自学转行学AI人工智能怎么样?
1.我的情況
我本科學工程造價的,后來覺得不想去做工程方面的工作加上興趣愛好的原因大二開始自學網安,但是那段日子有多枯燥無聊只有我自己知道,加上自己的學習方法不對,東學一點、西看一點,零散的知識難以形成框架體系。
盡管花了很多時間,朋友們打游戲的時候我聽課裝環境,大家上課的時候我躲在后排看《白帽子講Web安全》,但是結果并沒有得到多少正反饋。
最后還是選擇了報培訓班,那兩個月的培訓把我自身所學過的知識梳理成一個完整的體系,還讓我結實了很多搞網安的朋友。
我們做自己的公眾號,幾個月就5000+粉,組建小隊在漏洞響應平臺挖洞,交過些漏洞報告,我自己也對后續的學習有了自己的打算。
今年考完研,導師說讓趁著暑假學一學MatLab,Python。
但是Python我本來就學過了,查了查資料,覺得人工智能這么火熱加上導師的方向比較偏向工業智能制造,也就開始了自學人工智能知識的路。
2.學習前景怎么樣?
我想你自己心里也有一個答案,不然為什么沒有想去轉行學其他的,我會從時代背景、政策、薪資三個方面聊聊我的看法。
時代背景
李開復《人工智能》一書中講到了關于AI的歷史,從1950年到2017年,人工智能領域的發展大致分為三個階段:
理論初現——非智能機器人
這個時候的所謂的“智能”只是利用前后端數據庫交互的技巧讓計算機看起來智能,大量的文本信息存儲在對話庫中,當他人說出某個關鍵詞時,機器便回復其特定的話語。
統計學思想替代符號主義
符號主義在工業時代因為標準化流程的需要大放異彩,但是這個時候的機器人只會在人類控制的程序下進行A到B的機械操作。
概率二字在統計學思想中頻繁出現,機器在統計學思想的影響下出現了學習的初兆。它可以根據先前輸入的數據集去判斷驗證后序的數據是否符合某些標準:圖片里是蘋果還是香蕉、如何定義郵箱中那些是垃圾郵件等等。
大數據下的深度學習網絡
隨著機器硬件和互聯網行業的發展,數據的量級不斷擴大,存儲成本相比過去卻下降了,這使得大型的互聯網公司具有了深度學習的原始資本。
21世紀是數據的時代,各種外部環境成熟以后,消費級人工智能的產品和應用才開始如雨后春筍般破土而出。
像機器視覺領域:商場的人臉識別、智能交通中車牌識別,像語音交互領域:智能音箱、語音助手等等。
而我們正處在第三次浪潮初起之后不久,與之前兩次浪潮不同的是,還有待被開發的海量數據背后蘊藏的價值被商業投資人看重,AI行業的融資情況突飛猛進。
時代背景不容改變,值得我們思考的問題更多的是如何適應時代發展。
我上貪心科技機器學習課程的時候,李文哲老師也說過隨著AI的普及速率加快,對于各行業的職場人士來說,如何將自己本來的工作結合AI提高效率是不得不去思考的一個問題,AI的價值在于優化重復性的工作。
就好像對1000張圖片分類,交給幾個人或是已經建立良好模型的機器所花費的成本和時間不言而喻。
政策和薪資等
政策
前面有師傅聊到過這兩個方面,我就再簡單的說一下。
我在人民網(網絡版的人民日報)上隨便搜了一下人工智能四個字,有近10w+的文章。
7月13號,2021世界人工智能大會在上海拉開帷幕,提出了兩個概念:行業發展服務與人、技術賦能千行百業。
無可厚非,我國一直不斷在推進該產業的發展,產學研深度融合,某些領域建立的完整產業鏈也在不斷創造新的市場和發展機會。
10年前我們可能沒有想過如今人工智能在各行各業都有如此深的膠著度,客服、醫療、金融,真的是千行百業。
下一步的政策發展怎么樣,我想不用再多說什么,引用上海市委書記李強的一段話:“未來,上海將持續聚焦經濟、生活、治理三大數字化轉型,圍繞制造、商貿、醫療、教育、交通、政務、文體等細分行業,打造一批人工智能示范應用場景,增加智能產品供給。”
薪資
不說廢話,我們來看看獵聘2019年發布的有關AI領域人才就業報告中的薪資數據。
從上面可以看到,薪資待遇普遍在20k以上,平均月薪達到13k。
畢竟火爆熱度的背后一定是需求在作祟。
3.怎么學?
時代背景也好、發展政策也好、薪資待遇也好,這些都是我們影響我們決策的因素,就好像機器學習中的特征變量,對每一個結果都有其影響。
人工智能是一定要學的,但是能學到什么樣子就要看你渴望轉行的念頭有多么強烈了。
我也是在剛剛入門的階段,就跟你聊聊我現在的學習過程。
因為過去學網安的經歷,我一開始還是去找了網課,找了培訓機構,因為我知道只是凌亂的學習,難以將知識結構系統化。
我現在在上吳恩達的機器學習課程和貪心科技的機器學習中級課,都是線上網課的形式,我的學習方法就是吳恩達的課做基礎,貪心科技的課程做深入。
這兩個課我在同時聽,進度差不多。吳恩達的課一共是十一周,貪心科技的課程是十八章。
課程框架
課程內容,可以看一下我聽課前做的知識框架。
吳恩達的課,可以去隨便搜一下,他的課程在機器學習領域算是入門必推。
貪心科技的課程是因為我在 Youtube
上聽過李文哲老師講課,翻過他幾篇論文,覺得講課的方式我還挺喜歡。
從上面的課程框架圖可以看出來,Ng的課程,實踐的地方比較少,貪心科技的課程除了案例作業以外,每章知識講解以后還會有一個小案例來回顧已經講過的知識點。
這里我舉一個課程作業的例子給大家分享一下,貪心科技的課程在第二章線性回歸結束以后會有一個關于股價預測模型的作業,這個作業需要我們聽完逐步分解的任務目標后再去實現。
關于這個問題,李文哲老師分了幾個步驟去講解模型建立的過程:
l 理解數據的意義
l 對數據集進行清洗
l 對數據進行歸一化
l 構建模型、參數評估
l 簡單可視化
l 分析特征的重要性
詳細的步驟劃分歸入到每一小節進行講解,其中不僅會闡述解決問題的思路,還會告訴我們如何利用代碼去實現。
到了項目練習的部分就是檢驗自身所學的時候了,我們需要做的事情、需要完成的代碼會在項目作業預留的位置標注出來。
比如這個項目作業需要我們完成,數據的排序、去NAN值、提取特征值和預測數據、把數據分為訓練數據和測試數據、利用訓練數據訓練模型等等。
因為在前面小節中已經有過較詳細的介紹,所以整體的代碼實現并不是很難。
這個作業當時我先在自己的服務器上跑了一下。
最后按照每步的需求,在官網提交了作業代碼,期間也遇到了些問題,但是我又翻著前面的課程看了幾遍,不會的地方還是因為自己聽課不認真導致的。
其實只要認真的聽課然后去梳理李文哲老師講授的知識,寫出來是沒有問題的,最后看著輸出的可視化圖會很有成就感。
教學語言
吳恩達的課褒貶不一,但是贊譽偏多,我聽了兩周,覺得是如大眾所言偏基礎,現在也慶幸多聽了貪心科技的機器學習課程,Ng的課里面涉及到線性回歸、矩陣的知識很淺,也可能是因為我剛經過了考研數一的洗禮?
吳恩達的課全英,視頻中的題目和課后的測驗都是英文,講課雖然有中文字幕,但是有很多章節音頻對不上,我一度聽得很費解,
只能倒回去多聽幾遍,浪費了很多時間,我的六級已經過了,但是很多專業術語還是聽不太懂,這也是效率低的一個原因。
貪心科技的課程是李文哲老師的授課視頻,友好中文,專業的術語或者某些介紹還是會用英文來描述,但是會給出中文翻譯,我聽的很舒服。
李文哲老師是南加州大學的博士,研究的領域是自然語言處理、知識圖譜、機器學習,也做過美國亞馬遜、高盛的資深工程師,他講課的時候總是說些自己對人工智能領域的看法,被動接受的過程就變得好像兩個人在閑聊一樣,只是文哲老師的知識淵博,我以傾聽為主。
課程定位
其實對比起來說的話兩個課程的定位是不同的,吳恩達的課程更多的在幫助希望了解機器學習領域的人構建一個全新領域的概念框架,而貪心科技的課程畢竟是以就業為目的,對于某些概念的推導,貪心科技的課程顯得更細致深入。
就好像下面線性回歸目標函數的推導,李文哲老師是從最初開始一步一步的帶著去進行化簡整理的,貪心科技的課程不僅需要你聽的明白,還需要你能夠知道為什么。
編程環境
此外就是關于需要實操編程方面的不同。同樣是線上課程,貪心科技機器學習課程的官網上可以直接進行代碼編寫和運行,吳恩達的課推薦使用的是
Octave,第二周他花了近一個小時在介紹 Octave 中如何操作數據集,說實話我聽得有點乏味。
自學本來就是一個枯燥的過程,每天的精力有限,如果花費很多的時間安裝配置開發環境會大大降低自身的的學習興趣。
不過我建議你可以像我一樣,將這兩個課程放在一起學習,先聽一周吳恩達的課程,完成上面的教學任務。
然后去聽貪心科技的作為更深層次的學習,貪心科技每章節后面都有實操案例,像線性回歸之后的股價預測、邏輯回歸之后的銀行客戶分析等等,這樣做的話,知識就不會只停在我學了這一層上。
吳恩達的課程內容較少,在時間上一定會比貪心科技的課程先結束,這樣在你已經有了一個整體框架的基礎上再加上貪心科技課程中的不斷代碼實戰和最后的聊天機器人項目作業,我想入門就夠了。
而后你可以選擇繼續去聽貪心科技其他高級班課程,也可以選擇結合自己的興趣做某方面更深度的學習研究。
4.總結
用李文哲老師的話做一個總結吧。
“每個人都是有目標的,有了目標你才有一個行動的動力,你不斷的沿著這個目標去前進,最后才能變得與過去的自己不同。”
有時候你問怎么樣的時候,其實心里已經有了答案,去做就好了!
總結
以上是生活随笔為你收集整理的自学转行学AI人工智能怎么样?的全部內容,希望文章能夠幫你解決所遇到的問題。