從程序員到智能化交易

A. 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。

B. 從普通程序員到今日頭條CEO，張一鳴是如何做到的

可以說張一鳴的成功是憑借著自己有面對不確定因素的能力，張一鳴在沒有創辦頭條之前，就已經連續與創業5次，在這幾次創業當中，雖然都以失敗而告終，但是對於張一鳴來說，卻從這些創業的過程當中收獲了很多的東西，能夠讓自己在技術上變得越來越精進，就連技術之外的其他方面也掌握的非常熟悉了，所以張一鳴後來提到自己創辦頭條的時候，就說如果說沒有前期這4次創業的經歷，那麼就沒有後來頭條的出現，張一鳴有著非常敏銳的頭腦。

張一鳴能溝通一個非常普通的程序員到後來成為頭條的CEO，在這一段成長的過程當中，經歷了多少的辛苦，可能只有張一鳴能夠知道，所以想要成功就要付出努力。

C. 量化程序化交易員程序員 這個是什麼壓力大嗎

量化交易也叫程序化交易，是國內證券交易、期貨交易快速發展的交易方式，歐美市場上60%-70%的證券、期貨交易時通過程序化完成的。程序化交易講究團隊運營，資產管理公司一般設置策略研究員、量化交易程序員、交易員、風控等崗位。量化交易程序員的主要職責就是把策略研究員的交易邏輯、交易思想用計算機語言編程。編程完成以後還要做測試以及參數修改等工作。程序員最基本的要求你要懂得最常見的計算機語言，如C++,Python,最好懂AutoIt、MATLAB、R語言。程序化交易員對計算機語言的要求不太高，但是要有證券交易經驗，會看K線圖，懂得基本的技術分析理論、技術指標，這些是必須的。很多公司的程序化交易也不是完全計算機執行的，你需要懂得在什麼樣的市場行情使用怎樣的交易策略，當一套策略系統一段時間運行表現不佳的時候要會分析市場機構的變化。正規的資產管理公司很少會聘期完全沒有交易經驗的交易員，不會聘請不懂計算機語言的程序員。如果你符合如上說的條件可以去應聘。至於壓力，要比主觀交易的操盤手要輕得多，是否加班主要取決於該公司投資的產品是國內還是境外的市場，如果是國內證券、期貨產品，比較少加班吧，境外市場會有人上夜班。非交易時間外的加班，這得看工作需要與企業文化啦。不知我這樣回答你清楚嗎？

D. 關於從IT程序員轉行到其他行業

建議想轉行做IT的「小白」這么做：

• 邏輯能力強，且有計算機功底，入坑游戲開發、大數據開發和分析、VR，全棧開發；

• 學歷不高、自覺學習能力有限的，入坑運維或網路工程、軟體測試；

• 女生多不喜歡編程，可以考慮學Web開發、UI設計、軟體測試；

E. 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。。

F. 請問有哪位程序員幫我編個外匯智能交易程序呀!價錢好商量Q:704670425

外匯軟體有啊～程序員編的可能會有一定的漏洞，安全性不高。如果不用來交易就沒關系。可惜我還在考高程...技術不到位～呵呵

G. 我是如何從程序員到年入80萬的自由職業者的

1.最簡單的方法：
public static String reverse1(String str)
{
return new StringBuffer(str).reverse().toString();
}
2.最常用的方法：
public static String reverse3(String s)
{
char[] array = s.toCharArray();
String reverse = ""; //注意這是空串，不是null
for (int i = array.length - 1; i >= 0; i--)
reverse += array[i];
return reverse;
}
3.常用方法的變形：
public static String reverse2(String s)
{
int length = s.length();
String reverse = ""; //注意這是空串，不是null
for (int i = 0; i < length; i++)
reverse = s.charAt(i) + reverse;//在字元串前面連接， 而非常見的後面
return reverse;
}
4.C語言中常用的方法：
public static String reverse5(String orig)
{
char[] s = orig.toCharArray();
int n = s.length - 1;
int halfLength = n / 2;
for (int i = 0; i <= halfLength; i++) {
char temp = s[i];
s[i] = s[n - i];
s[n - i] = temp;
}
return new String(s); //知道 char數組和String相互轉化
}

H. 從程序員到DBA，該如何走

secureCRT其實就是類似於WINDOWS的命令提示符，也就是cmd
secureCRT是一個管理遠端主機的一個應用程序，無非是些命令
如果單純從oracle角度考慮，用cmd足夠
而且你要用secureCRT連接你自己機子的oracle server
secureCRT里有多種協議，如telnet或ssh2等
你自己機器里的這些埠都開了嗎？沒開的話當然連不上了
你在你windows上用secureCRT是把簡單化的東西弄復雜了
如果真的是想用secureCRT的話，可以考慮在你機器上裝個linux系統，linux和unix基本的命令沒太大區別，而且好像也不是特別大，只不過你還要在linux下裝個資料庫
oracle9i用起來還是比較舒服的，至於是否轉向DBA完全看自己個人意願，DBA一般不搞開發，不過你要是程序員的話，好像要學的東西還挺多，一點建議

哎，累，打這么多

I. 什麼是智能化交易

智能交易是Expert Advisor(簡稱EA)的中文譯名，也可譯作「專家問」，俗稱智能交易系統，是由電腦模擬交易員的下單操作進行機器交易的過程；電腦根據預先編輯好的交易策略程序來執行交易定單。自動交易策略主要包括三要素：定單執行，風險管理和資金管理。

J. 程序員轉行做人工智慧能成功嗎

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。