如何一步步打怪升级成为一个人工智能专家？

介绍

人工智能在过去十年中发展迅速。你已经看到它在你身边出现，从自动驾驶汽车到Google Brain，人工智能一直是这些惊人的巨大影响项目的核心。

当人们开始报道Alexa意外地笑时，人工智能（AI）一瞬间成为头条新闻。事实上，六分之六的美国人每天都以这样或那样的形式使用人工智能服务，这证明它是一种可行的职业选择。

为什么选择人工智能？

嗯，学生选择这个作为他们的职业选择，专业人员选择转型，改变他们的职业生涯轨道可能有很多原因。让我们一起看一下相关原因。

有趣和令人兴奋：AI在那些既挑战又令人兴奋的领域提供应用程序。比如：无人驾驶汽车、人类行为预测、聊天机器人等只是一些例子。

高需求和价值：最近，业界对数据科学家和人工智能专家的巨大需求导致在工作场所获得更多的就业机会和更高的价值。

高薪：由于需求量大、工作量大，这个领域目前是高薪职业选择之一。在这个时代，当工作岗位减少且市场饱和时，人工智能已成为薪酬最高的工作之一。

如果你仍然想到为什么人们应该选择人工智能作为他们的职业，那么我的答案就会像“如果你不想让AI取代你的工作，你必须接受AI”这样的想法一样清晰！

0级：奠定基础

如果数学（太多）没有恐吓，而且你喜欢编码，那么你只能将AI视为你的职业。如果您喜欢优化算法，玩数学或者对数学充满热情，那就太棒了！等级0被清除，你已经可以开始准备AI的职业生涯了。

1级：迈入AI

在这个阶段，首先应该涵盖基础知识，当我说基础时，它并不意味着获得4-5个概念的知识就足够了，它实际上要储备很多（很多很多）的知识。

覆盖线性代数、统计和概率：数学是您需要涵盖的第一个也是最重要的事情。从数学基础知识开始，包括向量、矩阵及其变换。然后继续下去，需要理解维度、统计和不同的统计测试，如z检验，卡方检验等。在此之后，你应该专注于概率的概念，如贝叶斯定理等。数学是理解和构建那些复杂AI的基础步骤。这些算法使我们的生活更简单！

选择编程语言：在学习并深入学习基础数学之后，您需要选择编程语言。我建议您使用一种或最多两种编程语言并深入理解它。可以选择R、Python甚至JAVA！永远记住，编程语言只是为了让你的生活更简单，而不是定义你的东西。我们可以从Python开始，因为它是抽象的，并提供了许多库来使用。R也在快速发展，所以我们也可以考虑这一点，或者与JAVA一起使用。 （只要我们有良好的CS背景！）

理解数据结构：尝试理解数据结构，即如何设计系统来解决涉及数据的问题。它将帮助您设计一个准确和优化的系统。AI更多的是要达到准确和优化的结果。了解所选编程语言必须提供的堆栈、链接列表、词典和其他数据结构。

全面了解回归：嗯，这是一个你会从每个人那里得到的建议。回归是你到目前为止学到的数学的基本实现。它描述了这些知识如何用于在现实生活中进行预测。掌握回归功能将有助于您深入了解机器学习的基础知识。这将为您的AI职业生涯做好准备。

继续了解不同的机器学习模型及其工作：在学习回归之后，人们应该亲自动手使用其他传统的机器学习算法，如决策树、SVM、KNN、随机森林等。你应该在日常生活中不同的问题上实现它们。人们应该知道每个算法背后的工作数学。这可能最初有点难度，但是一旦你开始行动，一切都会恢复正常。

理解机器学习解决的问题：您应该了解不同机器学习算法的用例。关注某个算法为什么比另一个更适合这种情况。然后，只有这样，您才能够理解有助于使任何算法更适合特定业务需求或用例的数学概念。机器学习本身分为3大类，即监督学习、无监督学习和强化学习。在你真正进入深度学习世界之前，需要在所有3个案例中都比平均水平更好！

2级：深入人工智能

这是您成为AI专家的旅程/奋斗的第二级。在这个级别，我们只有掌握了机器学习的“宝贵”遗产才能逐步进入深度学习！

理解神经网络：神经网络是一种机器学习，它以人脑为模型。这创建了一个人工神经网络，通过算法允许计算机通过合并新数据来学习。在这个阶段，您需要通过非常详细地了解神经网络来开始深度学习。您需要了解这些网络如何智能化并做出决策。神经网络是人工智能的支柱，你需要彻底学习它！

展开神经网络背后的数学：神经网络通常分层组织。层由多个互连的“节点”组成，其中包含一个“激活函数”。模式通过“输入层”呈现给网络，“输入层”与一个或多个“隐藏层”通信，实际处理完成通过加权“连接”系统，隐藏层链接到输出答案的“输出层”。您需要了解在其后端发生的数学。了解权重、激活函数、减少损失、反向传播、梯度下降方法等。这些是神经网络中使用的一些基本数学关键字。熟悉它们将使您能够设计自己的网络，您还将了解神经网络在何处以及如何借用其智能！这都是您需要了解的数学伙伴！

掌握不同类型的神经网络：正如我们在ML中所做的那样，我们首先学习回归，然后转移到其他ML算法，这里的情况也是如此。由于您已经了解了所有关于基本神经网络的知识，因此您已准备好探索适用于不同用例、不同类型的神经网络。基础数学可能保持不变，差异可能在于少量修改以及数据的预处理。不同类型的神经网络包括多层感知器、递归神经网络、卷积神经网络、LSTMS等。

了解NLP和智能系统等不同域中的AI：通过不同神经网络的知识，您现在可以更好地掌握这些网络在商业中的不同应用中的应用。您可能需要构建一个无人驾驶汽车模块或类似人类的聊天机器人，甚至是一个智能系统，它可以与周围环境进行交互并自我学习以执行任务。不同的用例需要不同的方法和不同的知识。当然，你不能掌握AI中的每个领域，因为它确实是一个非常大的领域，因此我建议你在AI中选择一个单独的字段说自然语言处理，并努力在该领域获得深度。一旦您的知识具有良好的深度，那么只有您考虑在不同领域扩展您的知识。

熟悉大数据基础知识：虽然获取大数据知识并不是一项强制性任务，但我建议您掌握大数据的基础知识，因为您的所有AI系统都只处理大数据，它也将帮助您制作更优化和更真实的算法。

3级：掌握AI

这是你必须全力以赴开枪的最后阶段，相比上两个阶段你可能学的内容没有那么多了，但是你需要把它应用在更多的地方。

掌握优化技术：1级和2级专注于实现工作的准确性，但现在我们必须讨论优化它。深度学习算法消耗了系统的大量资源，您需要优化它的每个部分。优化算法可以帮助我们最小化（或最大化）目标函数（错误函数的另一个名称）E（x），它只是一个依赖于模型内部可学习参数的数学函数。模型的内部参数很高效且在有效地训练模型并产生准确结果方面起着非常重要的作用。这就是为什么我们使用各种优化策略和算法来更新和计算这种模型参数的适当和最佳值，因为这些参数会影响我们的模型的学习过程和模型的输出。

参加比赛：你应该参加黑客马拉松和数据科学比赛，因为它会拓宽你的知识面，并会给你更多的机会来实现你的知识。

出版并阅读大量研究论文：研究- 实施- 创新- 测试。通过阅读大量与AI相关的研究论文，不断重复这一循环。这将有助于您了解如何不成为一名从业者，而是成为一名创新者。人工智能仍处于初期阶段，它需要能够创新并为这一领域带来革命的大师。

调整数学来推广自己的算法：创新需要大量的研究和知识。这是你希望自己真正摆弄整个AI的数学的最后一个地方。一旦你掌握了这门艺术，你距离带来一场革命只有一步之遥了。

结论

掌握人工智能不是人们可以在短时间内实现的。AI确实需要努力工作，坚持不懈、一致性、耐心和大量知识！它可能是目前业内最热门的工作之一。作为人工智能的从业者或爱好者并不困难，但如果你正在寻找成为一名大师，那么就必须和创造它的人一样出色！在任何事情上都需要多年和技巧才能成为高手，AI也是如此。如果你有动力，那么也就没有什么可以阻止你（即使是AI）。