程序員第一次轉型

A. 程序員如何轉型成為大數據工程師

主要是從兩者所要求的能力上來分析。首先，編碼能力越強的程序員，越有可能成為，優秀的大數據工程師。

其次，大數據工程師需要統計學、與應用數學相關的能力背景，數據挖掘與分析，是需要設計數據模型和演算法的，應該說程序員，是有這個基礎的，厲害的程序員，一般都不是科班出來的，通常是數學專業，因此提高演算法設計能力，是程序員轉型大數據工程師的關鍵因素。

第三，大數據工程師需要具備某一行業的業務知識。大數據的挖掘與分析，最終都要服務於市場，並對產品的銷售與企業的發展，起到重大推動作用，那才是有價值的大數分析。

在美國，大數據工程師平均年薪，達 17.5 萬美元(摺合人民幣大概 105 萬左右)，在中國頂尖的互聯網公司里，大數據工程師的薪酬，比同級別的其他職位高出 30% 以上。

DT 時代來得太突然了，國內發展勢頭很猛，而大數據相關的人才，卻非常的有限，在未來若干年內，都會是供不應求的狀況，指望大學培養出合格的大數據人才，有如天方夜譚，因此程序員們，你們的春天到了!

關於程序員如何轉型成為大數據工程師，青藤小編就和您分享到這里了。如果您對大數據工程有濃厚的興趣，希望這篇文章可以為您提供幫助。如果您還想了解更多關於數據分析師、大數據工程師的技巧及素材等內容，可以點擊本站的其他文章進行學習。

B. 程序員轉行都干什麼去了

有人說程序員掙錢很多，但為什麼經常聽說程序員想轉行呢？
程序員轉行一般有以下幾個原因：（1）年齡大後，技術條件跟不上。編寫程序不僅僅靠的是技術，精力也很重要。隨著人的年齡增長，反應力、邏輯能力等都會下降。對應編程行業這些方面都是有限資源，幾年的高強度腦力勞動，會使程序員的身心疲憊。
（2）工作壓力大。俗話說：「有命掙錢，沒命花」，說的就是程序員。
（3）編程工作耗時耗力，陪伴親人的時間很少。
以上幾點就是程序員轉行的部分原因，這里沒法一一列出，因人而異！
程序員轉行，一般有幾條出路：去軟體教學機構充當管理者或者培訓員；去高校任職，輕松不說，各方面福利也不錯；自己開個小公司、做網站經營；或者徹底轉行，從事與軟體無關的行業，畢竟編程這樣高邏輯的東東都可以搞定，學習能力還是有的。望採納，謝謝！

C. 如何從程序員成功轉型成為公司的老闆

程序員是一個技術崗位，老闆是一個經營崗位，技術人員拿的是穩定的薪酬，老闆要接受的是風險很高、很不穩定的利潤。技術人員的薪酬永遠是正數，老闆的利潤有可能是負數。當老闆要承受最大的不確定性。程序員要轉型成為老闆，需要一個磨煉的艱苦過程。你首先要很優秀，當老闆不僅要懂技術，還要懂格局、懂經營、懂銷售、懂管理、懂人事、懂金融，所以程序員轉型成老闆，挑戰很大，你需要有經營管理的天賦。
如果你能在管理崗位上鍛煉一個階段最好。不能的話，你如果在某個技術領域是頂尖高手，還有很高的經營管理天賦也可以。即使你很優秀，創業也是九死一生的過程，創業死亡率非常高，成功者都是踏著死亡公司的屍體上來的，你需要面對和承受長期的這個過程。所有人創業當老闆，都是一個低概率的成功事件，如果你具備條件，能夠承受一切折磨，可以去投入到創業的洪流中。

D. 程序員轉型做什麼好

程序員轉型可以做的職業很多，比較有前途的有創業、研發管理、產品經理、培訓師、銷售、運維等，具體原因如下：

一、創業。最近幾年，IT行業中因為創業實現逆襲、直接當上CEO、贏取白富美、走上人生巔峰的例子頻頻出現。Facebook以190億美元的價格收購了WhatsApp，而WhatsApp創立也就不到五年時間。同時，Facebook創始人扎克伯格同時也是一位創業者。開發者在IT領域創業有自身的優勢，自己擁有技術，能夠保證產品品質。

二、研發管理。這也是我們比較常見的軟體開發者職業生涯軌跡發展道路，先在研發一線崗位實戰錘煉，獲得更多經驗之後，逐漸走向管理崗位：工程師、項目經理、研發總監、技術副總、CTO??轉向研發管理崗位的開發者，需要具有一定的領導管理能力，當然，能夠有領袖氣質自然能夠更好的做好這些工作。

三、產品經理。國內目前最牛逼的產品經理非微信之父張小龍莫屬，如果你擁有絕佳的洞察力，能夠了解人性需求，相信自己可以創造出人人都願意的產品，你也可以像張小龍一樣，升職加薪、當上總經理、出任CEO、迎娶白富美、走上人生巔峰。

四、培訓講師。「三人行，必有我師」，你希望成為那個「師」嗎？口若懸河、侃侃而談，你的學生仰望著你，你看著學生一步步走向成功、升職加薪、當上總經理、出任CEO、迎娶白富美、走上人生巔峰也未嘗不是人生一大樂事。

五、銷售。如果你在做項目的過程中與甲方建立起了深厚的「友誼」，當然你也可以轉行去做銷售。而且開發出身的銷售，起碼比較務實，也比較容易和客戶建立起信任。

六、運維。即使程序員的代碼寫的很爛，但只要對產品熟悉，轉行做運維還是可行的。畢竟運維基本上不用太大的技術含量。

E. 程序員轉行能做什麼

程序員的工作相對來說比較枯燥。雖然在軟體開發領域會有一定的經驗和專長。但是如果轉行的話對其他領域未免會感到陌生。如果根據經驗選擇職業，排名靠前的依然是程序員。因為這是他的專業領域。具有了一定級別。那麼收入也將非常可觀。

F. 程序員以後不從事IT行業，可以轉行做什麼

需要不斷地學習新知識。當然，任何行業都需要學習新知識。但IT行業需要的是技術知識，而且，一旦跟不上，以前的就知識也就沒什麼用了。比如，的界面開發，現在卻幾乎沒人用了。年輕化。技術方面，只需要年輕人。尤其是計算機軟體開發，越年輕越好還是個程序員，基本上沒希望了。當然，可以走管理層。但那需要要麼有超強的技術基礎，要麼有超強的市場眼光。可惜，我都沒有，直到現在，仍然是個初學者。

G. 你是如何從程序員轉型做產品經理的

程序員的工作其實和產品經理還是有很大的區別的，最大的區別就是你自己做程序員的時候，只需要考慮的是你的產品的問題。而當你轉型最產品經理了就不是這么簡單了，你還需要考慮就是這個市場調查的用戶需求問題，以及你的產品線的組合問題。

產品問題

你從程序員向產品經理轉型的過程中最重要就是做好這一點。你需要改變的就是你不能僅僅只看這個產品的質量的問題，不能僅僅去修一修BUG呀，你需要的是有一個全局的思想的。

如果你想要從一個程序員轉為產品經理的話，你需要改變的事有很多的，比如你對待產品的問題上，以及這個產品組合上，你需要學習的還是有很多的。

H. 普通程序員如何向人工智慧方向轉型

當下，人工智慧已經成為越來越火的一個方向。普通程序員，如何轉向人工智慧方向，是知乎上的一個問題。

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。「師傅領進門，修行在個人」。之後的路就要自己走了。

下面是關於每個階段的具體介紹：

0.領域了解

在學習任何一門知識之前，首先第一步就是了解這個知識是什麼?它能做什麼事?它的價值在什麼地方?如果不理解這些的話，那麼學習本身就是一個沒有方向的舟，不知道駛向何處，也極易有沉船的風險。了解這些問題後，你才能培養出興趣，興趣是最好的引路人，學習的動力與持久力才能讓你應付接下來的若干個階段。關於機器學習是什麼，能做什麼，它與深度學習以及人工智慧的關系，可以看我寫的博客從機器學習談起。

1.知識准備

如果你離校過久，或者覺得基礎不牢，最好事先做一下准備復習工作。「工欲善其事，必先利其器」。以下的准備工作不多，但足以應付後面階段的學習。

數學：復習以下基本知識。線性代數：矩陣乘法;高數：求導;概率論：條件與後驗概率。其他的一些知識可以在後面的學習的過程中按需再補;

英文：常備一個在線英文詞典，例如愛詞霸，能夠不吃力的看一些英文的資料網頁;

FQ：可以隨時隨地上Google，這是一個很重要的工具。不是說網路查的不能看，而是很多情況下Google搜出來的資料比網路搜的幾十頁的資料還管用，尤其是在查英文關鍵字時。節省時間可是很重要的學習效率提升;

2.機器學習

機器學習的第一門課程首推Andrew Ng的機器學習。這門課程有以下特點：難度適中，同時有足夠的實戰例子，非常適合第一次學習的人。cs229這門課程我這里不推薦，為什麼，原因有以下：

時間：cs229的時間太早，一些知識已經跟不上當今的發展，目前最為火熱的神經網路一筆帶過。而Cousera上神經網路可是用了兩個課時去講的!而且非常詳細;教學：Ng在cs229時候的教學稍顯青澀，可能是面對網路教學的原因。有很多問題其實他都沒有講清楚，而且下面的人的提問其實也很煩躁，你往往不關心那些人的問題。這點在Coursera上就明顯得到了改善，你會發現Ng的教學水平大幅度改善了，他會對你循循善誘，推心置腹，由淺入深的教學，在碰到你不明白的單詞術語時也會叫你不要擔心，更重要的，推導與圖表不要太完善，非常細致清晰，這點真是強力推薦;字幕：cs229的字幕質量比Coursera上的差了一截。Coursera上中文字幕翻譯經過了多人把關，質量很有保證;作業：cs229沒有作業，雖然你可以做一些，但不會有人看。這點遠不如Coursera上每周有deadline的那種作業，而且每期作業提交上去都有打分。更重要的是，每期作業都有實際的例子，讓你手把手練習，而且能看到自己的成果，成就感滿滿!

3.實踐做項目

學習完了基礎課程，你對機器學習就有了初步了解。現在使用它們是沒有問題的，你可以把機器學習演算法當作黑盒子，放進去數據，就會有結果。在實戰中你更需要去關心如何獲取數據，以及怎麼調參等。如果有時間，自己動手做一個簡單的實踐項目是最好的。

這里需要選擇一個應用方向，是圖像(計算機視覺)，音頻(語音識別)，還是文本(自然語言處理)。這里推薦選擇圖像領域，這裡面的開源項目較多，入門也較簡單，可以使用OpenCV做開發，裡面已經實現好了神經網路，SVM等機器學習演算法。項目做好後，可以開源到到 Github 上面，然後不斷完善它。實戰項目做完後，你可以繼續進一步深入學習，這時候有兩個選擇，深度學習和繼續機器學習;

4.深度學習

深度學習：深度學習是目前最火熱的研究方向。有以下特點：知識更新快，較為零碎，沒有系統講解的書。因此學習的資源也相對零散，下面是一些資源介紹。其中不推薦的部分並不代表不好，而是在這個初學階段不合適：

推薦，UFLDL：非常好的DL基礎教程，也是Andrew Ng寫的。有很詳盡的推導，有翻譯，且翻譯質量很高;推薦，Deep learning (paper)：2015年Nature上的論文，由三位深度學習界的大牛所寫，讀完全篇論文，給人高屋建瓴，一覽眾山小的感覺，強烈推薦。如果只能讀一篇論文了解深度學習，我推薦此篇。這篇論文有同名的中文翻譯;推薦，Neural networks and deep learning：這本書的作者非常擅長以淺顯的語言表達深刻的道理，雖然沒有翻譯，但是閱讀並不困難;推薦，Recurrent Neural Networks：結合一個實際案例告訴你RNN是什麼，整篇教程學完以後，會讓你對RNN如何產生作用的有很清晰的認識，而這個效果，甚至是讀幾篇相關論文所沒有的;不推薦，Neural Networks for Machine Learning University of Toronto Coursera：深度學習創始人教的課，最大的問題是太難，而且老先生的吐字有時不是很標准;不推薦，Deep Learning (book)：同樣也是由深度學習大牛所寫的書，但感覺就像是第二作者，也就是他的學生所寫的。很多內容都講了，但是感覺也沒講出什麼內容來，只是告訴你來自那篇論文，這樣的話可能直接閱讀論文更合適。不推薦，cs231n：李菲菲的課程，很有名，專門講CNN。但是這門課程有一個最大的問題，就是沒有字幕，雖然有youtube的自動翻譯字幕，但有還不如沒有。

5.繼續機器學習

深度學習未必就是未來的一定主流，至少一些大牛是這么認為的。傳統的機器學習有如下特點，知識系統化，有相對經典的書。其中統計學習(代表SVM)與集成學習(代表adaboost)是在實踐中使用非常多的技術。下面是相關資源：

推薦，機器學習(周志華)：如果是在以前，機器學習方面的經典教材首推PRML，但現在周老師的書出來以後，就不再是這樣了。首先推薦讀周老師的書。這本書有一個特點，那就是再難的道理也能用淺顯精煉的語言表達出來。正如周老師的名言：「體現你水平的地方是把難的東西講容易了，而不是把容易的東西講難，想把一個東西講難實在太簡單」;

不推薦，Pattern Recognition And Machine Learning：當前階段不推薦。PRML是以貝葉斯的觀點看待很多機器學習方法，這也是它的一大特色。但對於初學者來說，這種觀點其實並無必要。而且此書沒有中文翻譯，當前階段硬啃很容易放棄;

6.開源項目

當知識儲備較為充足時，學習可以再次轉入實踐階段。這時候的實踐仍然可以分兩步走，學習經典的開源項目或者發表高質量的論文。開源項目的學習應該以盡量以優化為目的，單純為讀代碼而學習效果往往不太好。好的開源項目都可以在Github 里搜索。這里以深度學習為例。深度學習的開源優秀庫有很多，例如torch，theano等等，這里列舉其中的兩個：

推薦，DeepLearnToolbox：較早的一個深度學習庫，用matlab語言撰寫，較為適合從剛學習的課程轉入學習。遺憾的是作者不再維護它了;

推薦，tensorflow：Google的開源庫，時至今日，已經有40000多個star，非常驚人，支持移動設備;

7.會議論文

較好的課程都會推薦你一些論文。一些著名的技術與方法往往誕生於一些重要的會議。因此，看往年的會議論文是深入學習的方法。在這時，一些論文中的內容會驅使你學習數學中你不擅長的部分。有時候你會覺得數學知識儲備不夠，因此往往需要學習一些輔助課程。

當你看完足夠的論文以後，在這個階段，如果是在校學生，可以選擇某個課題，以發論文為目的來學習研究。一般來說，論文是工作的產物。有時候一篇基於實驗的論文往往需要你寫代碼或者基於開源項目。因此開源項目的學習與會議論文的工作兩者之間是有相關的。

兩者可以同時進行學習。關於在哪裡看論文，可以看一下CCF推薦排名，了解一下這個領域里有哪些優秀的會議。

下面介紹兩個圖像與機器學習領域的著名頂級會議：

CVPR：與另兩個會議ICCV和ECCV合稱計算機視覺領域的三大會，注意會議每年的主頁是變動的，因此搜索需要加上年份;Conference on Neural Information Processing Systems：簡稱NIPS，許多重要的工作發表在這上面，例如關於CNN的一篇重要論文就是發表在上面;

8.自由學習

到這里了，可以說是進入這個門了。下面可以依據興趣來自由學習。前階段不推薦的學習資源也可隨意學習，下面是點評：

cs229：Ng寫的講義很不錯，其中關於SVM的推導部分很清晰，想學習SVM推薦;Neural Networks for Machine Learning：大牛的視角跟人就是不一樣，看看Hinton對神經網路是怎麼看的，往往會讓你有種原來如此的感悟。其實看這門課程也等同於讀論文，因為幾乎每節課的參考資料里都有論文要你讀;CS231n: Convolutional Neural Networks for Visual Recognition：最新的知識，還有詳細的作業。國內應該有團隊對字幕進行了翻譯，可以找找;PRML：作為一門經典的機器學習書籍，是很有閱讀必要的，會讓你對機器學習擁有一個其他的觀察視角;

五.總結

本文的目的是幫助對AI領域了解不深，但又想進入的同學踏入這個門。這里只說踏入，是因為這個領域的專精實在非常困難，需要數年的積累與努力。在進行領域學習前，充分認識自己的特點，制定合適的學習方法是十分重要的。

首先得對這個領域進行充分了解，培養興趣。在學習時，保持著循序漸進的學習方針，不要猛進的學習過難資源;結合著學習與實踐相輔的策略，不要只讀只看，實際動手才有成就感。學習某個資源時要有充分的目的，不是為了學開源項目而看代碼，而是為了寫開源項目而看;不是為了發論文而寫論文，而是為了做事情而寫論文。

本文來自公眾號：「大技術技術匯」，guanzhu了解大數據行業學習大數據技術和學習路線，還有免費學習資料放送。

如果一個學習資源對你過難，並不代表一定是你的問題，可能是學習資源的演講或撰寫人的問題。能把難的問題講簡單的人才是真正有水平的人。所以，一定要學習優質資源，而不是不分青紅皂白的學習。最後，牢記以興趣來學習。學習的時間很長，過程也很艱難，而只有興趣才是讓你持之以恆，攻克難關的最佳助力。

I. 程序員轉行可以做什麼

面對著日新月異的代碼和語言，你是否感到了力不從心？稍有懈怠，就跟不上崗位需要了？身體漸漸的發福，熬夜寫代碼開始扛不住了嗎？

這個時代很殘酷也相對公平，殘酷的地方在於世界的變化之快容不得人有片刻懈怠，公平的地方在於：不論你是年輕還是年老，都要靠實力說話。

那些被時代拋棄的永遠都是跑得比較慢甚至在原地徘徊的人，即所謂的工作十年卻只有一年工作經驗。

年輕程序員的優勢在於年輕和激情，大齡程序員的優勢在於閱歷和經驗。所以，年輕程序員不要有跨越年齡階段的焦慮，大齡程序員也不要覺得年輕人搶了自己的飯碗。

每個年齡段都有自己要解決和面臨的問題，認清自己內心真正的需求和渴望，再去尋找適合自己的棲身之地打怪升級，才是當務之急哦。