如何一步步打怪升級成為一個人工智慧專家？

介紹

人工智慧在過去十年中發展迅速。你已經看到它在你身邊出現，從自動駕駛汽車到Google Brain，人工智慧一直是這些驚人的巨大影響專案的核心。

當人們開始報導Alexa意外地笑時，人工智慧（AI）一瞬間成為頭條新聞。事實上，六分之六的美國人每天都以這樣或那樣的形式使用人工智慧服務，這證明它是一種可行的職業選擇。

為什麼選擇人工智慧？

嗯，學生選擇這個作為他們的職業選擇，專業人員選擇轉型，改變他們的職業生涯軌道可能有很多原因。讓我們一起看一下相關原因。

有趣和令人興奮：AI在那些既挑戰又令人興奮的領域提供應用程式。比如：無人駕駛汽車、人類行為預測、聊天機器人等只是一些例子。

高需求和價值：最近，業界對資料科學家和人工智慧專家的巨大需求導致在工作場所獲得更多的就業機會和更高的價值。

高薪：由於需求量大、工作量大，這個領域目前是高薪職業選擇之一。在這個時代，當工作崗位減少且市場飽和時，人工智慧已成為薪酬最高的工作之一。

如果你仍然想到為什麼人們應該選擇人工智慧作為他們的職業，那麼我的答案就會像“如果你不想讓AI取代你的工作，你必須接受AI”這樣的想法一樣清晰！

0級：奠定基礎

如果數學（太多）沒有恐嚇，而且你喜歡編碼，那麼你只能將AI視為你的職業。如果您喜歡最佳化演算法，玩數學或者對數學充滿熱情，那就太棒了！等級0被清除，你已經可以開始準備AI的職業生涯了。

1級：邁入AI

在這個階段，首先應該涵蓋基礎知識，當我說基礎時，它並不意味著獲得4-5個概念的知識就足夠了，它實際上要儲備很多（很多很多）的知識。

覆蓋線性代數、統計和機率：數學是您需要涵蓋的第一個也是最重要的事情。從數學基礎知識開始，包括向量、矩陣及其變換。然後繼續下去，需要理解維度、統計和不同的統計測試，如z檢驗，卡方檢驗等。在此之後，你應該專注於機率的概念，如貝葉斯定理等。數學是理解和構建那些複雜AI的基礎步驟。這些演算法使我們的生活更簡單！

選擇程式語言：在學習並深入學習基礎數學之後，您需要選擇程式語言。我建議您使用一種或最多兩種程式語言並深入理解它。可以選擇R、Python甚至JAVA！永遠記住，程式語言只是為了讓你的生活更簡單，而不是定義你的東西。我們可以從Python開始，因為它是抽象的，並提供了許多庫來使用。R也在快速發展，所以我們也可以考慮這一點，或者與JAVA一起使用。 （只要我們有良好的CS背景！）

理解資料結構：嘗試理解資料結構，即如何設計系統來解決涉及資料的問題。它將幫助您設計一個準確和最佳化的系統。AI更多的是要達到準確和最佳化的結果。瞭解所選程式語言必須提供的堆疊、連結列表、詞典和其他資料結構。

全面瞭解迴歸：嗯，這是一個你會從每個人那裡得到的建議。迴歸是你到目前為止學到的數學的基本實現。它描述了這些知識如何用於在現實生活中進行預測。掌握迴歸功能將有助於您深入瞭解機器學習的基礎知識。這將為您的AI職業生涯做好準備。

繼續瞭解不同的機器學習模型及其工作：在學習迴歸之後，人們應該親自動手使用其他傳統的機器學習演算法，如決策樹、SVM、KNN、隨機森林等。你應該在日常生活中不同的問題上實現它們。人們應該知道每個演算法背後的工作數學。這可能最初有點難度，但是一旦你開始行動，一切都會恢復正常。

理解機器學習解決的問題：您應該瞭解不同機器學習演算法的用例。關注某個演算法為什麼比另一個更適合這種情況。然後，只有這樣，您才能夠理解有助於使任何演算法更適合特定業務需求或用例的數學概念。機器學習本身分為3大類，即監督學習、無監督學習和強化學習。在你真正進入深度學習世界之前，需要在所有3個案例中都比平均水平更好！

2級：深入人工智慧

這是您成為AI專家的旅程/奮鬥的第二級。在這個級別，我們只有掌握了機器學習的“寶貴”遺產才能逐步進入深度學習！

理解神經網路：神經網路是一種機器學習，它以人腦為模型。這建立了一個人工神經網路，透過演算法允許計算機透過合併新資料來學習。在這個階段，您需要透過非常詳細地瞭解神經網路來開始深度學習。您需要了解這些網路如何智慧化並做出決策。神經網路是人工智慧的支柱，你需要徹底學習它！

展開神經網路背後的數學：神經網路通常分層組織。層由多個互連的“節點”組成，其中包含一個“啟用函式”。模式透過“輸入層”呈現給網路，“輸入層”與一個或多個“隱藏層”通訊，實際處理完成透過加權“連線”系統，隱藏層連結到輸出答案的“輸出層”。您需要了解在其後端發生的數學。瞭解權重、啟用函式、減少損失、反向傳播、梯度下降方法等。這些是神經網路中使用的一些基本數學關鍵字。熟悉它們將使您能夠設計自己的網路，您還將瞭解神經網路在何處以及如何借用其智慧！這都是您需要了解的數學夥伴！

掌握不同型別的神經網路：正如我們在ML中所做的那樣，我們首先學習迴歸，然後轉移到其他ML演算法，這裡的情況也是如此。由於您已經瞭解了所有關於基本神經網路的知識，因此您已準備好探索適用於不同用例、不同型別的神經網路。基礎數學可能保持不變，差異可能在於少量修改以及資料的預處理。不同型別的神經網路包括多層感知器、遞迴神經網路、卷積神經網路、LSTMS等。

瞭解NLP和智慧系統等不同域中的AI：透過不同神經網路的知識，您現在可以更好地掌握這些網路在商業中的不同應用中的應用。您可能需要構建一個無人駕駛汽車模組或類似人類的聊天機器人，甚至是一個智慧系統，它可以與周圍環境進行互動並自我學習以執行任務。不同的用例需要不同的方法和不同的知識。當然，你不能掌握AI中的每個領域，因為它確實是一個非常大的領域，因此我建議你在AI中選擇一個單獨的欄位說自然語言處理，並努力在該領域獲得深度。一旦您的知識具有良好的深度，那麼只有您考慮在不同領域擴充套件您的知識。

熟悉大資料基礎知識：雖然獲取大資料知識並不是一項強制性任務，但我建議您掌握大資料的基礎知識，因為您的所有AI系統都只處理大資料，它也將幫助您製作更最佳化和更真實的演算法。

3級：掌握AI

這是你必須全力以赴開槍的最後階段，相比上兩個階段你可能學的內容沒有那麼多了，但是你需要把它應用在更多的地方。

掌握最佳化技術：1級和2級專注於實現工作的準確性，但現在我們必須討論最佳化它。深度學習演算法消耗了系統的大量資源，您需要最佳化它的每個部分。最佳化演算法可以幫助我們最小化（或最大化）目標函式（錯誤函式的另一個名稱）E（x），它只是一個依賴於模型內部可學習引數的數學函式。模型的內部引數很高效且在有效地訓練模型併產生準確結果方面起著非常重要的作用。這就是為什麼我們使用各種最佳化策略和演算法來更新和計算這種模型引數的適當和最佳值，因為這些引數會影響我們的模型的學習過程和模型的輸出。

參加比賽：你應該參加駭客馬拉松和資料科學比賽，因為它會拓寬你的知識面，並會給你更多的機會來實現你的知識。

出版並閱讀大量研究論文：研究- 實施- 創新- 測試。透過閱讀大量與AI相關的研究論文，不斷重複這一迴圈。這將有助於您瞭解如何不成為一名從業者，而是成為一名創新者。人工智慧仍處於初期階段，它需要能夠創新併為這一領域帶來革命的大師。

調整數學來推廣自己的演算法：創新需要大量的研究和知識。這是你希望自己真正擺弄整個AI的數學的最後一個地方。一旦你掌握了這門藝術，你距離帶來一場革命只有一步之遙了。

結論

掌握人工智慧不是人們可以在短時間內實現的。AI確實需要努力工作，堅持不懈、一致性、耐心和大量知識！它可能是目前業內最熱門的工作之一。作為人工智慧的從業者或愛好者並不困難，但如果你正在尋找成為一名大師，那麼就必須和創造它的人一樣出色！在任何事情上都需要多年和技巧才能成為高手，AI也是如此。如果你有動力，那麼也就沒有什麼可以阻止你（即使是AI）。