hai-er LV
发表于 2025-4-7 15:43:32
作为一个本科时期安卓开发，研究生转型，三年磕磕绊绊一路走来，到现在已经工作快5年的算法工程师。回首当年的学习之路，常常因为人工智能入门知识繁多，走在半路因看不到终点而焦虑不已，从而怀疑走上这条路的正确性，“要不要转行去做开发”、“要不要转行去做前端” 等半途转行的思想一直萦绕脑海中。
这篇文章讲讲入门人工智能的路线和前景，希望能给同样满怀热情想要学习的有志之士，一点点帮助。同时，希望大家认清自己的优劣势，不要用战术上的勤奋，掩盖战略上的懒惰，选择这条路就要全身心all in。因为只有all in，才有更大的概率在激烈的就业市场上胜出同侪。
总的来说，真的从“零”开始的入门之路分为“三步走”。
第一步：学习Python，熟悉Python 基础语法；
第二步：学习机器学习基础知识，实战kaggle；
第三步：选择人工智能具体方向，阅读业界论文。
下面来具体谈谈每一步的具体该如何走，有哪些好的学习资料，究竟要学到什么地步。
学习之路——“三步走”
一. 学习Python
Python 是最简单的入门语言，对于没有编程基础的朋友也非常友好。最重要的是，Python开源社区非常丰富，有很多开源工具和模型，后续人工智能模型开发都是使用Python语言。
Python入门只需要学习基础语法，不需要了解Python GUI、CGI、网络编程等等高级部分，因为这些高级部分都是做后端开发才需要了解的知识点。
这里推荐《Python核心编程第二版》，只需要掌握这本书的第一部分，基本的概念和语句、语法和风格、Python对象、数字类型、序列类型、映射和集合类型、条件和循环、文件和输入/输出、错误和异常、函数和函数式编程、模块、面向对象编程这些内容。不推荐《Python核心编程第三版》，是因为第三版没有这些基本内容了，全部都是GUI、网络、数据库等高阶知识。
Python 要学到什么程度呢？学到能使用 Python 写 leetcode easy 题即可，其实就是熟练使用Python 中的 for/while 循环，字符串，数组等。
二. 机器学习基础知识
人工智能与机器学习并不完全等同，但它们密切相关。人工智能是一个更宽泛的概念，代表可让机器或系统像人类一样感知、推理、行动或适应。而机器学习是人工智能的一种方法，它主要使用归纳、综合而不是演绎。机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。
机器学习是人工智能所有方向都必须学习的基础知识，因为无论是机器视觉还是语音识别都是通过神经网络进行分类或者回归，只是网络更加复杂、目标更加细分。
根据监督信息从无到有，各种机器学习算法，可以分为三类：有监督学习、无监督学习和强化学习。
1） 无监督学习
在没有label的数据下学习数据之间的异同。由于没有给定正确的答案，模型无法知道数据的结果是什么，因此将学习数据之间的关系。 当想要检测异常或对数据进行分类时，通常会使用无监督学习。
2）有监督学习
给定学习数据和label，需要从指定数据中发现划分label的规律。对于给定数据，进行足够的训练，能够学习到数据和label 之间的关系，并预测没有label的数据的结果。因此用于预测场景和目标识别对象。
3）强化学习
与监督学习略有不同，给定数据，选择动作以最大化长期奖励 。如果模型尝试的行动导致了好的结果则给出正向反馈，如果导致不好的结果则给出负向反馈。强化学习用于围棋游戏、自动驾驶和机器人控制的人工智能。 那机器学习有什么好的学习资料呢？
经典的西瓜书和李航的统计学习法方法就是非常好的入门材料。注意，不需要看完全部章节，因为有的知识可能你整个算法生涯都不会用到，一开始我们只学普适知识，后面有用到其他的知识点再转过头学。西瓜书只用看到第九章 聚类，《统计学习方法》只用看到第九章 EM算法即可。
在具体看的过程中，一定有很多困难，虽然公式不要求每一步都看懂，但是推到思路一定要啃下去。书看完了，感觉也懂了，但是你一考我，我好像又忘了。
这时候可以看吴恩达的机器学习视频，Coursera上就有，温习一遍。一定要记笔记，跟着推导一遍。记笔记是因为在以后学习生涯中你一定会回过来翻看，记下来就不用再去翻视频了，大大节省了时间。
三.人工智能具体方向
学习完基础知识，就需要选择一个具体的方向，深入了解业内通用的解决方案。关于选择什么方向这个问题，可以看我主页里写的另一篇文章，这里只讨论如何学习。
想要在人工智能算法这条路上成长，一定要培养自己阅读论文的能力。在学习的初期，可以阅读综述性论文，了解这个领域什么算法解决什么问题；在学习的过程中，阅读经典论文，这样能了解到非常多的细节；在已经精通之后，也要不断阅读前沿论文，时刻保持新的视野，将前沿的思想运用在自己的工作中。
金融风控/数据分析
金融风控应该是比较简单的方向，因为它的领域知识比较少，只需要将之前学到的机器学习基础知识会实战即可。机器学习实战阶段需要学习pandas , numpy, sklearn 这三个包的使用，模型主要使用xgboost 和 lightgbm， 代码上主要进行特征构造、特征筛选、特征工程，思维上培养分析模型的能力。
kaggle 是一个业界备受认可的机器学习比赛平台，我推荐下面这本书，这本书不仅教各个库的使用方式，而且使用kaggle 题目举例，给出了如何加载数据，构造特征，交叉验证，调参各个阶段的代码范式，看完之后你就可以组队去kaggle上一显身手了。
大语言模型
大语言模型是近期最火的算法方向。llm大语言模型是最近新兴的方向，国内不仅有百川智能、光年之外等明星创业公司从零开始做中国的llm，而且各个公司的业务部门也开始使用llm 解决原先的业务问题。这意味着技术范式已经升级，原先这部分业务是nlp 工程师使用nlp 技术解决，而如今llm 工程师逐步替代了nlp 工程师。
吴恩达联合openai 出品的三个课程同样非常值得学习，每个课程短小精悍，直击要点。
1.《面向开发者的chatgpt 提示工程》
链接https://www.deeplearning.ai/short-courses/chatgpt-prompt-engineering-for-developers/
2.《使用chatgpt api 构建系统》
链接https://www.bilibili.com/video/BV1zX4y187dw/?spm_id_from=333.788.recommend_more_video.12&vd_source=18fbb3e7f363c57cfeac5e175b356e96
3.《LLM应用程序开发的LangChain》
链接：吴恩达最新ChatGPT课程《LLM应用程序开发的LangChain》中文字幕由ChatGPT翻译_哔哩哔哩_bilibili
欢迎关注我，只聊干货的眼罩。 |
|
