策略 ： 一文教你成为人工智能（AI）领域专家
简介
过去十年中，人工智能发展迅速，方兴未艾。AI 宏图，已在我们眼前展开。从自动驾驶汽车到谷歌大脑，人工智能始终是这些神奇而且影响深远的项目的核心技术。
当新闻开始报道亚历克莎（Alexa，亚马逊语音助手）出乎意料地开怀大笑时，人工智能(AI)成了新闻头条，电脑正在接管世界的笑话也遍地开花了。但是，如果把人工智能视为一项职业的话，就与好笑无关了。实际上，六个美国人之中，有五个人每天都以这种或那种形式使用人工智能提供的服务，可见人工智能是一个可行的职业选择。
为什么选择人工智能（AI）作为职业？
有很多原因可以让学生选择人工智能作为他们的职业，让一些专业人士改行到人工智能。关于为什么选择人工智能（AI）作为职业，现在我们来探究下其中的主要理由。
有趣且激动人心：人工智能（AI）为应聘者提供的应用领域富有挑战性，激动人心，诸如：无人驾驶汽车、人类行为预测、聊天机器人等只是几个简单的例子。
高需求和高价值： 最近，该行业对数据科学家和人工智能专家的需求量巨大，从而创造了更多的工作机会和更高的价值。
高薪： 目前，随着需求量的加大，工作量也在加大，这一领域的职位成了追求高收入职业者的选择之一。在当今这个就业岗位减少、市场饱和的时代，人工智能已经成为收入最高的工作之一。
如果你还在思考：为什么要选择人工智能作为职业？那么我的回答很明确： “如果你不想让人工智能接替你的工作，你就必须从事人工智能方向的职业”！
第0级：起点 （平地级）
如果太多的数学没有吓到你，而且你又喜欢编码，那么便可以开始把人工智能当作你的职业了。如果你真的喜欢优化算法和玩数学，或对它充满热情，不错！0级条件已经具备，你已经准备好开启AI职业生涯了。
第1级：初涉人工智能（入门级）
在这个层级，应该首先掌握基础知识。我所指的基础知识，并不意味着仅仅了解4-5个概念，实际上要涉及到以下很多的概念(相当多的概念)。
包括线性代数，统计和概率：数学是首先要涵盖的知识。首先需要掌握的数学基础知识包括向量、矩阵及其转换，然后继续了解维数、统计量和各种统计检验，如z检验、卡方检验等。在此之后，应该把注意力集中在了解概率学的概念上，比如贝叶斯（Bayes）定理等。数学是理解和建立复杂人工智能算法的基础步骤，而正是这些算法，使我们的生活变得更简单！
选择一种编程语言： 掌握了数学基础知识之后，你需要选择一种编程语言。我建议你学习一种或最多两种编程语言，并深入理解它。你可以从R语言、Python语言，甚至Java语言中选择！永远记住，编程语言只是为了简化你的生活，而不是用来定义你的生活。我们可以从Python语言开始，因为它比较抽象，并且提供了许多可以使用的库。R也发展得非常快，所以我们也可以考虑从R语言开始，或者可以尝试使用Java (前提是我们有一个良好的CS背景！)。
理解数据结构：尝试理解数据结构，即如何设计一个系统来解决涉及数据的问题。好的数据结构有助您设计一个准确和最优的系统，而AI的目的是要获得一个精确和最优的结果，所以，需要了解所选编程语言提供的堆栈、链接列表、字典等其他数据结构。
理解回归的全部细节：嗯，这是每个AI人都会给的一个建议。回归是数学的基本实现，这一点你必须已经掌握到。回归算法描述了如何利用现有知识对实际应用进行预测。把握好了回归，将极大地帮助你理解机器学习的基础知识，也将会为你的人工智能职业生涯做好铺陈。
继续了解不同的机器学习模型及其工作原理：在学习回归后，需要了解其他机器学习算法，如决策树、支持向量机（SVM）、KNN、随机森林算法等。你应该能利用这些算法去解决日常生活中的不同问题，知道每一个算法背后的数学原理。起初，这可能有点困难，但一旦你开始行动，一切都会迎刃而解。目标是成为人工智能的大师，而不要只是个随机的实践者！
理解机器学习所解决的问题：你应该理解不同机器学习算法的用例，关注为什么某一种算法比另一种更适合于特定的应用。只有这样，你才能体会算法中那些数据概念的妙处，这些概念使得算法更加适用于特定的业务需求或用例。机器学习本身分为三大类：监督学习、无监督学习和强化学习。只有对这三类机器学习的掌握程度超过平均水平，这个人才能真正进入深度学习的世界！
第2级：深入人工智能AI(深入级)
这是你为成为人工智能专家而奋斗的第2层级。在这个层级，只有当你已经掌握了机器学习的原理，才能算得上是进入深度学习这一专业领域！
理解神经网络：神经网络是一种以人脑为模型的机器学习。它通过一种允许计算机利用新数据的合成来学习的算法创造出一个人工神经网络。在这个阶段，你需要通过了解神经网络的每个细节来开始你的深度学习。你需要了解这些网络是如何利用智能做出决策的。神经网络是人工智能的核心，你需要彻底弄懂它！
揭示神经网络背后的数学：神经网络通常是层层相接的，每一层由多个相互连接的“节点”组成，每个节点包含一个“激活函数”。模式通过输入层进入网络中，输入层再与一个或多个“隐藏层”进行通信。实际通信过程中，数据处理是通过系统中加权的“连接”完成的。随后，隐藏层与输出层通信，由输出层输出答案。你需要掌握神经网络背后隐含的数学概念，如学习权重、激活函数、降损，反向传播，梯度下降方法等，这些是神经网络中使用到的基本数学概念。只有拥有强大的背景知识，你才能设计出自己的网络，你才会真正了解神经网络发挥作用的地方和方法！ 同伴啊，这些都是数学，全部都是数学！
掌握不同类型的神经网络：正如我们在ML（机器学习）中所做的那样，我们首先学习了回归，然后学习其他的ML算法。同理，在了解了所有关于基本神经网络的知识之后，可以开始探索适合不同用例、不同类型的神经网络了。基础数学可能保持不变，差别可能在于对数据进行了很少的修改和预处理。不同类型的神经网络包括多层感知器、递归神经网络、卷积神经网络、LSTMS等。
了解不同领域的人工智能，如NLP和智能系统：有了多种神经网络的知识，便可以开始掌握这些不同神经网络在不同商业中的应用了，比如：构建一个无人驾驶汽车模块，或者像人类一样的聊天机器人，甚至是一个可以与周围的环境进行交互的智能系统，它可以通过自学习来执行任务。不同的用例需要不同的方法和知识。当然，你不可能掌握人工智能的每个领域，因为它是一个非常庞大的系统，因此，我建议你在人工智能中选择一个领域，比如：自然语言处理，并努力在该领域深耕细作。一旦你的知识到达了一个良好的深度，那么可以考虑将你的知识应用到不同的领域。
熟悉大数据的基本知识： 虽然，获取大数据的知识不是一项强制性的任务，但我建议你为自己配备大数据的基础知识，因为所有的人工智能系统都只处理大数据。拥有大数据的基础知识将是一个很好的优势，因为它将帮助你设计出更优化和更现实的算法。
第3级：掌握人工智能（大师级）
这是你必须全力以赴的最后阶段，这时需要少学点，但却需要你更多地应用已经学到的东西！
掌握优化技术：第1、2层级专注于应用的精确实现，但现在我们必须讨论如何优化它。深度学习算法消耗了系统的大量资源，需要对系统的各个部分进行优化。优化算法帮助我们最小化(或最大化)一个目标函数(错误函数的另一个名称)E(X)，它是一个依赖于模型内部中可学习参数的数学函数，模型的内部参数对于有效地训练模型并产生准确的结果起着非常重要的作用。这就是为什么我们要使用各种优化策略和算法来更新和计算这些模型参数的最优值，从而优化模型的学习过程和模型的输出。
参加比赛：你应该在Kaggle上参加黑客比赛和数据科学比赛，这将使你的知识得到更多的提升，并给你更多的机会去应用和实现你的知识。
出版和阅读大量论文
论文：研究-工具-创新-测试。通过阅读大量与人工智能相关的研究论文，不断重复这一周期。这将帮助你理解：你如何避免只是个从业者以及如何成为一个蓬勃发展的创新者。人工智能还处于起步阶段，需要有创新能力的大师，也需要能够为这一领域带来革命的大师。
优化数学知识，使自己脱颖而出
算法：创新需要大量的研究和知识。你的最终目的地是利用自己的数学知识和技能，助力整个人工智能的发展。一旦能够掌握这门艺术，你将会距离人工智能的革新更进一步！
结论
掌握人工智能并不能一蹴而就。人工智能领域确实需要你艰苦奋斗，持之以恒，还得具备大量的耐心和知识！这可能是目前业内最热门的工作之一。成为一个从业人员或人工智能爱好者并不难，但如果你想成为一个大师，那你必须和创造人工智能的专家一样优秀！做任何事情都需要多年的时间和技巧，AI的情况也是如此。如果你有动力，这个世界上没有什么能阻止你的步伐。 (不仅AI 如此，其他行业也一样)。
原文发布时间为：2019-1-8
本文作者：数据派
本文来自云栖社区合作伙伴“ 数据分析”，了解相关信息可以关注“ ecshujufenxi”微信公众号