ng程序员

A. 没考上大学，学点什么技术好呢ng

学厨师是很不错的，现在随着人们生活品质的提高，外出就餐的频率也越来越多了，所现在餐饮业的发展很是迅速，厨师这个行业现在的需求量是很大的。
厨师还是很有优势的：
1、学厨师 热门行业、高薪职业、永不失业。作为人们的需求，它不是新兴产业，不会被淘汰。只有菜品的举一反三，不会存在产品的更新换代。
2、学厨师 发展好，提升空间大。厨师长、行政总厨等都是目前紧缺的人才，也是学厨师一直努力的目标，高薪紧缺的职位，只有在餐饮界才会出现，厨师永远都是你的首选。
3、 学厨师 投入小，回报大。不论你出身在哪里，不论你贫穷富贵，只要你肯努力，不用投资上百万，你就可以拥有自己的事业。
4、学厨师 花费时间少，就业成才快。易学、易懂、起点为零。从基础开始，不用你懂电路图，也不需要你会编程，只要动手去做，课程都能学会。
5、 餐饮业的飞速发展，订单式培养，不用再去人才济济的双选会，你就可以成为高薪人士。
新东方烹饪学校有大专学历的。目前的话，一年制以上专业，推荐就业的。两年制和三年制专业，都是大中专学历

B. 关于后端程序员写前端用什么框架更好

前端框架好不好用还是要具体情况具体分析，我这边给你推荐11个前端常用的框架，你可以按需使用。

1、vue-element-admin

一个基于vue2.0和Element的控制面板UI框架，这是使用vue技术栈开发的前端程序员的首选管理系统模板，模板已经非常成熟了，并且有相关的社区和维护人员，开发时遇到问题也不要慌。

2、AdmimLTE

非常流行的基于Bootstrap 3.x的免费的后台UI框架，这是一个非常老牌的后台管理系统模板，每个页面都是单独的html网页，适合前端入门新手来做项目。

3、ant-design-pro

这个就不多说了，选择react技术栈的童鞋们必然离不开这个优秀的开箱即用的中台前端/设计解决方案，文档齐全，组件丰富，一键生成模板，更支持开启复制粘贴模式哦。

4：ng2-admin

这是基于 Angular 2, Bootstrap 4 和 Webpack的后台管理面板框架，要说前面已经有了react和vue技术栈的模板，那怎么能少的了ng的?虽然在国外用的比较多，国内较少使用，但丝毫不影响ng作为前端框架三大巨头之一的地位呀。

9：material-dashboard

基于 Bootstrap 4 和 Material 风格的控制面板。Material Dashboard 是一个开源的 Material

Bootstrap Admin，其设计灵感来自谷歌的 Material Design 。

10：d2-admin

D2Admin 是一个完全 开源免费 的企业中后台产品前端集成方案，基于 vue.js 和 ElementUI 的管理系统前端解决方案 ，小于 60kb的本地首屏 js 加载,已经做好大部分项目前期准备工作

11：vuestic-admin

vuestic-admin管理台仪表盘是一个响应式的仪表盘模板，采用Bootstrap4和Vue.js构建。这个精美的管理台模板提供了自定义元素组件，如地图，聊天，个人资料卡，图标，进度条等，以及用于登录和注册的预建页面。

C. Angular有何优势为何备受程序猿喜爱

Angular是目前前端开发使用率比较高的一个框架，它开发简单，不用做过多的页面，扩展性强，让很多程序员都非常喜爱。

很久以前开发前端页面都需要一个页面一个页面的编写。比如一个网站有商品列表页，商品详情页，以往的开发方式都是编写2个页面，加重了程序员开发的压力。而Angular则比较注重单页面模式，程序员可以快速的搭建页面，不用在一个页面一个页面的写了。

针对Angular的优势你还知道哪些点呢？欢迎大家在底下留言评论，大家一起学习吧！

D. 一个前段程序员一年会接触多少项目

一般一年接触2个小项目，并做好就差不多了吧!
请采纳！ 如有疑问，请及时沟通！

E. 程序员为什么要学深度学习

费良宏：程序员为什么要学深度学习？

深度学习本身是一个非常庞大的知识体系。本文更多想从程序员的视角出发，让大家观察一下深度学习对程序员意味着什么，以及我们如何利用这样一个高速发展的学科，来帮助程序员提升软件开发的能力。
本文根据费良宏在2016QCon全球软件开发大会（上海）上的演讲整理而成。
前言
1973年，美国上映了一部热门的科幻电影《WestWorld》，三年之后又有一个续集叫做《FutureWorld》。这部电影在80年代初被引进到中国叫《未来世界》。那部电影对我来讲简直可以说得上是震撼。影片中出现了很多机器人，表情丰富的面部下面都是集成电路板。这让那时候的我觉得未来世界都是那么遥远、那么神秘。
时间到了2016年，很多朋友可能都在追看HBO斥巨资拍摄的同一题材的系列剧《WestWorld》。如果前两部电影还是局限在机器人、人工智能这样的话题，2016年的新剧则在剧情和人工智能的思考方面有了很大的突破。不再渲染机器人是否会威胁到人类，而是在探讨“Dreamsaremainlymemories”这一类更具哲理的问题。
“记忆究竟如何影响了智能”这个话题非常值得我们去思考，也给我们一个很好的启示——今天，人工智能领域究竟有了怎样的发展和进步。
今天我们探讨的话题不仅仅是简单的人工智能。如果大家对深度学习感兴趣，我相信各位一定会在搜索引擎上搜索过类似相关的关键字。我在Google上以deeplearning作为关键字得到了2,630万个搜索的结果。这个数字比一周之前足足多出了300多万的结果。这个数字足以看得出来深度学习相关的内容发展的速度，人们对深度学习的关注也越来越高。

从另外的一个角度，我想让大家看看深度学习在市场上究竟有多么热门。从2011年到现在一共有140多家专注人工智能、深度学习相关的创业公司被收购。仅仅在2016年这种并购就发生了40多起。
其中最疯狂的是就是Google，已经收购了 11 家人工智能创业公司，其中最有名的就是击败了李世石九段的 DeepMind。排名之后的就要数 Apple、Intel以及Twitter。以Intel 公司为例，仅在今年就已经收购了 3 家创业公司，Itseez、Nervana 和 Movidius。这一系列大手笔的并购为了布局人工智能以及深度学习的领域。
当我们去搜索深度学习话题的时候，经常会看到这样的一些晦涩难懂的术语：Gradient descent（梯度下降算法）、Backpropagation（反向传播算法）、Convolutional Neural Network（卷积神经网络）、受限玻耳兹曼机（Restricted Boltzmann Machine）等。
如打开任何一篇技术文章，你看到的通篇都是各种数学公式。大家看到如下左边的图，其实并不是一篇高水准的学术论文，而仅仅是维基网络关于玻耳兹曼机的介绍。维基网络是科普层面的内容，内容复杂程度就超过了大多数数学知识的能力。

在这样的背景之下，我今天的的话题可以归纳成三点：第一，我们为什么要学习深度学习；第二，深度学习最核心的关键概念就是神经网络，那么究竟什么是神经网络；第三，作为程序员，当我们想要成为深度学习开发者的时候，我们需要具备怎样的工具箱，以及从哪里着手进行开发。
为什么要学习深度学习
首先，我们谈谈为什么要学习深度学习。在这个市场当中，最不缺乏的就是各种概念以及各种时髦新技术的词汇。深度学习有什么不一样的地方？我非常喜欢AndrewNg（吴恩达）曾经用过的一个比喻。
他把深度学习比喻成一个火箭。这个火箭有一个最重要的部分，就是它的引擎，目前来看在这个领域里面，引擎的核心就是神经网络。大家都知道，火箭除了引擎之外还需要有燃料，那么大数据其实就构成了整个火箭另外的重要组成部分——燃料。以往我们谈到大数据的时候，更多是强调存储和管理数据的能力，但是这些方法和工具更多是对于以往历史数据的统计、汇总。
而对于今后未知的东西，这些传统的方法并不能够帮助我们可以从大数据中得出预测的结论。如果考虑到神经网络和大数据结合，我们才可能看清楚大数据真正的价值和意义。AndrewNg就曾经说过“我们相信（神经网络代表的深度学习）是让我们获得最接近于人工智能的捷径”。这就是我们要学习深度学习的一个最重要的原因。

其次，随着我们进行数据处理以及运算能力的不断提升，深度学习所代表的人工智能技术和传统意义上人工智能技术比较起来，在性能上有了突飞猛进的发展。这主要得益于在过去几十间计算机和相关产业不断发展带来的成果。在人工智能的领域，性能是我们选择深度学习另一个重要的原因。

这是一段Nvidia在今年公布的关于深度学习在无人驾驶领域应用的视频。我们可以看到，将深度学习应用在自动驾驶方面，仅仅经历了3千英里的训练，就可以达到什么样的程度。在今年年初进行的实验上，这个系统还不具备真正智能能力，经常会出现各种各样的让人提心吊胆的状况，甚至在某些情况下还需要人工干预。
但经过了3千英里的训练之后，我们看到在山路、公路、泥地等各种复杂的路况下面，无人驾驶已经有了一个非常惊人的表现。请大家注意，这个深度学习的模型只经过了短短几个月、3千英里的训练。
如果我们不断完善这种模型的话，这种处理能力将会变得何等的强大。这个场景里面最重要的技术无疑就是深度学习。我们可以得出一个结论：深度学习可以为我们提供强大的能力，如果程序员拥有了这个技术的话，无异于会让每个程序员如虎添翼。
神经网络快速入门
如果我们对于学习深度学习没有任何疑虑的话，接下来就一定会关心我需要掌握什么样的知识才能让我进入到这个领域。这里面最重要的关键技术就是“神经网络”。说起“神经网络”，容易混淆是这样两个完全不同的概念。
一个是生物学神经网络，第二个才是我们今天要谈起的人工智能神经网络。可能在座的各位有朋友在从事人工智能方面的工作。当你向他请教神经网络的时候，他会抛出许多陌生的概念和术语让你听起来云里雾里，而你只能望而却步了。
对于人工智能神经网络这个概念，大多数的程序员都会觉得距离自己有很大的距离。因为很难有人愿意花时间跟你分享神经网络的本质究竟是什么。而你从书本上读的到的理论和概念，也很让你找到一个清晰、简单的结论。
今天就我们来看一看，从程序员角度出发神经网络究竟是什么。我第一次知道神经网络这个概念是通过一部电影——1991年上映的《终结者2》。男主角施瓦辛格有一句台词：
“MyCPUisaneural-netprocessor;alearningcomputer.”（我的处理器是一个神经处理单元，它是一台可以学习的计算机)。从历史来看人类对自身智力的探索，远远早于对于神经网络的研究。
1852年，意大利学者因为一个偶然的失误，将人类的头颅掉到硝酸盐溶液中，从而获得第一次通过肉眼关注神经网络的机会。这个意外加速了对人类智力奥秘的探索，开启了人工智能、神经元这样概念的发展。
生物神经网络这个概念的发展，和今天我们谈的神经网络有什么关系吗？我们今天谈到的神经网络，除了在部分名词上借鉴了生物学神经网络之外，跟生物学神经网络已经没有任何关系，它已经完全是数学和计算机领域的概念，这也是人工智能发展成熟的标志。这点大家要区分开，不要把生物神经网络跟我们今天谈到的人工智能有任何的混淆。

90年代中期，由Vapnik等人提出了支持向量机算法（Support Vector Machines，支持向量机）。很快这个算法就在很多方面体现出了对比神经网络的巨大优势，例如：无需调参、高效率、全局最优解等。基于这些理由，SVM算法迅速打败了神经网络算法成为那个时期的主流。而神经网络的研究则再次陷入了冰河期。
在被人摒弃的十年里面，有几个学者仍然在坚持研究。其中很重要的一个人就是加拿大多伦多大学的Geoffery Hinton教授。2006年，他的在着名的《Science》杂志上发表了论文，首次提出了“深度信念网络”的概念。
与传统的训练方式不同，“深度信念网络”有一个“预训练”（pre-training）的过程，这可以方便的让神经网络中的权值找到一个接近最优解的值，之后再使用“微调”(fine-tuning)技术来对整个网络进行优化训练。这两个技术的运用大幅度减少了训练多层神经网络的时间。在他的论文里面，他给多层神经网络相关的学习方法赋予了一个新名词— “深度学习”。
很快，深度学习在语音识别领域崭露头角。接着在2012年，深度学习技术又在图像识别领域大展拳脚。Hinton与他的学生在ImageNet竞赛中，用多层的卷积神经网络成功地对包含一千个类别的一百万张图片进行了训练，取得了分类错误率15%的好成绩，这个成绩比第二名高了将近11个百分点。
这个结果充分证明了多层神经网络识别效果的优越性。从那时起，深度学习就开启了新的一段黄金时期。我们看到今天深度学习和神经网络的火热发展，就是从那个时候开始引爆的。

利用神经网络构建分类器，这个神经网络的结构是怎样的？

其实这个结构非常简单，我们看到这个图就是简单神经网络的示意图。神经网络本质上就是一种“有向图”。图上的每个节点借用了生物学的术语就有了一个新的名词 – “神经元”。连接神经元的具有指向性的连线（有向弧）则被看作是“神经”。这这个图上神经元并不是最重要的，最重要的是连接神经元的神经。每个神经部分有指向性，每一个神经元会指向下一层的节点。
节点是分层的，每个节点指向上一层节点。同层节点没有连接，并且不能越过上一层节点。每个弧上有一个值，我们通常称之为”权重“。通过权重就可以有一个公式计算出它们所指的节点的值。这个权重值是多少？我们是通过训练得出结果。它们的初始赋值往往通过随机数开始，然后训练得到的最逼近真实值的结果作为模型，并可以被反复使用。这个结果就是我们说的训练过的分类器。
节点分成输入节点和输出节点，中间称为隐层。简单来说，我们有数据输入项，中间不同的多个层次的神经网络层次，就是我们说的隐层。之所以在这样称呼，因为对我们来讲这些层次是不可见的。输出结果也被称作输出节点，输出节点是有限的数量，输入节点也是有限数量，隐层是我们可以设计的模型部分，这就是最简单的神经网络概念。
如果简单做一个简单的类比，我想用四层神经网络做一个解释。左边是输入节点，我们看到有若干输入项，这可能代表不同苹果的RGB值、味道或者其它输入进来的数据项。中间隐层就是我们设计出来的神经网络，这个网络现在有不同的层次，层次之间权重是我们不断训练获得一个结果。
最后输出的结果，保存在输出节点里面，每一次像一个流向一样，神经是有一个指向的，通过不同层进行不同的计算。在隐层当中，每一个节点输入的结果计算之后作为下一层的输入项，最终结果会保存在输出节点上，输出值最接近我们的分类，得到某一个值，就被分成某一类。这就是使用神经网络的简单概述。

除了从左到右的形式表达的结构图，还有一种常见的表达形式是从下到上来表示一个神经网络。这时候，输入层在图的最下方，输出层则在图的最上方。从左到右的表达形式以AndrewNg和LeCun的文献使用较多。而在Caffe框架里则使用的则是从下到上的表达。
简单来说，神经网络并不神秘，它就是有像图，利用图的处理能力帮助我们对特征的提取和学习的过程。2006年Hinton的那篇着名的论文中，将深度学习总结成三个最重要的要素：计算、数据、模型。有了这三点，就可以实现一个深度学习的系统。
程序员需要的工具箱
对于程序员来说，掌握理论知识是为了更好的编程实践。那就让我们看看，对于程序员来说，着手深度学习的实践需要准备什么样的工具。
硬件
从硬件来讲，我们可能需要的计算能力，首先想到的就是CPU。除了通常的CPU架构以外，还出现了附加有乘法器的CPU，用以提升计算能力。此外在不同领域会有DSP的应用场景，比如手写体识别、语音识别、等使用的专用的信号处理器。还有一类就是GPU，这是一个目前深度学习应用比较热门的领域。最后一类就是FPGA（可编程逻辑门阵列）。
这四种方法各有其优缺点，每种产品会有很大的差异。相比较而言CPU虽然运算能力弱一些，但是擅长管理和调度，比如读取数据，管理文件，人机交互等，工具也丰富。DSP相比而言管理能力较弱，但是强化了特定的运算能力。
这两者都是靠高主频来解决运算量的问题，适合有大量递归操作以及不便拆分的算法。GPU的管理能力更弱一些，但是运算能力更强。但由于计算单元数量多，更适合整块数据进行流处理的算法。
FPGA在管理与运算处理方面都很强，但是开发周期长，复杂算法开发难度较大。就实时性来说，FPGA是最高的。单从目前的发展来看，对于普通程序员来说，现实中普遍采用的计算资源就还是是CPU以及GPU的模式，其中GPU是最热门的领域。

这是我前天为这次分享而准备的一个AWS 上p2的实例。仅仅通过几条命令就完成了实例的更新、驱动的安装和环境的设置，总共的资源创建、设置时间大概在10分钟以内。而之前，我安装调试前面提到的那台计算机，足足花了我两天时间。

另外，从成本上还可以做一个对比。p2.8xLarge 实例每小时的费用是7.2美元。而我自己那台计算机总共的花费了是¥16,904元。这个成本足够让我使用350多个小时的p2.8xLarge。在一年里使用AWS深度学习站就可以抵消掉我所有的付出。随着技术的不断的升级换代，我可以不断的升级我的实例，从而可以用有限的成本获得更大、更多的处理资源。这其实也是云计算的价值所在。
云计算和深度学习究竟有什么关系？今年的8月8号，在IDG网站上发表了一篇文章谈到了这个话题。文章中做了这样一个预言：如果深度学习的并行能力不断提高，云计算所提供的处理能力也不断发展，两者结合可能会产生新一代的深度学习，将带来更大影响和冲击。这是需要大家考虑和重视的一个方向！
软件
深度学习除了硬件的基础环境之外。程序员会更关心与开发相关的软件资源。这里我罗列了一些曾经使用过的软件框架和工具。

Scikit-learn是最为流行的一个python机器学习库。它具有如下吸引人的特点：简单、高效且异常丰富的数据挖掘/数据分析算法实现； 基于NumPy、SciPy以及matplotlib，从数据探索性分析，数据可视化到算法实现，整个过程一体化实现；开源，有非常丰富的学习文档。
Caffe专注在卷及神经网络以及图像处理。不过Caffe已经很久没有更新过了。这个框架的一个主要的开发者贾扬清也在今年跳槽去了Google。也许曾经的霸主地位要让位给他人了。
Theano 是一个非常灵活的Python 机器学习的库。在研究领域非常流行，使用上非常方便易于定义复杂的模型。Tensorflow 的API 非常类似于Theano。我在今年北京的QCon 大会上也分享过关于Theano 的话题。
Jupyter notebook 是一个很强大的基于ipython的python代码编辑器，部署在网页上，可以非常方便的进行交互式的处理，很适合进行算法研究合数据处理。
Torch 是一个非常出色的机器学习的库。它是由一个比较小众的lua语言实现的。但是因为LuaJIT 的使用，程序的效率非常出色。Facebook在人工智能领域主打Torch，甚至现在推出了自己的升级版框架Torchnet。
深度学习的框架非常之多，是不是有一种乱花渐欲迷人眼的感觉？我今天向各位程序员重点介绍的是将是TensorFlow。这是2015年谷歌推出的开源的面向机器学习的开发框架，这也是Google第二代的深度学习的框架。很多公司都使用了TensorFlow开发了很多有意思的应用，效果很好。
用TensorFlow可以做什么？答案是它可以应用于回归模型、神经网络以深度学习这几个领域。在深度学习方面它集成了分布式表示、卷积神经网络(CNN)、递归神经网络(RNN) 以及长短期记忆人工神经网络（Long-Short Term Memory, LSTM）。
关于Tensorflow 首先要理解的概念就是Tensor。在辞典中对于这个词的定义是张量，是一个可用来表示在一些向量、标量和其他张量之间的线性关系的多线性函数。实际上这个表述很难理解，用我自己的语言解释Tensor 就是“N维数组”而已。

使用 TensorFlow, 作为程序员必须明白 TensorFlow这样几个基础概念：它使用图 (Graph) 来表示计算任务；在被称之为 会话 (Session) 的上下文 (context) 中执行图；使用 Tensor 表示数据；通过 变量 (Variable) 维护状态；使用 feed 和 fetch 可以为任意的操作(arbitrary operation) 赋值或者从其中获取数据。
一句话总结就是，TensorFlow 就是有状态图的数据流图计算环境，每个节点就是在做数据操作，然后提供依赖性和指向性，提供完整数据流。
TensorFlow安装非常简单，但官网提供下载的安装包所支持的CUDA 的版本是7.5。考虑到CUDA 8 的让人心动的新特以及不久就要正式发布的现状。或许你想会考虑立即体验CUDA 8，那么就只能通过编译Tensorflow源代码而获得。目前TensorFlow已经支持了Python2.7、3.3+。
此外，对于使用Python 语言的程序员还需要安装所需要的一些库，例如：numpy、protobuf等等。对于卷积处理而言，cuDNN是公认的性能最好的开发库，请一定要安装上。常规的Tensorsorflow的安装很简单，一条命令足矣：
$ pip3 install —upgrade https://storage.233.wiki/tensorflow/linux/cpu/tensorflow-0.11.0rc0-cp35-cp35m-linux_x86_64.whl
如果想评估一下或者简单学习一下，还可以通过Docker进行安装，安装的命令如下：
$ docker run -it -p 8888:8888 gcr.io/tensorflow/tensorflow
TensorFlow有很多优点。首先，目前为止，深度学习的开发框架里面TensorFlow的文档做的最好，对程序员学习而言是非常好的一点。第二，TensorFlow有丰富的参考实例，作为参考学习起来非常容易。
第三，开发者社区活跃，在任何一个深度学习的社区里，都有大量关于TensorFlow的讨论。第四，谷歌的支持力度非常大，从2015年到现在升级速度非常快，这是其他开源框架远远达不到的结果。
参考TensorFlow的白皮书，我们会看到未来TensorFlow还将会有巨大的发展潜力。让我特别感兴趣是这两个方向。第一，支持跨多台机器的 parallelisation。尽管在0.8版本中推出了并行化的能力，但是目前还不完善。随着未来不断发展，依托云计算的处理能力的提升这个特性将是非常让人振奋的。
第二，支持更多的开发语言，对于开发者来说这是一个绝大的利好，通过使用自己擅长的语言使用TensorFlow应用。这些开发语言将会扩展到Java、Lua以及R 等。
在这里我想给大家展示一个应用Tensorflow 的例子。这个例子的代码托管在这个网址上 https://github.com/anishathalye/neural-style。白俄罗斯的现代印象派艺术家Leonid Afremov善于用浓墨重彩来表现都市和风景题材，尤其是其雨景系列作品。他习惯用大色块的铺陈来营造光影效果，对反光物体和环境色的把握非常精准。
于是我就找到了一张上海东方明珠电视塔的一张摄影作品，我希望通过Tensorflow 去学习一下Leonid Afremov 的绘画风格，并将这张东方明珠的照片处理成那种光影色彩丰富的作品风格。利用Tensorflow 以及上面提到的那个项目的代码，在一个AWS 的p2类型的实例上进行了一个一千次的迭代，于是就得到了下图这样的处理结果。

这个处理的代码只有350行里，模型使用了一个成名于2014年ImageNet比赛中的明星 VGG。这个模型非常好，特点就是“go depper”。
TensorFlow 做出这样的作品，并不仅仅作为娱乐供大家一笑，还可以做更多有意思的事情。将刚才的处理能力推广到视频当中，就可以看到下图这样的效果，用梵高着名的作品”星月夜“的风格就加工成了这样新的视频风格。

可以想象一下，如果这种处理能力在更多领域得以应用，它会产生什么样的神奇结果？前景是美好的，让我们有无限遐想。事实上我们目前所从事的很多领域的应用开发都可以通过使用神经网络和深度学习来加以改变。对于深度学习而言，掌握它并不是难事。每一个程序员都可以很容易的掌握这种技术，利用所具备的资源，让我们很快成为深度学习的程序开发人员。
结束语
未来究竟是什么样，我们没有办法预言。有位作家Ray Kurzweil在2005年写了《奇点临近》一书。在这本书里面他明确告诉我们，那个时代很快到来。作为那个时代曙光前的人群，我们是不是有能力加速这个过程，利用我们学习的能力实现这个梦想呢？

中国人工智能的发展
人工智能的时代无疑已经到来，这个时代需要的当然就是掌握了人工智能并将其解决具体问题的工程师。坦率的说，市场上这一类的工程师还属于凤毛麟角。职场上的薪酬待遇可以看得出来这样的工程师的抢手的程度。人工智能这门学科发展到今天，就学术自身而言已经具备了大规模产业化的能力。
所以说，对于工程师而言当务之急就是尽快的掌握应用人工智能的应用技术。当下在互联网上关于人工智能的学习资料可以说已经是“汗牛充栋”，那些具备了快速学习能力的工程师一定会在人工智能的大潮当中脱颖而出。
中国发展人工智能产业的环境已经具备。无论从创业环境、人员的素质乃至市场的机遇而言完全具备了产生产业变革的一切条件。与美国相比较，在人工智能的许多领域中国团队的表现也可以说是不逞多让。就人工智能的技术层面而言，中国的工程师与全球最好的技术团队正处于同一个起跑线上。
时不我待，中国的工程师是有机会在这个领域大展身手的。不过值得注意的是，要切忌两点：一是好高骛远，盲目与国外攀比。毕竟积累有长短，术业有专攻，我们要立足于已有的积累，寻求逐步的突破。二是一拥而上，盲目追求市场的风口。人工智能的工程化需要大量的基础性的积累，并非一蹴而就简单复制就可以成功。
中国的科研技术人员在人工智能领域的成就有目共睹。在王咏刚的一篇文章里面，他统计了从2013年到2015年SCI收录的“深度学习”论文，中国在2014年和2015年超已经超过了美国居于领跑者的位置。
另外一让我感到惊讶的事情，Google的JeffDean在2016年发表过一篇名为《TensorFlow:Asystemforlarge-scalemachinelearning》的论文。文章的22个作者里面，明显是中国名字的作者占已经到了1/5。如果要列举中国人/华人在人工智能领域里的大牛，吴恩达、孙剑、杨强、黄广斌、马毅、张大鹏……很容易就可以说出一大串。
对于中国来说目前的当务之急是人工智能技术的产业化，唯有如此我们才可以讲科研／智力领域的优势转化为整体的、全面的优势。在这一点上，中国是全球最大的消费市场以及制造业强国，我们完全有机会借助市场的优势成为这个领域的领先者。
硅谷创新企业
硅谷虽然去过许多回，但一直无缘在那里长期工作。在人工智能领域的市场我们听到的更多是围绕Google、Apple、Intel、Amazon这样的一些大型科技公司的一举一动。但是在美国市场上还有一大批小型的创业企业在人工智能这个领域有惊艳的表现。仅以硅谷区域的公司为例：
Captricity，提供了手写数据的信息提取；
VIVLab，针对语音识别开发了虚拟助手服务；
TERADEEP，利用FPGA提供了高效的卷积神经网络的方案；
还有提供无人驾驶解决方案的NetraDyne。
这个名单还可以很长，还有许许多多正在利用人工智能技术试图去创造历史的团队正在打造他们的梦想。这些团队以及他们正在专注的领域是值得我们去学习和体会的。

F. 专业程序员7大特质

成为一个专业人士是所有程序员的目标。在硅谷待了将近3年，在这里近距离观察了Google,Facebook,
Uber等公司的大拿，并有幸与其中的一部分一起工作。在此分享大牛程序员的行为风格以及我自己的所思所想，希望对大家有所帮助。


承担责任


这是专业和不专业的分水岭。对于一般的程序员来说，他的责任就是及时、高质量的完成任务;对于TechLead
来说，其责任就是统领全组，合理安排任务，让组员各司其职。这里包括3点：


承担合适的责任。选择自己能力范围内、自己喜欢做的。一旦选择了工作，请承担完成的责任;


学会说不。经常看到，产品经理或者领导会催促在极短的时间内完成任务，而程序员这个时候总是欲拒还休，说我来试试吧。专业的程序员对于任务有靠谱的预判和掌控力。当完成不了的时候，一定要说不。否则既是对自己不负责任，也是对他人不负责任。


应对最坏的情况。程序员最悲催的莫过于搞不定任务，这个时候一定不要推卸责任。这时候最重要的是给出一个切实可行的补救方案，最好有一个完成任务的时间点。老板不在乎你为什么完不成，在乎的是究竟怎样能完成。


高质量的代码


没有Bug，每一段代码都要有相应测试。很多人不写测试，那是因为他们抱着侥幸心理觉得自己代码没问题，同时写测试又很浪费时间。实际上保证代码质量的第一要素就是测试，测试可以让你检测不同输入所产生的输出，有时候甚至可以推动你去修改开发代码以提高质量。


可读性要高。刚学计算机的同学，变量随性命名，整个文档看不到注释。笔者认为，所有public的类、结构体、枚举、变量、方法都需要注释，因为
public是外部可见的，极有可能是常见的API，这时候让别人看懂就十分重要。


可扩展性和解耦性。最好的代码不仅针对当前特殊的情况，还可以应对其他情况;以后即使对现有的代码进行大量修改，也不应该影响其他模块。


代码上的时间


一个专业的程序员一周的花在计算机上的时间应该为每周60小时。最基本的40小时，要花在工作中。剩下的20小时，要花在提高自己身上。提高可以是多种多样的：读博客、做项目、看文档、上公开课。


有人说没时间，我们来算一笔账。一周有168个小时，假设你一天睡8小时，吃喝拉撒2小时，这样你还剩168-(8+2)x7=
98小时。然后你花在代码上60个小时，你还剩98-60=
38小时。你完全可以用20个小时陪伴家人(我知道很多人没有成家)，再用10个小时与朋友聚会出游，就算这样，你也还有8个小时可以自由支配。


之所以要在代码上花费这么长时间，是因为软件这一行这一行变化太快了：乔布斯逝世才5年，Google已经声称移动时代已经过去，现在是人工智能时代;Objective-C还没火几年，转眼Swift已经出到了第3个版本;Html
5刚刚落寞，Facebook又推出了ReactNative试图整合android和iOS两个平台。。。技术的进步，总是让程序员有太多的东西要去学习。


对自己领域的精通


无论是前端、后端、还是移动端，都有自己的一套架构体系。作为一名专业的程序员，我觉得应该至少对自己领域所有的知识都有涉猎了解;对于核心的部分，则要做到烂熟于心的程度。


北大青鸟安卓培训(android.te.cn)专家提示有一类文章《再不学XXX你就Out了》。这类文章一般都是说新技术又新又酷，鼓励大家快来学啊。学习新技术的原因永远不是因为它新、它潮，而是因为它可以更好的解决当前问题。对于深度和广度两个维度谁先谁后的问题，我个人永远支持深度优先。只有本专业弄通的情况下，才能融会贯通。Andrew
Ng出名是因为他在MachineLearning的专长;提到John
Carmack，大家都会想到游戏编程狂人;谈起乔布斯，大家都绕不开iPhone。专业程序员能做普通程序员不能做的，这才叫专业。


思维模式


很多程序员平常写代码只在乎能快速解决问题，不在乎选择解决问题的方法和原因，这是典型的不知其所以然。专业的程序员，理应对每一个问题、每一步设计都有自己的理解。


举个iOS开发中的例子。假如遇到一个新App，你发现整个App运用了大量的RxSwift技术。你就要想为什么用RxSwift?
是方便测试?是整合逻辑?还是为了解耦架构?再进一步思考，为什么这个iOSApp用的是RxSwift
而不用ReactiveCocoa?是为了和Android端用RxJava保持一致的代码风格吗?


也许上面的问题和你工作需要解决的具体问题毫无关系，但是理解清楚个中要害却是提升内功的关键所在。


沟通


很多程序员只想写代码，做个安安静静的美男子，这当然无可厚非。但是你真的确定，正在在做的东西是老板希望、客户期待的吗?作为一名程序员，理解自己应该做什么、达到什么效果、同时让老板知道什么能够实现、什么实现不了，才是专业的表现。


举个Google中工作的实例：


部门经理：我们组A这个项目要赶紧干完，VP盯着我们。


程序员甲：好，那我赶紧做。


程序员乙：好。但能问一下这个项目为什么VP盯着?做了对整个组或者Google有什么好处?A项目的所有功能都要完成吗?有没有具体的截止日期?


上面我们可以看到，也许程序员甲和乙技术能力相同，但是甲更偏向于兢兢业业、努力干活的老黄牛程序员，他写出的代码很有可能是他认为非常好的代码;而乙则更擅长沟通，更有大局观的程序员，他写出的代码就更有可能被大家都认可。他们的专业程度高下立判。


合作


与组员的合作是专业程序员工作学习中重要的一环。除了沟通很重要以外，我想着重谈的一点，就是程序员在合作中不能掺杂着办公室政治。我所认识或者听说的硅谷的大牛，跟同事皆是坦诚相待，对后辈也是倾囊相授。


为什么会这样?因为首先，大家都理解了相关的知识，项目才能快速的推动，整体的工作效率才会提升;再者，自己懂知识，不代表自己能讲清楚它，随着与同事的交流和分享，知识本身会更加完善，对其理解也会更加全面扎实;最后，无私的分享和帮助有利于构建良好的工作环境和团队氛围。

G. Github 上有哪些知名的中国程序员

GitHub托管平台的开源和私有软件项目，因为它只支持Git作为唯一的版本库格式主办，故名GitHub。除了Git代码库托管和基本的Web管理界面之外，它还提供订阅、讨论组、文本呈现、在线文件编辑器、协作映射（报告）、代码片段共享（GIST）等功能。目前，注册用户已超过350万，托管版本的数量也非常高。

惠新宸

GitHub可以举办各种Git库提供的Web界面，但不像其他服务如SourceForge或谷歌代码，GitHub的独特卖点是分支从另一个项目的简单。为项目做出贡献的代码非常简单。首先单击项目站点的“叉”按钮，然后检查代码并将修改添加到刚刚出现的库中。

最后，将内置的拉请求机制应用于项目经理，以应用代码合并。GitHub被称为代码播放器聚友网。

H. 程序员英语好，在职业上（薪水和职位）会有更大的优势吗

程序员的工作主要是程序编写，而编写程序的语言命令都是英语单词，所以英语好自然对于理解和使用命令语句上会有一定的裨益。但是如果是在职位上的优势来看的话，如果你的公司与国外有业务往来的话，自然会有相对大一些的优势，但如果没有这些相关业务的话，英语好就暂时只是你自身技能的优势了，暂时上——注意，只是“暂时上”的——对你的职业发展不会有很大的推动作用，不过事业的发展是随时都在变化的，所以自身的能力越强，精通的技能越多自然竞争力就越强，即使一时用不上，也不好说什么时候就会对你的发展起到很大的作用！
艺不压身这句老话是至理名言，还是希望你能平日多多学习，锻炼自身的能力。
是金子总会发光的，对吗？：）祝你成功啊

I. PG 18 是什么意思

美国电影分级制度 篮球术语 其他缩写 模型版本 生物学术语 重量单位 Unix命令 软件pg(ProGramer)编辑本段美国电影分级制度G级： （GENERAL AUDIENCES All ages admitted.）大众级，所有年龄均可观看大众级，适合所有年龄段的人观看——该级别的电影内容可以被父母接受，影片没有裸体、性爱场面，吸毒和暴力场面非常少。对话也是日常生活中可以经常接触到的； ·PG级：（ PARENTAL GUIDANCE SUGGESTED Some material may not be suitable for children.）普通级， 建议在父母的陪伴下观看，有些镜头可能让儿童产生不适感.辅导级，一些内容可能不适合儿童观看——该级别的电影基本没有性爱、吸毒和裸体场面，即使有时间也很短，此外，恐怖和暴力场面不会超出适度的范围； ·PG-13级：（PARENTS STRONGLY CAUTIONED Some material may be inappropriate for children under 13. ）普通级，但不适于13岁以下儿童.特别辅导级，13岁以下儿童尤其要有父母陪同观看，一些内容对儿童很不适宜——该级别的电影没有粗野的持续暴力镜头，一般没有裸体镜头，有时会有吸毒镜头和脏话； ·R级：（RESTRICTED Under 17 requires accompanying parent or alt guardian.） 限制级，17岁以下必须由父母或者监护陪伴才能观看．限制级，17岁以下观众要求有父母或承认陪同观看——该级别的影片包含成人内容，里面有较多的性爱、暴力、吸毒等场面和脏话； ·NC-17级： （NO ONE 17 AND UNDER ADMITTED ）17岁或者以下不可观看 17岁以下观众禁止观看——该级别的影片被定为成人影片，未成年人坚决被禁止观看。影片中有清楚的性爱场面，大量的吸毒或暴力镜头以及脏话等。 另补充几种特殊的分级： · NR OR U：NR是属于未经定级的电影，而U是针对1968年以前的电影定的级。 · M，X OR P：这一级中的电影基本上不适合在大院线里公映，都属于限制类的。 编辑本段篮球术语 1.PG,Point Guard,控球后卫.又称组织后卫 控球后卫（Point Guard）是球场上拿球机会最多的人。他要把球从后场安全地带到前场，再把球传给其他队友，这才有让其他人得分的机会。如果说小前锋是一出戏的主角，那么控球后卫便是这出戏的导演。 怎样才算是一个合格的控球后卫呢？首先，他的运球能力是绝对少不了的，他必须要能够在只有一个人防守他的情况下，毫无问题地将球带过半场。然后，还要有很好的传球能力，能够在大多数的时间里，将球传到球应该要到的地方：有时候是一个可以投篮的空档，有时候是一个更好的导球位置。简单地说，他要让球流动得顺畅，要能将球传到最容易得分的地方，还要组织队伍的攻势，让队上的进攻更为流畅。 那么，对于一个控球后卫还有什么要求呢？在得分方面，控球员往往是队上最后一个得分者，也就是说除非其他队友都没有好机会出手，否则他是不轻易投篮的。或者以另一个角度说，他本身有颇强的得分能力，而以其得分能力破坏对方的防守，来替队友制造机会的。总而言之，控球员有一个不变的原则：当场上有任何队友的机会比他好，他一定将球交给机会更好的队友。所以，控球员的出手经常何队友的机会比他好，他一定将球交给机会更好的队友。所以，控球员的出手经常都是很好的投篮时机，自然我们对他的命中率要求也就比较高，一般而言应该要在五成以上，要比小前锋和得分后卫高。而在得分能力方面，外线和切入是他必备的两项利器。 编辑本段其他缩写2.排骨（这可以是名词，也可以是形容词） 3.杂志《电子天下 掌机迷》POCKET GAMER的缩写 4. 脉冲发生器，Pulse Generator的缩写。常安装于电动机转轴上，用于测量旋转速度。如光电编码器（encoder）就是一种PG。工控领域这个缩写比较常见。 5.PG（(PARENTAL GUIDANCE SUGGESTED Some material may not be suitable for children.)：电影的一种分级，该级为普通级， 建议在父母的陪伴下观看，有些镜头可能让儿童产生不适感。辅导级，一些内容可能不适合儿童观看——该级别的电影基本没有性爱、吸毒和裸体场面，即使有时间也很短，此外，恐怖和暴力场面不会超出适度的范围。 6.PG: . . n. 程序制导(程序装置,试验靶场,高温分解石墨) pg : a. 巴布亚新几内亚 b. Power Good c. 丙二醇 7、PG：没食子酸丙酯（proply gallate）的简称。白色至浅褐色结晶粉末，或微乳白色针状结晶。无臭，微有苦味，水溶液无味。是一种常见的抗氧化剂，可用于食品。 编辑本段模型版本8.PG（perfect grade)高达模型的一个版本: PG 系列（Perfect Grade） 比例： 1：60（第一台PG EVA初号机属于无比例模型） 价格： 12000YEN-20000YEN间，价格为所有高达模型中最昂贵的 特点：目前为止，高达模型里面最贵的一个系列，全部有全内构，头部可发光‘个别机体身体一些部位也可发光’，五指全可动，可动性也是整个高达模型里最好的一个系列。零件的个数也令人发寒。种类较少。 PG系列历史介绍： 由于MG的推出大受欢迎，BANDAI遂策划推出高于MG级别，更能全面展示MS各部分结构，集高完成度、高展示性和高可动性于一体的完美模型系列。 1998年3月，BANDAI以作出"完美高达模型"为目标，开发出了新的模型系列-PG(PERFECT GRADE)。 PG第一款是1：60 RX-78-2 GUNDAM，当时的市场价格是12000日元，可谓是一个天价的奢侈品。那么PG模型到底值不值这么高的价格呢，相信组装过PG的人体会的出来：这绝对是一分价钱一分货。 首先从模型本身说起。PG模型以追求完美作为目标，自然在各个方面都具备完美的素质。MG系列已经应用了多色成型和一体成型，但是PG系列除了承袭MG的特色之外，更将MG的开模和成型特点发挥到了极至。它的内构较MG有更大的进化，采用了完全独立的骨架结构，好象电影中的终结者一般可以将骨架拆出来，即便装上装甲的PG模型，在腿和胸等重要部位仍有可以开启的结构供玩家展示内构，非常写实。PG的手部采用了五指全关节可动模式，而且每根手指都是独立成型的，可以摆出人手能够做出的所有动作，非常的精细。PG模型的头部都有独立的内构，这是MG不具备的。另外在每一款PG模型的头部都装有二极管和发光部件，通过线路与身体内部的电池相连，通过开关控制可以使头部的探测器(眼睛)发光，发光成了PG模型的另一大特色。 PG的说明书非常精美，一般一盒PG模型都付有两份说明书，一份黑白，一份全彩色。黑白说明书为组装说明，全彩色的说明书中搜集和列出了关于机体的各类资料、设定图以及用模型配合背景所拍摄的写实场景照片，甚至连机体在动画作品中的所属部队、战绩、服役历史都有介绍，可谓是一份收藏性极高的资料库。 完全内构，完美造型是PG模型的特点，目前PG模型基本上保持一年一台的出品速度，另外例如MK-II和STRIKE GUNDAM这两款PG模型还以不同的成型色推出了同类机型，从而增加了爱好者的选择。 编辑本段生物学术语9.前列腺素（prostaglandin，PG） 1930年，尤勒（von Enler）发现，人、猴、羊的精液中存在一种使平滑肌兴奋和血压降低的物质，当时设想此物质可能是由前列腺所分泌，命名为前列腺素。但实际上，前列腺分泌物中所含前列腺活性物质不多，为误称。现证明，精液中前列腺素主要来自精囊，并证明前列腺素是内分泌中的一大类。 存在于动物和人体中的一类不饱和脂肪酸组成的具有多种生理作用的活性物质。最早发现存在于人的精液中，当时以为这一物质是由前列腺释放的，因而定名为前列腺素。现已证明精液中的前列腺素主要来自精囊，除之全身许多组织细胞都能产生前列腺素。前列腺素（PG）在体内由花生四烯酸所合成，结构为一个五环和两条侧链构成的20碳不饱和脂肪酸。按其结构，前列腺素分为A、B、C、D、E、F、G、H、I等类型。不同类型的前列腺素具有不同的功能，如前列腺素E能舒张支气管平滑肌，降低通气阻力；而前列腺素F的作用则相反。前列腺素的半衰期极短（1～2分钟），除前列腺素I2外，其他的前列腺素经肺和肝迅速降解，故前列腺素不像典型的激素那样，通过循环影响远距离靶组织的活动，而是在局部产生和释放，对产生前列腺素的细胞本身或对邻近细胞的生理活动发挥调节作用。前列腺素对内分泌、生殖、消化、血液呼吸、心血管、泌尿和神经系统均有作用。由于前列腺素能引起子宫频率而强烈的收缩，故应用于足月妊娠的引产、人工流产以及避孕等方面，取得了一定的效果。前列腺素治疗哮喘、胃肠溃疡病、休克、高血压及心血管疾病，可能有一定疗效，因而引起人们的重视。 前列腺素（PG）广泛存在于许多组织中，由花生四烯酸转化而成多种形式的前列腺素。它可能是作用于局部的一组激素。前列腺素的作用极为广泛复杂。按结构可分为 A、B、C、D、E、F、G、H、I等类型。各类型的前列腺素对不同的细胞可产生完全不同的作用。例如PGE能扩张血管，增加器官血流量，降低外周阻力，并有排钠作用，从而使血压下降；而PGF作用比较复杂，可使兔、猫血压下降，却又使大鼠、狗的血压升高。PGE使支气管平滑肌舒张，降低通气阻力；而PGF却使支气管平滑肌收缩。PGE和PGF对胃液的分泌都有很强的抑制作用；但对胃肠平滑肌却增强其收缩。它们还能使妊娠子宫平滑肌收缩。此外，PG对于排卵，黄体生成和萎缩，卵和精子的运输等生殖功能也有密切关系。 前列腺素的生理作用极为广泛。（1）对生殖系统作用：作用于下丘脑的黄体生成素释放激素的神经内分泌细胞，增加黄体生成素释放激素释放，再刺激垂体前叶黄体生成素和卵泡刺激素分泌，从而使睾丸激素分泌增加。前列腺素也能直接刺激睾丸间质细胞分泌。可增加大鼠睾丸重量、核糖核酸含量、透明质酸酶活性和精子数量，增加精子活动。前列腺素维持雄性生殖器官平滑肌收缩，被认为与射精作用有关。精液中PG使子宫颈肌松弛，促进精子在雌性动物生殖道中运行，有利于受精。但大量前列腺素，对雄性生殖机能有抑制作用。（2）对血管和支气管平滑肌的作用：不同的前列腺素对血管平滑肌和支气管平滑肌的作用效应不同。前列腺素E和前列腺素F能使血管平滑肌松弛，从而减少血流的外周阻力，降低血压。（3）对胃肠道的作用：可引起平滑肌收缩，抑制胃酸分泌，防止强酸、强碱、无水酒精等对胃粘膜侵蚀，具细胞保护作用。对小肠、结肠、胰腺等也具保护作用。还可刺激肠液分泌、肝胆汁分泌，以及胆囊肌收缩等。（4）对神经系统作用：广泛分布于神经系统，对神经?递质的释放和活动起调节作用，也有人认为，前列腺素本身即有神经递质作用。（5）对呼吸系统作用：前列腺素E有松弛支气管平滑肌作用，而前列腺素F相反，是支气管收缩剂。（6）对内分泌系统的作用：通过影响内分泌细胞内环腺苷酸（cAMP）水平，影响激素的合成与释放。如促使甲状腺素分泌和肾上腺皮质激素的合成。也通过降低靶器官的cAMP水平而使激素作用降低。 编辑本段重量单位10.在IT开发部门中... PG(Programer):程序员 SE:系统工程师 PM:项目经理 PL:项目组长 11.韩国组合SS501队长金贤重 中国FAN的昵称——PG 12.Pg还是一个重量单位， 1g ＝1000mg 1mg＝1000μg 1μg＝1000ng 1ng＝1000pg 编辑本段Unix命令命令：pg (page) 格式：pg [option] filename 功能：分页显示指定文件的内容。在显示一页文件时，最后一行将显示等待用户输入指令。可输入的指有如下选项。 选项： h 显示pg命令中可使用的帮助(help)命令。 q 退出pg命令。 [return] 显示下一页正文。 1 显示正文的下一行 [Space] 显示下一页 d/[Ctrl-D] 将屏幕滚动半屏。 n 显示pg命令行中说明的下一个文件。 p 显示pg命令行中说明的前一个文件。 % 显示正文当前页的前面一页。 /pattern 在文件中向前搜索指定的字符模式。 ?pattern 在文件中向后搜索指定的字符模式。 注释：当pg命令显示到文件的末尾时，显示一个文件结束信息EOF(end of file)。

J. 普通程序员如何向人工智能方向转型

当下，人工智能已经成为越来越火的一个方向。普通程序员，如何转向人工智能方向，是知乎上的一个问题。

这个学习路线是这样设计的：首先了解这个领域，建立起全面的视野，培养起充足的兴趣，然后开始学习机器学习的基础，这里选择一门由浅入深的课程来学习，课程最好有足够的实验能够进行实战。基础打下后，对机器学习已经有了充足的了解，可以用机器学习来解决一个实际的问题。

这时还是可以把机器学习方法当作一个黑盒子来处理的。实战经验积累以后，可以考虑继续进行学习。这时候有两个选择，深度学习或者继续机器学习。深度学习是目前最火热的机器学习方向，其中一些方法已经跟传统的机器学习不太一样，因此可以单独学习。除了深度学习以外，机器学习还包括统计学习，集成学习等实用方法。

如果条件足够，可以同时学习两者，一些规律对两者是共通的。学习完后，你已经具备了较强的知识储备，可以进入较难的实战。这时候有两个选择，工业界的可以选择看开源项目，以改代码为目的来读代码;学术界的可以看特定领域的论文，为解决问题而想发论文。

无论哪者，都需要知识过硬，以及较强的编码能力，因此很能考察和锻炼水平。经过这个阶段以后，可以说是踏入AI领域的门了。“师傅领进门，修行在个人”。之后的路就要自己走了。

下面是关于每个阶段的具体介绍：

0.领域了解

在学习任何一门知识之前，首先第一步就是了解这个知识是什么?它能做什么事?它的价值在什么地方?如果不理解这些的话，那么学习本身就是一个没有方向的舟，不知道驶向何处，也极易有沉船的风险。了解这些问题后，你才能培养出兴趣，兴趣是最好的引路人，学习的动力与持久力才能让你应付接下来的若干个阶段。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，可以看我写的博客从机器学习谈起。

1.知识准备

如果你离校过久，或者觉得基础不牢，最好事先做一下准备复习工作。“工欲善其事，必先利其器”。以下的准备工作不多，但足以应付后面阶段的学习。

数学：复习以下基本知识。线性代数：矩阵乘法;高数：求导;概率论：条件与后验概率。其他的一些知识可以在后面的学习的过程中按需再补;

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。不是说网络查的不能看，而是很多情况下Google搜出来的资料比网络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;

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，非常适合第一次学习的人。cs229这门课程我这里不推荐，为什么，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，可能是面对网络教学的原因。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。这点在Coursera上就明显得到了改善，你会发现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.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。

这里需要选择一个应用方向，是图像(计算机视觉)，音频(语音识别)，还是文本(自然语言处理)。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;

4.深度学习

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。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：非常好的DL基础教程，也是Andrew Ng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，但感觉就像是第二作者，也就是他的学生所写的。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，这样的话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

深度学习未必就是未来的一定主流，至少一些大牛是这么认为的。传统的机器学习有如下特点，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”;

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;

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;

7.会议论文

较好的课程都会推荐你一些论文。一些着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，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着名顶级会议：

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;Conference on Neural Information Processing Systems：简称NIPS，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;

8.自由学习

到这里了，可以说是进入这个门了。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：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;

五.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。

本文来自公众号：“大技术技术汇”，guanzhu了解大数据行业学习大数据技术和学习路线，还有免费学习资料放送。

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。