干干干货！人工智能工程师从0到1的进阶之路！

人工智能工程师，是 IT 行业需求缺口最大的岗位，薪资水平远高于其他行业。随着经验年限的递增，人工智能从业人员平均薪酬涨幅高。据行业报告显 示：AI开发者超过70%从业者月薪为20K-50K。

一、首先是对人工智能有极大的兴趣；

二、是有一定的计算机基础，进击人工智能会更容易。具体来说：（1）是编程基础、数据结构算法好，（2）是高数基础，比如概率论、线性代数、微积分、几何、优化理论等；如果你不具备这些基础，但是满足条件一，仍有希望做人工智能。

三、最好有相应的小环境，不管是业余的，还是工作团队或网络小组。满足这样的条件，基本上可以去学人工智能，另外还要有坚强的毅力，良好的自制力。这一点其实很重要，前面都是知识可以去弥补，但是没有毅力没有自制力，很容易半途而废。

一、目标不坚定，三天打鱼两天晒网，不能脚踏实地；

二、数学基础很差，逻辑思维差的也容易出现半途而废的情况；

三、单纯为学而学，不能学以致用。

随着近几年人工智能持续火热，网上出现了很多人工智能工程师速成课程，但小编认为，这种偷懒的捷径往往并不能让人真正掌握这些技术，速成的AI工程师也很难成为业内精英。更有甚者，一个工作多年的人工智能工程师随便问几个问题，就能发现他们的水平和实际工作要求的差距。

核心问题在于：AI的门好跨么？其实这一过程很难。这里送你一份人工智能学习线路图！让我们具体来看一看入门、进阶和高阶人工智能阶段都需要掌握哪些技能。

（图片来源：CSDN，可点击查看大图）

首先了解这个领域，建立起全面的视野 ，培养起充足的兴趣，然后开始学习机器学习的基础，如计算机科学、编程语言和数学基础等。基础打下后，再对机器学习有充足的了解，用机器学习来解决实际的问题。

这时还是可以把机器学习方法当作一个黑盒子来处理的。 实战经验积累以后，可以考虑继续学习机器学习或者深度学习 。没错，这时候有两个选择，深度学习或者继续机器学习。深度学习是目前最火热的机器学习方向，其中一些方法已经跟传统的机器学习不太一样，因此可以单独学习。除了深度学习以外，选择机器学习，就要学习监督学习和非监督学习的多种模型和算法，机器学习还包括统计学习、集成学习等实用方法。

如果条件足够，可以同时学习 机器学习与深度学习，一些规律对两者是共通的 。学习完后，你已经具备了较强的知识储备，可以进入较难的实战。这时候有两个选择，大家可以对号入座：工业界的可以选择看开源项目，以改代码为目的来读代码；学术界的可以看特定领域的论文，为解决问题而发论文。

无论哪者，都需要过硬的知识，以及较强的编码能力，因此很能考察和锻炼水平。 经过这个阶段以后，可以说是踏入AI领域的门了。之后的路就要自己走了。

在此，小编为大家推荐一些值得一读的书籍和论文。

UFLDL ：非常好的DL基础教程，由Andrew Ng编写。有很详尽的推导，有翻译，且翻译质量很高；

Deep learning （paper） ：2015年Nature上的论文，由三位深度学习界的大牛所写，读完全篇论文，给人高屋建瓴，一览众山小的感觉，强烈推荐。如果只能读一篇论文了解深度学习，我推荐此篇。这篇论文有同名的中文翻译；

Neural networks and deep learning ：这本书的作者非常擅长以浅显的语言表达深刻的道理，虽然没有翻译，但是阅读并不困难；

Recurrent Neural Networks ：结合一个实际案例告诉你RNN是什么，整篇教程学完以后，会让你对RNN如何产生作用的有很清晰的认识，而这个效果，甚至是读几篇相关论文所没有的。

Neural Networks for Machine Learning ：大牛的视角就是与众不同，看看Hinton对神经网络是怎么看的，往往会让你有种“原来如此”的感悟。其实看这门课程也等同于读论文，因为几乎每节课的参考资料里都有论文需要你读；

CS231n：Convolutional Neural Networks for Visual Recognition ：最新的知识，还有详细的作业。国内应该有团队对字幕进行了翻译，网上应该可以找到下载源；

PRML ：作为一门经典的机器学习书籍，是很有阅读必要的，会让你对机器学习拥有一个别样的观察视角。