。」迪恩說。

該公司還在通過其他一些措施，為外部人才提供機器學習培訓。今年初春，谷歌啟動了Brain Residency項目，利用谷歌大腦項目為有潛力的外部人才提供了為期一年的集訓。「我們稱之為你的深度學習職業生涯的開端。」羅伯森說，他負責協助管理這個項目。盡管這27名來自不同學科的機器學習學員中，可能有一些會留在谷歌，但他表示，該公司的目的是讓他們自行發展，利用自己掌握的先進知識在世界各地傳播谷歌的機器學習技術。

前景廣闊

當今時代，機器學習正在逐步走上中心舞台，而谷歌則希望以人工智慧公司的身份繼續占據主導。所以，從某種意義上講，卡森·霍爾蓋特在忍者項目中學到的知識正是這一計劃的核心所在。

她的課程最初是一個為期4周的新兵訓練營，由谷歌最先進的人工智慧項目產品負責人提供指導，教給他們如何將機器學習融入項目中。「我們把忍者帶進會議室，格雷格·考拉多站在白板前解釋LSTM(長短期記憶，一種可以打造強大神經網路的技術)。他做著誇張的手勢，講述這種系統的工作方式、利用何種數學原理、如何應用於實際。」羅伯森說，「在最初的4個星期里，我們幾乎用到了我們的所有技術和所有工具，為的是給他們帶來切身體會。」

霍爾蓋特從新兵訓練營畢業了，她現在正在使用機器學習工具開發一款Android通訊功能，幫助谷歌員工彼此交流。她正在調整超參數，清理輸入數據，去掉停止詞。但她已經不可能回頭，因為她知道人工智慧技術就是谷歌的現在和未來，甚至可能是所有技術和所有東西的未來。

「機器學習時代已經來臨，」她說，「前景無比廣闊。」

㈢ java程序員如何轉型做大數據

有java基礎轉型大數據相對較為簡單
1、有著充足的學習資料
2、有著詳盡的學習課程安排
3、最好有人能給指導自己
4、有真實的項目讓自己實操
5、自己加倍努力

㈣ 普通程序員，轉行人工智慧怎麼轉

根據我的觀察，去解決具體問題是不劃算的，因為即便你對那個問題有深入的認識，仍然需要燒掉大量GPU，才能搞出一點效果來。看論文的話，有不少論文，連完整的公式都不列一遍的，就畫個layer的示意圖讓你自己蒙去。

還是造深度學習框架才是最好的。現有框架都太爛了，跑分基本上全靠cuDNN，碰到cuDNN里沒有的東西，就讓你自己去寫CUDA。而大部分人更需要的是能直接從數學公式到能運行的代碼。畢竟寫GPU代碼也非常花時間的。。

㈤ 如何從普通JAVA程序員向機器學習演算法工程師轉變

建議先看兩類書：（1）計算機原理；（2）數據結構和演算法。（看數據結構之前先看C語言）。 第二． Java、.net、C++、PB、VB、Delphi、匯編到底應該學哪個？哪個最簡單就先學哪個、公司用哪個就學哪個、哪個和有緣（比如剛好認識一個願意

㈥ 我想學人工智慧，現在是個初級程序員，到什麼程度可以學習人工智慧機器學習這種

說實話，人工智慧涉及到領域和課程太多，，學習門檻還是很高的。我現在在科大訊飛工作，我們這邊最近上線了一個AI大學，裡面的課程淺顯易懂很符合零基礎的人學習。AI 大學是訊飛開放平台發起搭建的國內首個AI在線學習平台，為所有AI群體提供學習分享和經驗交流的機會，秉承「開放、學習、互動、共享」的平台理念，旨在為AI領域開發者、興趣愛好者、專業學習群體等提供AI專業技術課程、平台運營資源、學習互動支持等服務。

建議你可以去看下，登錄AI大學官網即可，對了，裡面還有個專屬的通行證可以看下，除了全年的免費課程，還可以直接參加科大訊飛的線下發布會，點擊鏈接可以直接購買網頁鏈接

最後，希望能對題主有用，有問題也可以與我交流。

㈦ 後端開發如何轉行進人工智慧行業，如何快速入門

AI，也就是人工智慧，並不僅僅包括機器學習。曾經，符號與邏輯被認為是人工智慧實現的關鍵，而如今則是基於統計的機器學習占據了主導地位。最近火熱的深度學習正是機器學習中的一個子項。目前可以說，學習AI主要的是學習機器學習。
我們推薦機器學習路線是這樣的，如下圖：
機器學習路線圖
這個學習路線是這樣設計的：首先了解這個領域，建立起全面的視野，培養起充足的興趣，然後開始學習機器學習的基礎，這里選擇一門由淺入深的課程來學習，課程最好有足夠的實驗能夠進行實戰。基礎打下後，對機器學習已經有了充足的了解，可以用機器學習來解決一個實際的問題。這時還是可以把機器學習方法當作一個黑盒子來處理的。實戰經驗積累以後，可以考慮繼續進行學習。這時候有兩個選擇，深度學習或者繼續機器學習。
深度學習是目前最火熱的機器學習方向，其中一些方法已經跟傳統的機器學習不太一樣，因此可以單獨學習。除了深度學習以外，機器學習還包括統計學習，集成學習等實用方法。如果條件足夠，可以同時學習兩者，一些規律對兩者是共通的。學習完後，你已經具備了較強的知識儲備，可以進入較難的實戰。這時候有兩個選擇，工業界的可以選擇看開源項目，以改代碼為目的來讀代碼；學術界的可以看特定領域的論文，為解決問題而想發論文。無論哪者，都需要知識過硬，以及較強的編碼能力，因此很能考察和鍛煉水平。經過這個階段以後，可以說是踏入AI領域的門了。
坦白的說，普通程序員轉機器學習並不是一件輕松的事情。機器學習卻需要截然不同的思維模式。「機器學習模型不是靜態代碼——你需要不斷為其提供數據。」正如谷歌大腦項目（Brain Residency）負責人羅伯森說，「我們一直在不停地更新模型，而且還要不斷學習，增加更多數據，調整預測方式。它就像是一個有生命的東西，這是一種截然不同的開發模式。」
當然你可以通過掌握一些開源框架如TensorFlow開源項目來加快學習進度。

㈧ Python培訓之普通程序員如何向人工智慧方向轉型

隨著人工智慧時代呼聲漸起，Python憑借其入門簡單、應用廣泛的優勢成為很多想要入行互聯網行業的人們的首選編程語言。如果你想學一門語言，可以從語言的適用性、學習的難易程度、企業主的要求幾個方面考慮。從這幾個角度看，學習Python都沒有什麼可挑剔的。

㈨ 25歲Java工程師如何轉型學習人工智慧

外行所見的是2016年AlphaGo 4比1 戰勝李世石，掀起了一波AI熱潮，DeepMind背後所用的深度學習一時間火得不得了。其實在內行看來，AlphaGo對陣李世石的結果是毫無懸念的，真正的突破在幾年前就發生了。
2012年，Gefferey Hinton的學生Alex使用一個特別構造的深度神經網路（後來就叫AlexNet），在圖像識別的專業比賽ImageNet中，得到了遠超之前最好成績的結果，那個時候，整個人工智慧領域就已經明白，深度學習的革命已經到來了。
果然，之後深度學習在包括語音識別，圖像理解，機器翻譯等傳統的人工智慧領域都超越了原先各自領域效果最好的方法。從2015年起，工業界內一些嗅覺靈敏的人士也意識到，一場革命或已到來。
機器學習與深度學習
深度學習是機器學習中的一種技術，機器學習包含深度學習。機器學習還包含其他非深度學習的技術，比如支持向量機，決策樹，隨機森林，以及關於「學習」的一些基本理論，比如，同樣都能描述已知數據的兩個不同模型，參數更少的那個對未知數據的預測能力更好（奧卡姆剃刀原理）。
深度學習是一類特定的機器學習技術，主要是深度神經網路學習，在之前經典的多層神經網路的基礎上，將網路的層數加深，並輔以更復雜的結構，在有極大量的數據用於訓練的情況下，在很多領域得到了比其他方法更好的結果。
機器學習與大數據
大數據：機器學習的基礎，但在多數語境下，更側重於統計學習方法。
機器學習，深度學習，數據挖掘，大數據的關系可以用下圖表示

深度學習火起來之後，網上關於深度學習的資料很多。但是其質量參差不齊。我從2013年開始就關注深度學習，見證了它從一個小圈子的領先技術到一個大眾所追捧的熱門技術的過程，也看了很多資料。我認為一個高質量的學習資料可以幫助你真正的理解深度學習的本質，並且更好地掌握這項技術，用於實踐。
以下是我所推薦的學習資料：
首先是視頻課程。
Yaser Abu-Mostafa
加州理工的Yaser Abu-Mostafa教授出品的機器學習網路課程，非常系統地講解了機器學習背後的原理，以及主要的技術。講解非常深入淺出，讓你不光理解機器學習有哪些技術，還能理解它們背後的思想，為什麼要提出這項技術，機器學習的一些通用性問題的解決方法（比如用正則化方法解決過擬合）。強烈推薦。
課程名稱：Machine Learning Course - CS 156
視頻地址：
https://www.youtube.com/watch?v=mbyG85GZ0PI&list=PLD63A284B7615313A
Geoffrey Hinton
深度學習最重要的研究者。也是他和另外幾個人（Yann LeCun，Yoshua Bengio等）在神經網路被人工智慧業界打入冷宮，進入低谷期的時候仍然不放棄研究，最終取得突破，才有了現在的深度學習熱潮。
他在Coursera上有一門深度學習的課程，其權威性自不待言，但是課程製作的質量以及易於理解的程度，實際上比不上前面Yaser Mostafa的。當然，因為其實力，課程的干貨還是非常多的。
課程名稱：Neural Networks for Machine Learning
課程地址：Neural Networks for Machine Learning | Coursera
UdaCity
Google工程師出品的一個偏重實踐的深度學習課程。講解非常簡明扼要，並且注重和實踐相結合。推薦。
課程名稱：深度學習
課程地址：深度學習（中/英） | Udacity
小象學院
國內小象學院出品的一個深度學習課程，理論與實踐並重。由紐約城市大學的博士李偉主講，優點是包含了很多業內最新的主流技術的講解。值得一看。
課程名稱：深度學習（第四期）
課程地址： 《深度學習》第四期 - 小象學院 - 互聯網新技術學習平台|人工智慧|大數據|機器學習|深度學習|Python|Java|Hadoop|Spark|Linux|MySQL|數據分析
推薦閱讀書目
《Deep Learning the Book》 —— 這本書是前面提到的大牛Yoshua Begio的博士生Goodfellow寫的。Goodfellow是生成式對抗網路的提出者，生成式對抗網路被Yann LeCun認為是近年最激動人心的深度學習技術想法。這本書比較系統，專業，偏重理論，兼顧實踐，是系統學習深度學習不可多得的好教材。
英文版：http://deeplearningthebook.com
目前Github上已經有人翻譯出了中文版：
exacity/deeplearningbook-chinese
不同的人有不同的需求，有些人希望掌握好理論基礎，然後進行實踐，有些人希望能夠快速上手，馬上做點東西，有些人希望理論與實踐兼顧。下面推薦幾條學習路徑，照顧到不同的需求。大家可以根據自己的特點進行選擇。
Hard way
Yaser -> Geoffrey Hinton -> UdaCity -> Good Fellow
特點：理論扎實，步步為營。最完整的學習路徑，也是最「難」的。
推薦指數： 4星
Good way
Yaser -> UdaCity -> 小象學院 -> Good Fellow
特點：理論扎實，緊跟潮流，兼顧實戰，最後系統梳理。比較平衡的學習路徑。
推薦指數： 5星
"Fast" way
UdaCity -> Good Fellow
特點：快速上手，然後完善理論。
推薦指數： 4星
"碼農" way
UdaCity
特點：快速上手，注重實踐。
推薦指數： 3星
阿里巴巴演算法工程師應屆生招聘崗位，歡迎大家投遞簡歷：演算法工程師-機器學習 Software engineer -Machine Learning
演算法工程師-語音對話交互 Software engineer -Speech & Interaction
演算法工程師-自然語言處理 Software engineer -Natural Language Processing
演算法工程師-圖像圖形 Software engineer - Computer Vision & Graphics
基礎平台研發工程師 Software Engineer – Platform

㈩ java程序員 能轉機器學習嗎

機器學習應該是需要編程的經驗，也需要很多數學方面的知識，我覺得java程序員是可以轉的，後期再學習一些專門的機器學習的演算法之類的。