请问转行做人工智能需要如何准备

请问转行做人工智能需要如何准备？

这是一个很大的问题，我认为至少可以拆分成以下内容：人工智能这个新领域需要什么，能做什么，我们加入进去能做什么，需要什么知识和技能储备以及如何准备。

这几年一直在关注AI这个领域的事情，之前差点去了做人工智能的公司做Presales Consultant，就自己的简单理解和请教专家们的反馈，整理以下，希望得到您的认可点赞和转发推荐。

首先是，人工智能这个新领域需要什么？

人工智能这个领域其实起源很早，伴随着计算机技术的发展和人类的多次自我膨胀。

黄金年代：1956 - 1974

1956年，在达特茅斯学院举行的一次自发形成的会议上正式确立了人工智能的研究领域。会议的参加者（都是计算机和数学领域的大佬）是当时AI研究的领军人物。

当时预言，经过一代人的努力，与人类具有同等智能水平的机器将会出现。同时，上千万美元被投入到AI研究中，以期实现这一目标。

然后人类大大低估了这一工程的难度，人工智能史上共出现过好几次低潮。

第一次AI低谷：1974 - 1980

但是美国和英国政府于1973年停止向没有明确目标的人工智能研究项目拨款。七年之后受到日本政府研究规划的刺激，美国政府和企业再次在AI领域投入数十亿研究经费，但这些投资者在80年代末重新撤回了投资。AI研究领域诸如此类的高潮和低谷不断交替出现；至今仍有人对AI的前景作出异常乐观的预测。

繁荣：1980 - 1987

在80年代，一类名为“专家系统”的AI程序开始为全世界的公司所采纳，而“知识处理”成为了主流AI研究的焦点。日本政府在同一年代积极投资AI以促进其第五代计算机工程。80年代早期另一个令人振奋的事件是John Hopfield和David Rumelhart使联结主义重获新生。AI再一次获得了成功。

第二次AI低谷：1987 - 1993深度学习，大数据和人工智能：2011至今

进入21世纪，得益于大数据和计算机技术的快速发展，许多先进的机器学习技术成功应用于经济社会中的许多问题。

但是随着计算机性能的发展和一些底层理论的发展，在20世纪70年代被认为不能解决的挑战，已经有解决方案并已成功应用在商业产品上（比如语音识别、图像识别等）。

图灵在1950年发表的一篇催生现代智能机器研究的著名论文中称，“我们只能看到眼前的一小段距离……但是，我们可以看到仍有许多工作要做”。

所以，我们可以下个定义，现在的AI并不是完整意义上的人工智能，它不能像人这样思考，但是他可以通过大量的数据去“喂养”出对明确的方向或者问题的答案——比如图像识别，比如语音识别，比如模式识别——但是他们依旧不是万能的，比如自动驾驶就没法完全实现脱离人的全自动驾驶。

还是学术界定义的弱人工智能。

那么现代人工智能的核心是什么呢？

机器学习（但是已经发展成一个巨大的领域和很多细分学科）

除此以外，还有模式识别、数据挖掘、智能算法，这四个就是现代AI领域的四大核心技术。

那么要继续发展，这个领域需要什么呢？

更好的硬件——你可以投入硬件研发；

更好的算法——你可以去当数学家和算法科学家；

更好的应用——找到合适的方式去应用已有的硬件软件和算法。比如今日头条的推荐算法，其实就是个很赞的应用。

那么问题来了，转行进入这个领域能做什么？我们加入进去额能做什么？

这个领域基于数学和计算机，那么——如果你是这两个领域的人才，你自然而然地可以通过寻找相关的项目进入这个领域做事情。

如果你不是，那么贵行业有没有可以关联切入的？比如保险领域的客户数据挖掘和智能产品推荐？……

或者直接选择人工智能公司的同岗位，用类似的经验去适应新的领域，比如做语音识别的公司需要程序员吧？需要产品经理吧？需要销售和售前吧？

一旦明确了你怎么切入，那么自然需要做知识储备：

我认为以下几项是一定要有了解的，根据岗位不同，要求的深度也不同，欢迎留言点评，我们讨论下：

1. 统计学

关于机器学习——扎实的统计学基础必不可少：

度量模型是否成功的各种方法（精确度、召回率、ROC曲线下面积等）损失函数和评估指标的选择是如何偏离模型的输出的过拟合和欠拟合，偏差/方差2. 机器学习理论

在训练神经网络的时候，实际上发生了什么？是什么使得某些任务可行，而其他任务不可行？

要弄清楚这些问题，需要深入研究理论知识，也需要试着通过示例和项目。

需要理解的概念范围包括：不同的损失函数的工作原理是什么、计算图，如何建立一个功能模型，如何跟团队里的其他人员进行有效地交流，可以参考一些材料如：谷歌的深度学习课程

另一个基本技能是阅读、理解和实施论文的能力。因为这个领域的变化发展极快。

3. 数据处理数据采集（包括：找到好的数据源、准确度量数据的质量和分类、获取和推断标签）数据预处理（缺失数据填补、特征工程、数据增强、数据规范化、交叉验证分割）数据后处理（使模型的输出可用、清理工作、处理特殊情况和异常值）

熟悉数据处理工作最好的方法是获取一个数据集并试着使用它。

4. 对模型进行调试或调优

调试机器学习算法（无法收敛，或者得到的结果不合理）与调试普通代码有着很大的区别。

你的开发能力越强，则这些步骤实现起来就越快，反之亦然。

5. 软件工程

但是，应用AI这个领域的变化非常快，因此，最好的学习方式是亲身实践，尝试构建一个端到端的方案来解决一个真正的问题。

AI的历史虽然已经几十年了，但是以后的人类还是会认为我们现在的人工智能很弱的。

多阅读相关论文，拿tensor flow和文档来多试试手，结合自己的日常工作，你会找到你的方向和准备的答案。

回答如果对您有帮助，请麻烦点个赞，或者转发出去，让更多人看到。感谢支持。

回答如果让您迷惑，请点评提出或私信我讨论，感谢沟通。

回答如果没有用，不妨点个收藏，看看其他专家给出什么答案。