網(wǎng)友解答: 題主這么問，首先假設(shè)題主不是計(jì)算機(jī)或者數(shù)學(xué)專業(yè)的。這么說吧，這是件可以去做的事，而且現(xiàn)實(shí)情況是，現(xiàn)在也有不少的一部分人工智能從業(yè)者就是轉(zhuǎn)行過來的。我在國內(nèi)某電商做人工智能，而

題主這么問，首先假設(shè)題主不是計(jì)算機(jī)或者數(shù)學(xué)專業(yè)的。

這么說吧，這是件可以去做的事，而且現(xiàn)實(shí)情況是，現(xiàn)在也有不少的一部分人工智能從業(yè)者就是轉(zhuǎn)行過來的。

我在國內(nèi)某電商做人工智能，而我大學(xué)的專業(yè)并非計(jì)算機(jī)也不是數(shù)學(xué)，就是純靠自學(xué)找到的這份工作。目前從業(yè)三年，也積累了很多面試經(jīng)驗(yàn)。

就我面試別人的經(jīng)驗(yàn)來看，現(xiàn)在這行的水平良莠不齊，而且其實(shí)很少有學(xué)校有專門對口的專業(yè)，所謂的專業(yè)更多的只是計(jì)算機(jī)專業(yè)有天生的編程基礎(chǔ)，數(shù)學(xué)專業(yè)有強(qiáng)大的數(shù)學(xué)背景，而更多的計(jì)算機(jī)應(yīng)屆畢業(yè)生，其實(shí)并沒有很深厚的人工智能基礎(chǔ)，只是和導(dǎo)師做了一兩個(gè)用到了某個(gè)人工智能算法的項(xiàng)目。

所以自學(xué)的話，建議剛開始找一些例子，多看看比如tensorflow這樣的框架官方文檔上的內(nèi)容，還是能學(xué)到不少東西的，然后思考整個(gè)例子的流程，再找些經(jīng)典的教材看看算法的細(xì)節(jié)。

如果數(shù)學(xué)基礎(chǔ)不好，建議先惡補(bǔ)一下基礎(chǔ)的線性代數(shù)和基礎(chǔ)概率論的前幾章，然后就試著去理解神經(jīng)網(wǎng)絡(luò)，梯度下降這些內(nèi)容，隨著慢慢的深入，缺什么數(shù)學(xué)就補(bǔ)什么數(shù)學(xué)，不用一上來就一堆數(shù)學(xué)書，這樣很容易就放棄了。最好是補(bǔ)充了基礎(chǔ)的線性代數(shù)和概率論后，就著算法去跟隨需求補(bǔ)充數(shù)學(xué)。

另外關(guān)于編程，這是個(gè)硬功夫，建議每天花時(shí)間去學(xué)習(xí)。

再說說工作的真實(shí)狀態(tài)，工作一般分兩種，一種就是網(wǎng)上所說的調(diào)參俠，還有一種就是做模型壓縮優(yōu)化這些高大上的工作。

對于調(diào)參俠，其實(shí)上手是很快的，但也不用鄙視調(diào)參俠，他們自有自己的價(jià)值，而且很多公司要的就是調(diào)參俠，而不是算法創(chuàng)新，需要的是快速出可用的模型。這時(shí)候工作的大部分內(nèi)容其實(shí)并不在算法，更多的是在處理數(shù)據(jù)，把數(shù)據(jù)處理到最簡單的算法都能得出好的結(jié)果，你就是你周圍的圈子里蠻厲害的了。所以調(diào)參俠需要的技能并沒有想象中那么復(fù)雜，通過自學(xué)是可以入門的。

對于模型壓縮優(yōu)化這部分工作，剛開始自學(xué)的時(shí)候可能會很難到這個(gè)層次，但也有捷徑，就是利用別人寫好的優(yōu)化框架，你可能不知道發(fā)生了什么，但你的模型就是跑的快了，模型也變小了。

當(dāng)然我這里并不是鼓勵(lì)做調(diào)參俠，建議做兩年調(diào)參俠后，這時(shí)候操作系統(tǒng)基礎(chǔ)(linux)該有了，也有些編程經(jīng)驗(yàn)了，各類算法也摸過了，這時(shí)候可以考慮做一些深入的工作了，比如模型壓縮這樣的工作。

另外，即使是自學(xué)，最好也是找一個(gè)具體的方向深入，比如推薦，視覺，nlp等，不然只是常規(guī)的分類回歸門檻太低了。

最后建議初學(xué)不要給自己太多壓力和砍，可以看看下面這些內(nèi)容(對非計(jì)算機(jī)或數(shù)學(xué)專業(yè)):

1.linux基礎(chǔ)

2.python基礎(chǔ)

3.線性代數(shù)和概率論基礎(chǔ)

4.吳恩達(dá)的深度學(xué)習(xí)視頻

5.tensorflow官方文檔，實(shí)踐起來

看完上面這些，相信自然而然會知道該往哪里深入了。

既然是自學(xué)，所以看書的時(shí)候千萬不要騙自己，沒看懂就是沒看懂，剛開始的時(shí)候一個(gè)很簡單的推導(dǎo)都值得花很多時(shí)間好好去咀嚼。

希望能有更多的參與到人工智能這場技術(shù)變革里來。

自學(xué)當(dāng)然是可行的！如果你是人工智能領(lǐng)域的零基礎(chǔ)小白，可以看看這份學(xué)習(xí)計(jì)劃，部分附資源鏈接，除了書籍，配合一些視頻學(xué)習(xí)效果會更好哦。

一、人工智能

書籍：“Artificial Intelligence: A Modern Approach (AIMA)” （人工智能：一種現(xiàn)代方法）

不可多得的綜合性書籍，總體概述了人工智能領(lǐng)域，幾乎涵蓋新手需要了解的所有基本概念。

視頻：

https://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-034-artificial-intelligence-fall-2010/lecture-videos/

Artificial Intelligence course（人工智能課程）系列視頻講座，通過訓(xùn)練AI玩游戲這類趣味實(shí)踐來介紹基本知識，如果視頻太快跟不上，可以配合從上面這本書（現(xiàn)代方法）中尋找相關(guān)概念。

二、機(jī)器學(xué)習(xí)（計(jì)算機(jī)科學(xué)和統(tǒng)計(jì)學(xué)的交叉學(xué)科）

視頻：

機(jī)器學(xué)習(xí)基礎(chǔ)薄弱的，可以先去TutsPlus課程“Machine Learning Distilled”看一下相關(guān)概念簡述，Coursera上的Andrew Ng機(jī)器學(xué)習(xí)課程，也有基本概念的解釋，還介紹了大部分重要的算法。

（https://www.coursera.org/learn/machine-learning/）

對ML算法了解不夠的，可以配合以下教學(xué)視頻進(jìn)行理解

TutsPlus的“Machine Learning Distilled”（簡要概述）

Perer Norvig 的Udacity Course on ML（ML Udacity 課程）

Tom Mitchell 的 Another course on ML

書籍：集體智慧編程（Programming Collective Intelligence）

ML算法在Python中的實(shí)踐，大量基礎(chǔ)性的實(shí)例，講述生動(dòng)，很適合入門學(xué)者，培養(yǎng)興趣的同時(shí)又開拓視野，讓你不想懂都難！

三、深度學(xué)習(xí)（是機(jī)器學(xué)習(xí)里最近比較火的一個(gè)子集）

DL基礎(chǔ)方面的準(zhǔn)備工作：

Google上的great introductory DL cources

Sephen Welch的great explanation of neural networks

書籍：

Deep Learning With Python（可自行度盤下載https://pan.baidu.com/s/1kUThYHT）

介紹DL應(yīng)用程序中的最先進(jìn)成果，深入淺出，帶領(lǐng)新手快速開始構(gòu)建基礎(chǔ)并且接觸實(shí)踐案例，包含Keras、TensorFlow時(shí)下最先進(jìn)的工具。

Neural Networks and Deep Learning（神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)）

（可自行度盤下載https://pan.baidu.com/s/1miLerZM）

新手友好，作者在數(shù)學(xué)密集的區(qū)域都有標(biāo)注提示。MNIST手寫數(shù)字的識別問題貫穿全書，每個(gè)模型以及改進(jìn)都有詳細(xì)注釋的代碼。

更多優(yōu)質(zhì)回答，請持續(xù)關(guān)注鎂客網(wǎng)酷米號~