人工智能转行领域工程师？人工智能转行领域工程师是干嘛的

编程零基础转行人工智能，能找到高薪工作吗

首先人工智能这一块代码是最简单的:需要的代码编程能力是Python和c语言，其次需要基础的高等数学知识，包括微积分、线性代数、概率论、统计学。技能和知识你都有了接下来是学历，一本硕士起步，专业必须是计算机或者数学系，其它专业一概不考虑。

现在转行学习人工智能还来得及吗为什么

任何时候都来得及。给亲推荐一个童鞋曾经问我们的问题：25岁Java工程师如何转型学习AI？希望对你有所启发。

他的问题是这样的：“我是一名25岁的Java开发工程师。本科学习的专业是信息与计算科学（数学专业），因为对计算机方面感兴趣，之后培训学习了Java，所以现在从事Java开发。目前就是在电商公司开发一些系统。

我对人工智能非常感兴趣，对数学的兴趣也从未减弱。人工智能设计的学习材料很多，像我这样的状况，如果想要转型以后从事这方面的工作，具体应该学习些什么？”

阿里技术童鞋“以均”回信：

首先，我想聊聊为何深度学习最近这么火。

外行所见的是2016年AlphaGo4比1战胜李世石，掀起了一波AI热潮，DeepMind背后所用的深度学习一时间火得不得了。其实在内行看来，AlphaGo对阵李世石的结果是毫无悬念的，真正的突破在几年前就发生了。

2012年，GeffereyHinton的学生Alex使用一个特别构造的深度神经网络（后来就叫AlexNet），在图像识别的专业比赛ImageNet中，得到了远超之前最好成绩的结果，那个时候，整个人工智能领域就已经明白，深度学习的革命已经到来了。

果然，之后深度学习在包括语音识别，图像理解，机器翻译等传统的人工智能领域都超越了原先各自领域效果最好的方法。从2015年起，工业界内一些嗅觉灵敏的人士也意识到，一场革命或已到来。

关于基本概念的学习

机器学习与深度学习

深度学习是机器学习中的一种技术，机器学习包含深度学习。机器学习还包含其他非深度学习的技术，比如支持向量机，决策树，随机森林，以及关于“学习”的一些基本理论，比如，同样都能描述已知数据的两个不同模型，参数更少的那个对未知数据的预测能力更好（奥卡姆剃刀原理）。

深度学习是一类特定的机器学习技术，主要是深度神经网络学习，在之前经典的多层神经网络的基础上，将网络的层数加深，并辅以更复杂的结构，在有极大量的数据用于训练的情况下，在很多领域得到了比其他方法更好的结果。

机器学习与大数据

大数据：机器学习的基础，但在多数语境下，更侧重于统计学习方法。机器学习，深度学习，数据挖掘，大数据的关系可以用下图表示

系统学习资料

深度学习火起来之后，网上关于深度学习的资料很多。但是其质量参差不齐。我从2013年开始就关注深度学习，见证了它从一个小圈子的领先技术到一个大众所追捧的热门技术的过程，也看了很多资料。我认为一个高质量的学习资料可以帮助你真正的理解深度学习的本质，并且更好地掌握这项技术，用于实践。

以下是我所推荐的学习资料：

首先是视频课程。

YaserAbu-Mostafa

加州理工的YaserAbu-Mostafa教授出品的机器学习网络课程，非常系统地讲解了机器学习背后的原理，以及主要的技术。讲解非常深入浅出，让你不光理解机器学习有哪些技术，还能理解它们背后的思想，为什么要提出这项技术，机器学习的一些通用性问题的解决方法（比如用正则化方法解决过拟合）。强烈推荐。

课程名称：MachineLearningCourse-CS156

GeoffreyHinton

深度学习最重要的研究者。也是他和另外几个人（YannLeCun，YoshuaBengio等）在神经网络被人工智能业界打入冷宫，进入低谷期的时候仍然不放弃研究，最终取得突破，才有了现在的深度学习热潮。

他在Coursera上有一门深度学习的课程，其权威性自不待言，但是课程制作的质量以及易于理解的程度，实际上比不上前面YaserMostafa的。当然，因为其实力，课程的干货还是非常多的。

课程名称：NeuralNetworksforMachineLearning

UdaCity

Google工程师出品的一个偏重实践的深度学习课程。讲解非常简明扼要，并且注重和实践相结合。推荐。

小象学院

国内小象学院出品的一个深度学习课程，理论与实践并重。由纽约城市大学的博士李伟主讲，优点是包含了很多业内最新的主流技术的讲解。值得一看。

阿里云大学

出了很多免费的机器学习课程，理论和实践相结合。

推荐阅读书目

《DeepLearningtheBook》——这本书是前面提到的大牛YoshuaBegio的博士生Goodfellow写的。Goodfellow是生成式对抗网络的提出者，生成式对抗网络被YannLeCun认为是近年最激动人心的深度学习技术想法。这本书比较系统，专业，偏重理论，兼顾实践，是系统学习深度学习不可多得的好教材。英文版：目前Github上已经有人翻译出了中文版：

推荐学习路径

不同的人有不同的需求，有些人希望掌握好理论基础，然后进行实践，有些人希望能够快速上手，马上做点东西，有些人希望理论与实践兼顾。下面推荐几条学习路径，照顾到不同的需求。大家可以根据自己的特点进行选择。

HardwayYaser->GeoffreyHinton->UdaCity->GoodFellow

特点：理论扎实，步步为营。最完整的学习路径，也是最“难”的。

推荐指数：4星

GoodwayYaser->UdaCity->小象学院->GoodFellow

特点：理论扎实，紧跟潮流，兼顾实战，最后系统梳理。比较平衡的学习路径。

推荐指数：5星

"Fast"wayUdaCity->GoodFellow

特点：快速上手，然后完善理论。

推荐指数：4星

"码农"wayUdaCity

特点：快速上手，注重实践。

推荐指数：3星

---end---

更多技术干货敬请关注云栖社区头条号！

硬件开发35岁，想转行去做人工智能

目前国内的计算机持续强劲发展，使计算机行业又迎来了飞速前进的春天，大大推动了计算机业的发展。

由于设计人才短缺，高水平的设计人才更是凤毛麟角，再加上行业人员的素质参差不齐，故市场人才需求空前旺盛。

在人工智能的冲击下，转行做一级市场是否明智

这个问题很好，大家目前看到的是人工智能在金融市场中的应用，都是在冲击二级市场，实际上人工智能在一级市场中也有应用，也在冲击。

在二级市场上，譬如股指期货交易中，计算机程序交易系统以每秒下30多张单的速度，这让投机高手都能一下子就傻了眼。现在的市场充斥着高频交易者，极为迅速地交易，确实会挤压很多传统交易者的饭碗。

在华尔街，自动化是如何给交易员带来毁灭性打击的。2000年，高盛位于纽约的股票现金交易部门有600个交易员。而如今只剩下两个交易员，交易大厅空荡荡的了。

在一级市场上，人工智能也有运用了，只是还没二级市场那么普及。

有投资人认为，一级市场是辅助决策，帮助投资人做决策判断和支持，进行数据收集分析，发现行业热点和未来趋势。所以，一级市场最终也不是要量化取代人，但未来肯定是要进入量化投资时代。

目前有一些平台，通过大数据定位于数据平台，汇集一级市场活跃项目，使创业项目、投资人信息标准化，通过数据+终端模式，给投资机构决策参考，这大大提高了分析的效率。

投中在2017年11月发布了自主研发的一级市场创投数据库，利用大数据分析挖掘技术加人工复核机制，通过提供全面而精准的创投数据，帮助用户进行各行业的股权研究，让数据成为真正的投资助手。这都是一个很大的进步，未来一级市场中很多初级的工作也是要被机器取代的。

程序员转行做人工智能能成功吗

一定能成功没有做不到只有想不到