大家好，我，工科碩士出身，入行前5年在一家上市遊戲公司做算法，從數據挖掘算法在業務線落地開始，涉及機器學習、深度學習，後來逐步負責整個算法團隊建設。

現在就職於阿里，也是負責算法方面工作，涉及到的領域涵蓋CV、NLP、架構等，業務線也擴展到廣告、運營、客服、風控等各個方面。

在選擇碩士方向時，結合當時的各方信息，個人認為數據科學會在未來的30~50年蓬勃發展。所以選擇當時沒多少人選的模式識別，從今天回頭看，眼界和選擇有時候真的非常重要。

工業界人工智能是什麼樣的？

在我從事算法崗的這幾年，人工智能確實發展十分迅速，不再侷限於實驗室，大規模的商業應用開始出現，特別是在人臉識別、語音識別、廣告推薦、金融風控等領域有十分廣泛的應用。

目前，我國人工智能、深度學習等領域依然有很大的人才缺口，預計2030年就有超過500萬人才缺口，說各家公司砸錢“搶”人也毫不過分。

2018年最新數據：python、大數據、人工智能從業者薪資表

李開復就說過，“在硅谷，做深度學習的人工智能博士生，現在一畢業就能拿到年薪200萬到300萬美元的錄用通知，三大公司（谷歌、臉書和微軟）都在用不合理的價錢挖人。而在我的身邊，算法崗3年經驗月薪3萬（並不是大廠）以上很常見。

我適不適合機器學習？

時至今日，人工智能已經成為了獨立學科，並且開始對本科學生開放，隨著開源框架層出不窮，使得算法門檻逐漸降低，很多 AI 新人可在短時間內熟悉標準化的開源工具進行實戰。

經常有人詢問我自己適不適合機器學習以及學習路線。在我以往的經歷中，下類幾類人轉人工智能水到渠成：

①數學、統計等理工類應屆生。理工類學生往往較好的數學基礎，雖然數學理論運用在工程實踐中優先級不是很高，但想要深入機器學習，理論知識往往決定了你能走多遠。

②Python及其它開發語言使用者。對於跨職業向人工智能發展的開發者來說，熟悉項目開發流程能很好地幫助我們理解算法原理和應用場景，尤其是python語言使用者，優勢十分明顯。

③數據分析師。所有拋開大數據的人工智能是偽科學，數據分析也是入門機器學習的必備技能。

④其它互聯網崗位。在人人編程的年代，懂一點技術總沒錯。特別是作為用戶和技術紐帶的產品經理，懂人工智能技術在垂直領域有不小的職業加分項。

那麼要怎麼入門機器學習？

機器學習是一門融合概率論、線性代數、凸優化、計算機、神經科學等多方面的複雜技術，常常讓人覺得晦澀難懂。但撇開學術界需求，其實大部分人最終不會從事算法研究，而會奮鬥在一線應用領域。

如何入門機器學習，我建議從實際工程角度出發逆推出能力模型。我們先來用一個小型NLP項目流程來舉例，讓大家瞭解機器學習項目有哪些大的環節:

1.獲取數據。包括業務部門、公司積累大量的文本數據和自己網上下載、爬取的數據，然後進行加工。

2.數據預處理。數據處理大概會佔到整個50%-70%的工作量，通過數據洗清、分詞、詞性標註、去停用詞四個大的方面來完成語料的預處理工作。

3.特徵工程。做完語料預處理之後，接下來需要考慮如何把分詞之後的字和詞語表示成計算機能夠計算的類型。把中文分詞的字符串轉換成數字，有兩種常用的表示模型分別是詞袋模型和詞向量。

4.特徵選擇。構造好的特徵向量，是要選擇合適的、表達能力強的特徵。特徵選擇是一個很有挑戰的過程，更多的依賴於經驗和專業知識，並且有很多現成的算法來進行特徵的選擇。

5.模型訓練。對於不同的應用需求，我們使用不同的模型，傳統的有監督和無監督等機器學習模型，如 KNN、SVM、Naive Bayes、決策樹、GBDT、K-means 等模型；深度學習模型比如 CNN、RNN、LSTM、 Seq2Seq、FastText、TextCNN 等。

6.評價指標。訓練好的模型，上線之前要對模型進行必要的評估，目的讓模型對語料具備較好的泛化能力。

7.模型上線應用。模型線上應用，線下訓練模型，然後將模型做線上部署，發佈成接口服務以供業務系統使用。

我們可以看到一個機器學習項目的完成，開發者除了要具備數學與編程語言基本能力外，實際上更多是對具體算法、模型運用要求，而且面對具體業務也要有相應的圖像、語音、NLP等深度學習知識。

那麼該如何快速入門人工智能呢？

小編已經為大家準備了人工智能學習的全套視頻教程，帶你快速走進人工智能！

需要的讀者請私信小編“人工智能”可馬上免費獲取

記得幫小編轉發，並關注小編，後期有更多學習資料分享出來