眼下，人工智能已經(jīng)成為越來越火的一個方向。普通工程師，如何轉(zhuǎn)向人工智能方向，是知乎上的一個問題。本文是對此問題的一個回答的歸檔版。相比原回答內(nèi)容上有所增加。

一、 目的

本文的目的是給出一個簡單的，平滑的，易于實現(xiàn)的學(xué)習(xí)方法，幫助 “普通” 工程師踏入AI領(lǐng)域這個門。這里，我對普通工程師的定義是：擁有大學(xué)本科知識;平時工作較忙;自己能獲取的數(shù)據(jù)有限。因此，本文更像是一篇 “from the scratch” 的AI入門教程。

二、 AI領(lǐng)域簡介

AI，也就是人工智能，并不僅僅包括機器學(xué)習(xí)。曾經(jīng)，符號與邏輯被認為是人工智能實現(xiàn)的關(guān)鍵，而如今則是基于統(tǒng)計的機器學(xué)習(xí)占據(jù)了主導(dǎo)地位。最近火熱的深度學(xué)習(xí)正是機器學(xué)習(xí)中的一個子項。目前可以說，學(xué)習(xí)AI主要的是學(xué)習(xí)機器學(xué)習(xí)。

但是，人工智能并不等同于機器學(xué)習(xí)，這點在進入這個領(lǐng)域時一定要認識清楚。關(guān)于AI領(lǐng)域的發(fā)展歷史介紹推薦看周老師寫的《機器學(xué)習(xí)簡介》。下面一個問題是：AI的門好跨么?其實很不好跨。我們以機器學(xué)習(xí)為例。

在學(xué)習(xí)過程中，你會面對大量復(fù)雜的公式，在實際項目中會面對數(shù)據(jù)的缺乏，以及艱辛的調(diào)參等。如果僅僅是因為覺得這個方向未來會“火”的話，那么這些困難會容易讓人放棄?？紤]到普通工程師的特點，而要學(xué)習(xí)如此困難的學(xué)科，是否就是沒有門路的?答案是否定的。只要制定合適的學(xué)習(xí)方法即可。

三、 學(xué)習(xí)方法

學(xué)習(xí)方法的設(shè)定簡單說就是回答以下幾個問題：我要學(xué)的是什么?我怎樣學(xué)習(xí)?我如何去學(xué)習(xí)?這三個問題概括說就是：學(xué)習(xí)目標(biāo)，學(xué)習(xí)方針與學(xué)習(xí)計劃。學(xué)習(xí)目 標(biāo)比較清楚，就是踏入AI領(lǐng)域這個門。這個目標(biāo)不大，因此實現(xiàn)起來也較為容易。“過大的目標(biāo)時就是為了你日后放棄它時找到了足夠的理由”。

學(xué)習(xí)方針可以總結(jié)為 “興趣為先，踐學(xué)結(jié)合”。簡單說就是先培養(yǎng)興趣，然后學(xué)習(xí)中把實踐穿插進來，螺旋式提高。這種方式學(xué)習(xí)效果好，而且不容易讓人放棄。有了學(xué)習(xí)方針以后，就可以制定學(xué)習(xí)計劃，也稱為學(xué)習(xí)路線。下面就是學(xué)習(xí)路線的介紹。

四、 學(xué)習(xí)路線

我推薦的學(xué)習(xí)路線是這樣的，如下圖：

圖1 AI領(lǐng)域?qū)W習(xí)路線圖

這個學(xué)習(xí)路線是這樣設(shè)計的：首先了解這個領(lǐng)域，建立起全面的視野，培養(yǎng)起充足的興趣，然后開始學(xué)習(xí)機器學(xué)習(xí)的基礎(chǔ)，這里選擇一門由淺入深的課程來學(xué)習(xí)， 課程最好有足夠的實驗?zāi)軌蜻M行實戰(zhàn)?；A(chǔ)打下后，對機器學(xué)習(xí)已經(jīng)有了充足的了解，可以用機器學(xué)習(xí)來解決一個實際的問題。

這時還是可以把 機器學(xué)習(xí)方法當(dāng)作一個黑盒子來處理的。實戰(zhàn)經(jīng)驗積累以后，可以考慮繼續(xù)進行學(xué)習(xí)。這時候有兩個選擇，深度學(xué)習(xí)或者繼續(xù)機器學(xué)習(xí)。深度學(xué)習(xí)是目前最火熱的機器學(xué)習(xí)方向，其中一些方法已經(jīng)跟傳統(tǒng)的機器學(xué)習(xí)不太一樣，因此可以單獨學(xué)習(xí)。除了深度學(xué)習(xí)以外，機器學(xué)習(xí)還包括統(tǒng)計學(xué)習(xí)，集成學(xué)習(xí)等實用方法。

如果條件足夠，可以同時學(xué)習(xí)兩者，一些規(guī)律對兩者是共通的。學(xué)習(xí)完后，你已經(jīng)具備了較強的知識儲備，可以進入較難的實戰(zhàn)。這時候有兩個選擇，工業(yè)界的可以選擇看開源項目，以改代碼為目的來讀代碼;學(xué)術(shù)界的可以看特定領(lǐng)域的論文，為解決問題而想發(fā)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(jīng)過這個階段以后，可以說是踏入AI領(lǐng)域的門了。“師傅領(lǐng)進門，修行在個人”。之后的路就要自己走了。

下面是關(guān)于每個階段的具體介紹：

0.領(lǐng)域了解

在學(xué)習(xí)任何一門知識之前，首先第一步就是了解這個知識是什么?它能做什么事?它的價值在什么地方?如果不理解這些的話，那么學(xué)習(xí)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(fēng)險。了解這些問題后，你才能培養(yǎng)出興趣，興趣是最好的引路人，學(xué)習(xí)的動力與持久力才能讓你應(yīng)付接下來的若干個階段。

1.知識準(zhǔn)備

如果你離校過久，或者覺得基礎(chǔ)不牢，最好事先做一下準(zhǔn)備復(fù)習(xí)工作。“工欲善其事，必先利其器”。以下的準(zhǔn)備工作不多，但足以應(yīng)付后面階段的學(xué)習(xí)。

數(shù)學(xué)：復(fù)習(xí)以下基本知識。線性代數(shù)：矩陣乘法;高數(shù)：求導(dǎo);概率論：條件與后驗概率。其他的一些知識可以在后面的學(xué)習(xí)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(wǎng)頁;

FQ：可以隨時隨地上Google，這是一個很重要的工具。不是說百度查的不能看，而是很多情況下Google搜出來的資料比百度搜的幾十頁的資料還管用，尤其是在查英文關(guān)鍵字時。節(jié)省時間可是很重要的學(xué)習(xí)效率提升。

2.機器學(xué)習(xí)

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

時間：cs229 的時間太早，一些知識已經(jīng)跟不上當(dāng)今的發(fā)展，目前最為火熱的神經(jīng)網(wǎng)絡(luò)一筆帶過。而Cousera上神經(jīng)網(wǎng)絡(luò)可是用了兩個課時去講的!而且非常詳細;

教學(xué)：Ng在cs229 時候的教學(xué)稍顯青澀，可能是面對網(wǎng)絡(luò)教學(xué)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(guān)心那些人的問題。這點在 Coursera上就明顯得到了改善，你會發(fā)現(xiàn)Ng的教學(xué)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(xué)，在碰到你不明白的單詞術(shù)語時也會叫你不要擔(dān)心，更重要的，推導(dǎo)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(zhì)量比Coursera上的差了一截。Coursera上中文字幕翻譯經(jīng)過了多人把關(guān)，質(zhì)量很有保證;

作業(yè)：cs229 沒有作業(yè)，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(yè)，而且每期作業(yè)提交上去都有打分。更重要的是，每期作業(yè)都有實際的例子，讓你手把手練習(xí)，而且能看到自己的成果，成就感滿滿!

3.實踐做項目

學(xué)習(xí)完了基礎(chǔ)課程，你對機器學(xué)習(xí)就有了初步了解?，F(xiàn)在使用它們是沒有問題的，你可以把機器學(xué)習(xí)算法當(dāng)作黑盒子，放進去數(shù)據(jù)，就會有結(jié)果。在實戰(zhàn)中你更需要去關(guān)心如何獲取數(shù)據(jù)，以及怎么調(diào)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(yīng)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(lǐng)域，這里面的開源項目較多，入門也較簡單，可以使用OpenCV做開發(fā)，里面已經(jīng)實現(xiàn)好了神經(jīng)網(wǎng)絡(luò)，SVM等機器學(xué)習(xí)算法。項目做好后，可以開源到到 Github 上面，然后不斷完善它。實戰(zhàn)項目做完后，你可以繼續(xù)進一步深入學(xué)習(xí)，這時候有兩個選擇，深度學(xué)習(xí)和繼續(xù)機器學(xué)習(xí);

4.深度學(xué)習(xí)

深度學(xué)習(xí)：深度學(xué)習(xí)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(tǒng)講解的書。因此學(xué)習(xí)的資源也相對零散，下面是一些資源介紹。其中不推薦的部分并不代表不好，而是在這個初學(xué)階段不合適：

推薦，UFLDL： 非常好的DL基礎(chǔ)教程，也是Andrew Ng寫的。有很詳盡的推導(dǎo)，有翻譯，且翻譯質(zhì)量很高;推薦，Deep learning (paper)：2015年Nature上的論文，由三位深度學(xué)習(xí)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(xué)習(xí)，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，但是閱讀并不困難;推薦，Recurrent Neural Networks： 結(jié)合一個實際案例告訴你RNN是什么，整篇教程學(xué)完以后，會讓你對RNN如何產(chǎn)生作用的有很清晰的認識，而這個效果，甚至是讀幾篇相關(guān)論文所沒有的;

不推薦，Neural Networks for Machine Learning – University of Toronto | Coursera：深度學(xué)習(xí)創(chuàng)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(biāo)準(zhǔn);不推薦，Deep Learning (book)：同樣也是由深度學(xué)習(xí)大牛所寫的書，但感覺就像是第二作者，也就是他的學(xué)生所寫的。很多內(nèi)容都講了，但是感覺也沒講出什么內(nèi)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(xù)機器學(xué)習(xí)

深度學(xué)習(xí)未必就一定是未來的主流，至少一些大牛是這么認為的。傳統(tǒng)的機器學(xué)習(xí)有如下特點，知識系統(tǒng)化，有相對經(jīng)典的書。其中統(tǒng)計學(xué)習(xí)(代表SVM)與集成學(xué)習(xí)(代表adaboost)是在實踐中使用非常多的技術(shù)。下面是相關(guān)資源：

推薦，機器學(xué)習(xí)(周志華)： 如果是在以前，機器學(xué)習(xí)方面的經(jīng)典教材首推PRML，但現(xiàn)在周老師的書出來以后，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(xiàn)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(dāng)前階段不推薦。PRML是以貝葉斯的觀點看待很多機器學(xué)習(xí)方法，這也是它的一大特色。但對于初學(xué)者來說，這種觀點其實并無必要。而且此書沒有中文翻譯，當(dāng)前階段硬啃很容易放棄;

6.開源項目

當(dāng)知識儲備較為充足時，學(xué)習(xí)可以再次轉(zhuǎn)入實踐階段。這時候的實踐仍然可以分兩步走，學(xué)習(xí)經(jīng)典的開源項目或者發(fā)表高質(zhì)量的論文。開源項目的學(xué)習(xí)應(yīng)該以盡量 以優(yōu)化為目的，單純?yōu)樽x代碼而學(xué)習(xí)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(xué)習(xí)為例。深度學(xué)習(xí)的開源優(yōu)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(xué)習(xí)庫，用matlab語言撰寫，較為適合從剛學(xué)習(xí)的課程轉(zhuǎn)入學(xué)習(xí)。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(jīng)有40000多個star，非常驚人，支持移動設(shè)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(shù)與方法往往誕生于一些重要的會議。因此，看往年的會議論文是深入學(xué)習(xí)的方法。在這時，一些論文中的內(nèi)容會驅(qū)使你學(xué)習(xí)數(shù)學(xué)中你不擅長的部分。有時候你會覺得數(shù)學(xué)知識儲備不夠，因此往往需要學(xué)習(xí)一些輔助課程。

當(dāng)你看完足夠的論文以后，在這個階段，如果是在校學(xué)生，可以選擇某個課題，以發(fā)論文為目的來學(xué)習(xí)研究。一般來說，論文是工作的產(chǎn)物。有時候一篇基于實驗的論文往往需要你寫代碼或者基于開源項目。因此開源項目的學(xué)習(xí)與會議論文的工作兩者之間是有相關(guān)的。

兩者可以同時進行學(xué)習(xí)。關(guān)于在哪里看論文，可以看一下CCF推薦排名，了解一下這個領(lǐng)域里有哪些優(yōu)秀的會議。

下面介紹兩個圖像與機器學(xué)習(xí)領(lǐng)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(lǐng)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(fā)表在這上面，例如關(guān)于CNN的一篇重要論文就是發(fā)表在上面。

8.自由學(xué)習(xí)

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

cs229：Ng寫的講義很不錯，其中關(guān)于SVM的推導(dǎo)部分很清晰，想學(xué)習(xí)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(jīng)網(wǎng)絡(luò)是怎么看的，往往會讓你有種原來如此的感悟。其實看這門課程也等同于讀論文，因為幾乎每節(jié)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(yè)。國內(nèi)應(yīng)該有團隊對字幕進行了翻譯，可以找找;

PRML：作為一門經(jīng)典的機器學(xué)習(xí)書籍，是很有閱讀必要的，會讓你對機器學(xué)習(xí)擁有一個其他的觀察視角;

五、 總結(jié)

本文的目的是幫助對AI領(lǐng)域了解不深，但又想進入的同學(xué)踏入這個門。這里只說踏入，是因為這個領(lǐng)域的專精實在非常困難，需要數(shù)年的積累與努力。在進行領(lǐng)域?qū)W習(xí)前，充分認識自己的特點，制定合適的學(xué)習(xí)方法是十分重要的。

首先得對這個領(lǐng)域進行充分了解，培養(yǎng)興趣。在學(xué)習(xí)時，保持著循序漸進的學(xué)習(xí)方針，不要猛進的學(xué)習(xí)過難資源;結(jié)合著學(xué)習(xí)與實踐相輔的策略，不要只讀只看，實際動手才有成就感。學(xué)習(xí)某個資源時要有充分的目的，不是為了學(xué)開源項目而看代碼，而是為了寫開源項目而看;不是為了發(fā)論文而寫論文，而是為了做事情而寫論文。

如果一個學(xué)習(xí)資源對你過難，并不代表一定是你的問題，可能是學(xué)習(xí)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(xué)習(xí)優(yōu)質(zhì)資源，而不是不分青紅皂白的學(xué)習(xí)。最后，牢記以興趣來學(xué)習(xí)。學(xué)習(xí)的時間很長，過程也很艱難，而只有興趣才是讓你持之以恒，攻克難關(guān)的最佳助力。

謹(jǐn)以此文與在學(xué)海中乘舟的諸位共勉。我就是一名普通工程師，剛剛轉(zhuǎn)入AI領(lǐng)域，還有很多不足。希望此文可以幫助到大家。