嘿Boy176342946

題主這麼問，首先假設題主不是計算機或者數學專業的。

這麼說吧，這是件可以去做的事，而且現實情況是，現在也有不少的一部分人工智能從業者就是轉行過來的。

我在國內某電商做人工智能，而我大學的專業並非計算機也不是數學，就是純靠自學找到的這份工作。目前從業三年，也積累了很多面試經驗。

就我面試別人的經驗來看，現在這行的水平良莠不齊，而且其實很少有學校有專門對口的專業，所謂的專業更多的只是計算機專業有天生的編程基礎，數學專業有強大的數學背景，而更多的計算機應屆畢業生，其實並沒有很深厚的人工智能基礎，只是和導師做了一兩個用到了某個人工智能算法的項目。

所以自學的話，建議剛開始找一些例子，多看看比如tensorflow這樣的框架官方文檔上的內容，還是能學到不少東西的，然後思考整個例子的流程，再找些經典的教材看看算法的細節。

如果數學基礎不好，建議先惡補一下基礎的線性代數和基礎概率論的前幾章，然後就試著去理解神經網絡，梯度下降這些內容，隨著慢慢的深入，缺什麼數學就補什麼數學，不用一上來就一堆數學書，這樣很容易就放棄了。最好是補充了基礎的線性代數和概率論後，就著算法去跟隨需求補充數學。

另外關於編程，這是個硬功夫，建議每天花時間去學習。

再說說工作的真實狀態，工作一般分兩種，一種就是網上所說的調參俠，還有一種就是做模型壓縮優化這些高大上的工作。

對於調參俠，其實上手是很快的，但也不用鄙視調參俠，他們自有自己的價值，而且很多公司要的就是調參俠，而不是算法創新，需要的是快速出可用的模型。這時候工作的大部分內容其實並不在算法，更多的是在處理數據，把數據處理到最簡單的算法都能得出好的結果，你就是你周圍的圈子裡蠻厲害的了。所以調參俠需要的技能並沒有想象中那麼複雜，通過自學是可以入門的。

對於模型壓縮優化這部分工作，剛開始自學的時候可能會很難到這個層次，但也有捷徑，就是利用別人寫好的優化框架，你可能不知道發生了什麼，但你的模型就是跑的快了，模型也變小了。

當然我這裡並不是鼓勵做調參俠，建議做兩年調參俠後，這時候操作系統基礎(linux)該有了，也有些編程經驗了，各類算法也摸過了，這時候可以考慮做一些深入的工作了，比如模型壓縮這樣的工作。

另外，即使是自學，最好也是找一個具體的方向深入，比如推薦，視覺，nlp等，不然只是常規的分類迴歸門檻太低了。

最後建議初學不要給自己太多壓力和砍，可以看看下面這些內容(對非計算機或數學專業):

1.linux基礎

2.python基礎

3.線性代數和概率論基礎

4.吳恩達的深度學習視頻

5.tensorflow官方文檔，實踐起來

看完上面這些，相信自然而然會知道該往哪裡深入了。

既然是自學，所以看書的時候千萬不要騙自己，沒看懂就是沒看懂，剛開始的時候一個很簡單的推導都值得花很多時間好好去咀嚼。

希望能有更多的參與到人工智能這場技術變革裡來。

懸疑Zoo

希望對你有幫助。

如果你需要其他學習資料，可以關注我的微信公眾號——大學乾貨。

大學乾貨

自學人工智能是可行的，但學習程度取決於個人基礎和學習能力，在此分享一個軟件工程師轉行機器學習的故事，包括他在這之中都接觸了哪些學習資料是如何學習的。

自上而下的學習路線: 軟件工程師的機器學習

這是？

這是本人為期數月的學習計劃。我正要從一名移動端軟件開發者(自學，無計科文憑)轉型成為一名機器學習工程師。

我的主要目標是找到一種以實踐為主的學習方法，併為初學者抽象掉大多數的數學概念。 這種學習方法是非傳統的，因為它是專門為軟件工程師所設計的自上而下、以結果為導向的學習方法。

如果您想讓它更好的話，隨時歡迎您的貢獻。

為何要用到它？

我會為了我未來的工作————機器學習工程師 遵循這份計劃。自2011年以來，我一直進行著移動端應用的開發(包括安卓、iOS與黑莓)。我有軟件工程的文憑，但沒有計算機科學的文憑。我僅僅在大學的時候學習過一點基礎科學，包括微積分、線性代數、離散數學、概率論與統計。 我認真思考過我在機器學習方面的興趣:

• 我能在沒有計科碩士、博士文憑的情況下找到一份關於機器學習的工作嗎？
  • "你當然可以，但是我想進入這個領域則無比艱難。" Drac Smith
• 我是一名軟件工程師，我自學了機器學習，我如何在沒有相關經驗的情況下找到一份關於機器學習的工作？
  • "我正在為我的團隊招聘機器學習專家，但你的MOOC並不會給你帶來工作機會。事實上，大多數機器學習方向的碩士也並不會得到工作機會，因為他們（與大多數上過MOOC的人一樣）並沒有深入地去理解。他們都沒法幫助我的團隊解決問題。" Ross C. Taylor
• 找一份機器學習相關的工作需要掌握怎樣的技能？
  • "首先，你得有正兒八經的計科或數學專業背景。ML是一個比較先進的課題，大多數的教材都會直接默認你有以上背景。其次，機器學習是一個集成了許多子專業的奇技淫巧的課題，你甚至會想看看MS的機器學習課程，去看看他們的授課、課程和教材。" Uri
  • "統計，假設，分佈式計算，然後繼續統計。" Hydrangea

我深陷困境。

據我所知, 機器學習有兩個方向：

• 實用機器學習： 這個方向主要是查詢數據庫、數據清洗、寫腳本來轉化數據，把算法和庫結合起來再加上一些定製化的代碼，從數據中擠出一些準確的答案來證明一些困難且模糊不清的問題。實際上它非常混亂。
• 理論機器學習： 這個方向主要是關於數學、抽象、理想狀況、極限條件、典型例子以及一切可能的特徵。這個方向十分的乾淨、整潔，遠離混亂的現實。

我認為對於以實踐為主的人來說，做好的方法就是 “練習--學習--練習”，這意味著每個學生一開始就能參與一些現有項目與一些問題，並練習（解決）它們以熟悉傳統的方法是怎麼做的。在有了一些簡單的練習經驗之後，他們就可以開始鑽進書裡去學習理論知識。這些理論知識將幫助他們在將來進行更進一步的訓練，充實他們解決實際問題的工具箱。學習理論知識還會加深他們對那些簡單練習的理解，幫助他們更快地獲得進階的經驗。

這是一個很長的計劃，它花去了我一年的時間。如果你已經對它有所瞭解了，它將會讓你省去很多時間。

如何使用它？

以下的內容全部是概要，你需要從上往下來解決這些項目。

我使用的是Github獨特的flavored markdown的任務列表來檢查我計劃的進展。

• 創建一個新的分支，然後你可以這樣來標出你已經完成的項目，只需要在框中填寫一個x即可：[x]

瞭解更多有關 Github-flavored markdown的知識

Follow me

我是一名非常非常想去美國工作的越南軟件工程師。

我在這份計劃中花多少時間？在每天的艱辛工作完成後，每晚花4小時。

我已經在實現夢想的旅途中了。

• Twitter: @Nam Vu

USA as heck別認為自己不夠聰明

當我打開書本，發現他們告訴我多元微積分、統計與推理、線性代數是學習機器學習的先決條件的時候，我非常沮喪。因為我不知道從哪兒開始…

• 我數學不好怎麼辦
• 沒有數學專業背景而理解機器學習算法的5種技巧
• 我是如何學習機器學習的？

關於視頻資源

部分視頻只有在Coursera、EdX的課程註冊了才能觀看。雖然它們是免費的，但有些時間段這些課程並不開放，你可能需要等上一段時間(可能是好幾個月)。我將會加上更多的公開的視頻源來代替這些在線課程的視頻。我很喜歡大學的講座。

預備知識

這個小章節是一些在每日計劃開始前我想去了解的一些預備知識與一些有趣的信息。

• Data Analytics，Data Analysis，數據挖掘，數據科學，機器學習，大數據的區別是什麼？
• 學習如何去學習
• 不要斬斷鎖鏈
• 如何自學

每日計劃

每個主題都不需要用一整天來完全理解它們，你可以每天完成它們中的多個。

每天我都會從下面的列表中選一個出來，一遍又一遍的讀，做筆記，練習，用Python或R語言實現它。

動機

• 夢

機器學習概論

• 形象的機器學習簡介
• 一份溫柔的機器學習指南
• 為開發者準備的機器學習簡介
• 菜鳥的機器學習基礎
• 你如何向非計算機專業的人來解釋機器學習與數據挖掘？
• 在罩子下的機器學習，博文簡單明瞭地介紹了機器學習的原理
• 機器學習是什麼？它是如何工作的呢？
• 深度學習——一份非技術性的簡介

掌握機器學習

• 掌握機器學習的方法
• 程序員的機器學習
• 掌握並運用機器學習
• Python機器學習小課程
• 機器學習算法小課程

有趣的機器學習

• 機器學習真有趣！
• Part 2: 使用機器學習來創造超級馬里奧的關卡
• Part 3: 深度學習與卷積神經網絡
• Part 4: 現代人臉識別與深度學習
• Part 5: 翻譯與深度學習和序列的魔力
• Part 6: 如何使用深度學習進行語音識別
• Part 7: 使用生成式對抗網絡創造 8 像素藝術

機器學習簡介(用手指沾上墨水來書寫機器學習簡介)

• Part 1 : 什麼是機器學習？
• Part 2 : 監督學習與非監督學習

一本深入的機器學習指南

• 概述，目標，學習類型和算法
• 數據的選擇，準備與建模
• 模型的評估，驗證，複雜性與改進
• 模型性能與誤差分析
• 無監督學習，相關領域與實踐中的機器學習

故事與經驗

• 一週的機器學習
• 一年的機器學習
• 我是如何在3天內寫出我的第一個機器學習程序的
• 學習路徑：你成為機器學習專家的導師
• 不是PhD你也可以成為機器學習的搖滾明星
• 如何6個月成為一名數據科學家：一名黑客的職業規劃
  • 視頻
  • 幻燈片
• 5個你成為機器學習工程師必須要掌握的技能
• 你是一個自學成才的機器學習工程師嗎？你是怎麼做的？花了多長時間？
• 一個人如何成為一名優秀的機器學習工程師？
• 一個專注於機器學習的學術假期

機器學習算法

• 用“士兵”來表示10種機器學習算法
• Top10的數據挖掘算法
• 介紹10種機器學習的術語
• 機器學習算法之旅
• 機器學習工程師需要知道的10種算法
• 比較監督學習算法
• 收集的最簡化、可執行的機器學習算法

入門書籍

• 《Data Smart: Using Data Science to Transform Information into Insight》第 1 版
• 《Data Science for Business: What you need to know about data mining and data analytic-thinking》
• 《Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die》

實用書籍

• Hacker 的機器學習
  • GitHub repository(R)
  • GitHub repository(Python)
• Python 機器學習
  • GitHub repository
• 集體智慧編程: 創建智能 Web 2.0 應用
• 機器學習: 算法視角，第二版
  • GitHub repository
  • Resource repository
• Python 機器學習簡介: 數據科學家指南
  • GitHub repository
• 數據挖掘: 機器學習工具與技術實踐，第 3 版
  • Teaching material - 1-5 章幻燈片(zip) - 6-8 章幻燈片(zip)
• Machine Learning in Action
  • GitHub repository
• Reactive Machine Learning Systems(MEAP)
  • GitHub repository
• An Introduction to Statistical Learning
  • GitHub repository(R)
  • GitHub repository(Python) - 視頻
• 使用 Python 構建機器學習系統
  • GitHub repository
• 學習 scikit-learn: 用 Python 進行機器學習
  • GitHub repository
• Probabilistic Programming & Bayesian Methods for Hackers
• Probabilistic Graphical Models: Principles and Techniques
• Machine Learning: Hands-On for Developers and Technical Professionals
  • Machine Learning Hands-On for Developers and Technical Professionals review
  • GitHub repository
• 從數據中學習 - 在線教程
• 強化學習——簡介(第 2 版)
  • GitHub repository
• 使用TensorFlow(MEAP)進行機器學習
  • GitHub repository

Kaggle知識競賽

• Kaggle競賽：怎麼樣，在哪裡開始？
• 一個初學者如何用一個小項目在機器學習入門並在Kaggle競爭
• 如何競爭Kaggle的Master

系列視頻

• Machine Learning for Hackers
• Fresh Machine Learning
• Josh Gordon 的機器學習菜譜
• 在 30 分鐘以內瞭解機器學習的一切
• 一份友好的機器學習簡介
• Nuts and Bolts of Applying Deep Learning - Andrew Ng
• BigML Webinar - 視頻 - 資源
• mathematicalmonk's Machine Learning tutorials
• Machine learning in Python with scikit-learn
  • GitHub repository - 博客
• 播放清單 - YouTuBe 上最熱門的機器學習、神經網絡、深度學習視頻
• 16 個必看的機器學習教程
• DeepLearning.TV
• Learning To See
• 神經網絡課程 - Université de Sherbrooke
• 2016年的21個深度學習視頻課程
• 2016年的30個頂級的機器學習與人工智能視頻教程 Top Videos, Tutorials & Courses on Machine Learning & Artificial Intelligence from 2016
• 程序員的深度學習實戰

MOOC

• edX 的人工智能導論
• Udacity的機器學習導論
  • 複習Udacity機器學習導論
• Udacity的監督學習、非監督學習及深入
• Machine Learning Foundations: A Case Study Approach
• Coursera的機器學習
  • 視頻
  • 複習Coursera機器學習
  • Coursera的機器學習路線圖
• 機器學習提純
• BigML training
• Coursera的神經網絡課程
  • 由Geoffrey Hinton（神經網絡的先驅）執教
• 使用TensorFlow創建深度學習應用
• 描述統計學概論
• 推理統計學概論
• 6.S094: 自動駕駛的深度學習
• 6.S191: 深度學習簡介
• Coursera 深度學習教程

資源

• 一個月學會機器學習
• 一份“非技術性”的機器學習與人工智能指南
• Google機器學習工程師最佳實踐教程
• Hacker News的《軟件工程師的機器學習》
• 開發者的機器學習
• 為人類🤖👶準備的機器學習
• 給開發者的關於機器學習的建議
• 機器學習入門
• 為新手準備的機器學習入門教程
• 初學者如何自學機器學習
• 機器學習自學資源
• 提升你的機器學習技能
• 一份'坦誠'的機器學習指南
• 用機器學習讓Hacker News更具可讀性
  • 視頻
  • 幻燈片
• 深入機器學習
• 軟件工程師的{機器、深度}學習
• 深度學習入門
• 深度學習基礎
• 機器學習思維導圖/小抄
• 大學中的機器學習課程
  • 斯坦福
  • 機器學習夏令營
  • 牛津
  • 劍橋
• Flipboard的主題
  • 機器學習
  • 深度學習
  • 人工智能
• Medium的主題
  • 機器學習
  • 深度學習
  • 人工智能
• 每月文章Top10
  • 機器學習
    • 2016年7月
    • 2016年8月
    • 2016年9月 - 2016年10月 - 2016年11月 - 2016年
  • 算法
    • 2016年9月 - 2016年10月-11月
• 全面的數據科學家的資源
• DigitalMind的人工智能資源
• 令人驚歎的機器學習
• CreativeAi的機器學習

成為一名開源貢獻者

• tensorflow/magenta: Magenta: 用機器智能生成音樂與藝術
• tensorflow/tensorflow: 使用數據流圖進行計算進行可擴展的機器學習
• cmusatyalab/openface: 使用深層神經網絡進行面部識別
• tensorflow/models/syntaxnet: 神經網絡模型語法

遊戲

• Halite：AI編程遊戲
• Vindinium: 挑戰AI編程
• Video Game AI比賽
• 憤怒的小鳥AI比賽
• The AI Games
• Fighting Game AI Competition
• CodeCup
• 星際爭霸AI學生錦標賽
• AIIDE星際爭霸AI競賽
• CIG星際爭霸AI競賽
• CodinGame - AI Bot Games

播客

• 適合初學者的播客：
  • Talking Machines
  • Linear Digressions
  • Data Skeptic
  • This Week in Machine Learning & AI
• “更多”進階的播客：
  • Partially Derivative
  • O’Reilly Data Show
  • Not So Standard Deviation
• 盒子外的播客：
  • Data Stories

社區

• Quora

  • 機器學習
  • 統計學
  • 數據挖掘

• Reddit

  • 機器學習
  • 計算機視覺
  • 自然語言處理
  • 數據科學
  • 大數據
  • 統計學

• Data Tau

• Deep Learning News

• KDnuggets

相關會議

- (NIPS)

• (ICLR)
• (AAAI) - (IEEE CIG) - (IEEE ICMLA)
• (ICML)

面試問題

• 如何準備機器學習職位的面試
• 40個機器學習與數據科學的面試問題
• 21個必須要知道的數據科學問題與回答
• Top 50 機器學習面試問題與回答
• 機器學習面試問題
• 常用的機器學習面試問題
• 機器學習面試問題有哪些相同的？
• 什麼是評價一個機器學習研究者的最好的問題？
• 機器學習面試問題大搜集
• 121個需要掌握的問題與回答

很多人可能都希望看到完整的開源項目，建議大家到Github官網：https://github.com/ZuzooVn/machine-learning-for-software-engineers/blob/master/README-zh-CN.md查看完整項目

IT168企業級

很高興能回答你的問題

人工智能是一個熱門話題，像自學人工智能的，追熱門的，那是不計其數，但真正學好的卻是鳳毛麟角。

人工智能是什麼？

每個人的理解不一樣，我就從我一個老師加學生的角度說下吧。人工智能是各個領域的一個綜合應用，舉一個例子：現在的手機可以說是智能手機，但它能實現人機交互嗎？能實現自主學習嗎？這些都不行吧，那麼未來人工智能可以幫助手機進行人機交互，當你孤獨無聊的時候，可以和手機自由對話，保證把你哄的很開心。還可以通過和你的交流相處，提取你的生活、工作等數據。當然這只是它的一個領域。但是要想實現這一切，就需要數據分析處理技術、需要機器學習、深度學習。進行數據建模，進行算法分析處理。

往後的生活裡，雲端會是人工智能的神經系統，而它的軀體可以以各種物體形式存在。隨著5G、6G、7G時代的到來，這個神經系統將會更容易實現傳達，對於人工智能物體就會獲得更高更快的反應速度。

如何自學人工智能

這個意思就是說人工智能是可以自學的，而且也只有自學才能真正的深入研究，為了生計、為了薪資終有耗盡的一刻，也許只有興趣、追求才能幫你隨時充能吧！學好人工智能從這幾點入手：

第一：學好Python

人工智能可以用很多種語言實現，但Python是最容易實現的一種。學好Python的數據分析、處理，學好Python機器學習，懂得算法建模，往更高層次的深度學習看齊。只能說是看齊，因為機器學習，我都沒學很好。機器學習，基本十大算法，和大學高數、線代、概率論淵源極深，所以想進軍人工智能，數學也是必不可少的。

第二：學好數學

第一點提到了，當然這指的學好數學，不是說能做一個方程式，能解一道題就可以的。這裡所指主要是數學建模，這點和算法進行數據建模還是有一些相似之處的。像機器學習裡的監督算法，可以想象成是兩種建模體系，但這兩種體系會進行對比。例如：有一個是檢測體系，裡面是有很多種不同形狀桌子的數據，那麼另外一個體系，要判斷是不是桌子，就需要進行比對，相似度越高就越像桌子。我們都知道做數學有很多種解法，但在算法中往往只有更好的算法。

第三：其他輔助學科

人無完人，只是因為人的壽命有限，如果人工智能能自主學習，那麼它終將完美。但是，這就需要創造者瞭解藝術學、心裡學、計算機等方面的知識了。之前說了，這相當於是知識的大雜燴，如此龐大的事業，肯定不是某一個人能完成的。你只需要學好前面的兩點就已經可以了。

更多精彩，敬請期待！

墨旺

自學當然是可行的！如果你是人工智能領域的零基礎小白，可以看看這份學習計劃，部分附資源鏈接，除了書籍，配合一些視頻學習效果會更好哦。

一、人工智能

書籍：“Artificial Intelligence: A Modern Approach (AIMA)” （人工智能：一種現代方法）

不可多得的綜合性書籍，總體概述了人工智能領域，幾乎涵蓋新手需要了解的所有基本概念。

視頻：

https://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-034-artificial-intelligence-fall-2010/lecture-videos/

Artificial Intelligence course（人工智能課程）系列視頻講座，通過訓練AI玩遊戲這類趣味實踐來介紹基本知識，如果視頻太快跟不上，可以配合從上面這本書（現代方法）中尋找相關概念。

二、機器學習（計算機科學和統計學的交叉學科）

視頻：

機器學習基礎薄弱的，可以先去TutsPlus課程“Machine Learning Distilled”看一下相關概念簡述，Coursera上的Andrew Ng機器學習課程，也有基本概念的解釋，還介紹了大部分重要的算法。

（https://www.coursera.org/learn/machine-learning/）

對ML算法瞭解不夠的，可以配合以下教學視頻進行理解

TutsPlus的“Machine Learning Distilled”（簡要概述）

Perer Norvig 的Udacity Course on ML（ML Udacity 課程）

Tom Mitchell 的 Another course on ML

書籍：集體智慧編程（Programming Collective Intelligence）

ML算法在Python中的實踐，大量基礎性的實例，講述生動，很適合入門學者，培養興趣的同時又開拓視野，讓你不想懂都難！

三、深度學習（是機器學習裡最近比較火的一個子集）

DL基礎方面的準備工作：

Google上的great introductory DL cources

Sephen Welch的great explanation of neural networks

書籍：

Deep Learning With Python（可自行度盤下載https://pan.baidu.com/s/1kUThYHT）

介紹DL應用程序中的最先進成果，深入淺出，帶領新手快速開始構建基礎並且接觸實踐案例，包含Keras、TensorFlow時下最先進的工具。

Neural Networks and Deep Learning（神經網絡與深度學習）

（可自行度盤下載https://pan.baidu.com/s/1miLerZM）

新手友好，作者在數學密集的區域都有標註提示。MNIST手寫數字的識別問題貫穿全書，每個模型以及改進都有詳細註釋的代碼。

更多優質回答，請持續關注鎂客網頭條號~

鎂客網

數學，數學，重要的問題說三遍。這取決於你的數學技能。由於您未在問題詳細信息中列出，我將提供詳盡的清單。

1. 首先讓你的數學變得強大。為此我會建議一個關於線性代數的課程和另一個關於離散數學的課程。兩者都可以在免費在線課程資料中找到。
2. 接下來為您的計算機熟練程度部分，我會建議一個介紹性的計算機科學課程。我可以為你列出兩個。麻省理工學院計算機科學概論或計算機科學概論-Cs50可在edX上獲得。我更喜歡MIT，因為它使用Python作為編碼語言，這是AI中使用最多的語言。
3. 如果您想深入瞭解計算機科學，本課程是可選的。參加由麻省理工學院提供的名為“算法簡介”的課程。
4. 這是您開始學習機器學習和AI的真正部分。這是Andrew Ng的課程。課程名稱是機器學習。它在Coursera上免費提供 頂尖大學的在線課程。免費加入。這是機器學習初學者必修課程。
5. 然後，如果你想更深入地深入AI，請參加免費在線課程資料的人工智能課程。

如果您已經學習了所有這些課程，您可以閱讀更多書籍或文章或研究論文，如IEEE，ACM，Springer等流行期刊和會議。

從那裡你可以冒險進入許多領域，如經濟學，股票交易，機器人，計算機視覺，醫學成像，生物科學。AI和機器學習適用於各個領域。

PS：如果你已經完成了一些這樣的課程，不要抱怨。正如我已經提到的那樣，這是你可以稱之為的解決方案列表或學習軌道。

人工智能安全機器人醫

歡迎在點擊右上角關注：「太平洋電腦網」，更多有趣資訊等著您哦。

也不是不行，但是應該怎麼走，小編最近看的一篇報告應該能給題主一些方向。

我們來看看最近騰訊研究院最近發佈的《2017全球人工智能人才白皮書：解讀世界頂級AI牛人的秘密！》其中有關於頂級人工智能學者、頂級人工智能企業老闆、頂級人工智能研究室的人員的一些數據統計。

頂級學者

騰訊研究院統計了在學術圈頂級的學術人士，（篩選的一個重要指標是，他們自2006年至今，在人工智能領域頂級會議上發表過30篇以上論文）統計學者的畢業學校，發現他們100%都擁有博士學位，同時98%的學者擁有CS或EE博士學位。

所以，如果題主有博士學位的話，應該問題不大。如果是計算機科學或者是電子工程學的那麼自學人工智能學成的機會就更大了。

頂級人工智能企業家

頂級人工智能學者對學歷要求有點高，我們去看看企業家的。

根據《2017全球人工智能人才白皮書：解讀世界頂級AI牛人的秘密！》，本科及以上的佔了98%。

（圖片以及數據來源於：《2017全球人工智能人才白皮書：解讀世界頂級AI牛人的秘密！》）

我們再來看看這些頂級企業家的專業分佈：

理工科類的多一點，其次是工商管理（工商管理畢業的小編驕傲臉）。

如果題主還是高中生，建議報專業的時候多參考。

不過也要注意一個問題，有一些創始人本身不是高人工智能的，不過恰逢時勢轉型搞人工智能的。他們很大部分本身就是一個成功的企業家。所以啊，要稱為一個頂級的人工智能的企業家的難度不比稱為頂級學者的難度大。

頂級實驗室的負責人

看看頂級人工智能實驗室的負責人的情況，騰訊研究院從全球十大科技巨頭中，統計了21個實驗室，總計50位負責人，超過90%的人擁有博士學歷。

PS：資料來源騰訊研究院的《2017全球人工智能人才白皮書：解讀世界頂級AI牛人的秘密！》

希望對題主有幫助。

太平洋電腦網

說實話，有難度。人工智能是一個專業性極強的領域，如果想要自學人工智能的話，需要先了解人工智能是什麼。市場上，關於人工智能介紹的書籍越來越多，不管是純技術型的，就是專門教人學代碼的那些，還是科普型的，比如李開復的《人工智能》，這些大家挑選起來會很麻煩。在這裡，我給大家推薦一本介於兩者之間的書籍——吳軍博士的《智能時代》，既科普又專業，可以讓你輕鬆入門AI世界。

另外，吳軍博士的另一本書《浪潮之巔》，也推薦大家閱讀。

人工智能勢必會成為不可阻擋的未來，哪怕成不了該領域的專業人士，對其有所瞭解，也不是壞事。

AI前沿觀察

造就

可以很肯定的說，是可行的，只是這個領域的門檻相對較高，想要入門甚至入職這個行業還是比較有難度的。

如果你擅長以下幾個方面中的一個或幾個，成功的機會會大很多，如果。

1.數學知識（統計學背景也行）:人工智能雖然不要求你數學多麼厲害，但還是需要一些數學基礎的（理解算法原理需要，其實程序員應用人工智能方面的技術有很多成熟的框架，不一定需要你深入理解底層原理），如果你本科期間是數學專業的，入門將會比較容易，當然不是數學專業也沒關係，因為對數學的要求也不是很高，相關知識一般理工科的本科生都學過（線性代數、概率論、簡單微積分）。

2.計算機基礎:人工智能作為計算機相關的一個領域，有相關基礎那是再好不過了，計算機專業的知識將很大程度上決定你能在人工智能領域走多遠，當然沒有基礎也不是不可以，但你至少還是要學門程序語言，比如說Python或R語言。

3.英語能力:同上面兩點一樣，英語能力不是必須的，但具備相關能力將錦上添花。人工智能興起於歐美，目前大多數學術研究和商業應用也在歐美，所以如果你英語很好，這對資料閱讀將會非常有利。

4.驚人的毅力:這個不用多說。學習一門前沿技術不是三兩天的事，主要還是看你能堅持多久，如果你完全零基礎，要想入門人工智能（更具體點說應該是機器學習或者深度學習吧），保守估計得半年，如果你一邊工作一邊學習可能會更久，所以要做好心理準備不要半途而廢。

以下是一些建議:

1.有條件的還是報個班全力學吧（如果是在校學生其實也可以自學，畢竟學生有充足的可支配時間而且數學沒落下)

2.多在網上找資源，推薦吳恩達的機器學習課程和深度學習課程(國內MOOC平臺網易雲課堂上有他的課，國外的Coursera上也有，語言英語，免費)，適合入門，國內很多MOOC平臺上有計算機專業的課程，學程序語言可以在上面找，中文授課英文授課的都有，完全免費。

3.臺灣學校的一些課程也不錯，比如說機器學習基石，機器學習技法，從數據中學習(這個系列也是適合入門的)。

4.多看看相關大牛的技術博客，多上一些代碼託管平臺，開源網站逛逛。

總而言之，沒基礎想學習入門完全是可以的，只是想要有所建樹比較難，但是也要正式現實，想要零基礎轉行一定要慎重(風險太大，尤其是年齡偏大的)，如果你是在校生，那真的很鼓勵你學一學，人工智能正開始興起(如同零幾年的互聯網)，哪怕你最終沒有掌握，瞭解一下也是可以的，畢竟這是將來的趨勢。

關鍵字: 科技 自學 題主