软件工程师如何转行做人工智能？問答頭條網

2018-11-26 15:30:34 佚名

wobushinv

软件工程师转行做人工智能是一个不错的选择，但是要根据自身的知识结构进行相应的准备。对于研发级软件工程师（研发级程序员）来说，转行做人工智能是相对比较容易的，因为研发级工程师往往都有扎实的算法基础。对于应用级软件工程师（应用级程序员）来说，转行做人工智能需要一个系统的准备（学习）过程。

人工智能目前的研究方向比较多，比如自然语言处理、机器学习以及计算机视觉都是不错的研究方向，下面就以机器学习为例，说一下作为应用级软件工程师来说，都应该做好哪些准备。

首先，需要系统的学习一下算法知识。机器学习的研发是以算法为核心进行展开的，所以要有一个扎实的算法基础。这个过程需要了解一些比较经典的算法设计过程，逐步培养起解决问题的思路。这部分的学习内容包括随机算法、堆排序算法、快排、计数排序、贪心算法、核算法、势能法、图算法、多线程算法、数论算法和近似算法等，在学习算法的过程中也会连带着把数据结构一并学习一下，因为算法和数据结构本就不分家。

其次，了解机器学习的实现步骤。机器学习的流程包括数据收集、数据整理、算法设计、算法实现、验证算法和应用算法，数据收集是机器学习的第一步，目前可以用于机器学习的公共数据集并不少，对于实验来说已经够用了。接下来就是了解常见的机器学习算法，目前比较常见的机器学习算法包括NB、k-mean、kNN、SVM、Apriori、EM、PageRank、CART等算法，对于有算法基础的人来说，这些算法的学习并不困难。

最后，选择一门编程语言来实现这些算法并对其进行验证。对于软件工程师来说，这个步骤还是相对比较轻松的，目前使用Python做机器学习的算法实现是一个比较常见的做法。

人工智能是我的主要研究方向之一，目前我也在带相关方向的研究生，我会陆续在头条写一些关于人工智能方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。

如果有人工智能方面的问题，也可以咨询我，谢谢！

IT人刘俊明

首先人工智能肯定是未来的一个方向，无论是否想转行，都有必要去了解人工智能技术。

其次我认为学习人工智能主要有四种境界，你需要确定自己需要达到哪种境界，才好确定你的努力方向和策略。

1.科学家境界
2.工程师境界
3.应用者境界
4.知其然境界

科学家境界

科学家境界是很少很少一部分人能达到的境界，主要是那些从事人工智能研究的科学家，他们能原创出很多的算法和理论，解决一些最前沿的难题。比如深度学习的鼻祖Hinton,生成对抗网络发明人 Ian goodfellow,Xgboost发明人陈天奇等等。

工程师境界

工程师境界也是很难的一种境界，需要用很强的理论背景和工程实现能力，能独立复现最新的论文，深刻理解论文的实现原理，并能在上面做一些小创新。

应用者境界

应用者境界是大部分人工智能算法工程师所在的境界，主要就是明白算法原理，知道如何实现，核心在于知道如何把他应用在一个实际的业务场景之中。

知其然境界

最后一个是知其然，也知其所以然境界，知道当下的人工智能到底是什么，知道机器学习和深度学习大概是个什么东西，不会过分的去神话AI，知道目前AI的优势，更知道目前AI的局限。

不同的境界对应不同的要求，简单点概括就是：

工程能力决定你的下界，理论能力与业务理解决定你的天花板。

PS：本号作者目前是某大厂机器学习算法工程师，致力于全栈AI算法和业务场景落地，非常乐于在网上分享最新的AI知识，也经常开直播教同学AI算法和编程。感兴趣的同学可以关注本头条号，获得最新的干货！

人工智能与未明学院

软件工程师，首先上手python不是问题。

然后就得补机器学习的知识了。这个比较需要精力，初步的了解简单网络，以cnn最为常见。cnn家族很大，如果做的与图像相关，肯定要深入了解并关注最新文献状态。其他还有很多类型的网络模型，以rnn，对抗生成网络，自编码器等为代表，这些东西通过国内的博客就能大量学习，作为转阵地的资学习资料足够丰富了

接着，机器学习里，作为程序员最喜欢的部分，深度学习框架，选择主流几种的一个，上手做实验。代码去github上找，数据集就用公开的。还是那句话，博客对爱学习的人来说，非常友好

机器学习要由浅入深，跑一跑经典的网络，分析一下代码，再对照论文理解理解。见得多，练的多，基本就进了机器学习的大门了。对于程序员来说，应该不用做学术研究吧，熟悉性能最优的最新网络就够了，用的好就行

allenlew312

人工智能和使用何种语言无关。目前主要是模糊控制（Fuzzy Logic Control)和神经元网络（Neural Networks - NN),大多应用于模式识别，图像处理，自动控制，语音识别等。基于NN, 就开发了机器学习（Machine Learning - ML)和深度学习(Deep Learning - DL)等应用领域，这二者是有区别的。ML 需人工干预（设定输入和输出以训练Training NN),但DL无需人工干预，可自动实现训练和学习过程。且ML有有限的层（2层 - 2 Layers), 但DL具有多层（Multi-Layer), 属于深度学习。所谓深度，就是具有更多尽（深层）NN.