2018 年，人工智慧在各行各業中的落地應用越來越多。十多年前，所有的企業都在想辦法網際網路化，如今，所有的網際網路企業都在試圖 AI 化。技術的競爭歸根結底表現為人才的競爭，毫無疑問 AI 工程師是 IT 行業需求缺口最大的高階技術崗位，薪資水平雖遠高於其他行業，但 AI 工程師依然供不應求。除了高校里科班出身的相關專業畢業生，有程式碼經驗的轉型程式設計師也廣受 AI 公司的歡迎。

      據招聘網站的資料統計顯示，最高薪酬的 56 個崗位 ( 分為：60-100 萬、100 萬 + ；兩檔 ) ，要求碩士以上學歷的崗位有 30個，比例 53%，比 AI 工程師中碩士學歷要求的平均比例 28.6%，高出一倍。

      在這高新光環下，湧入AI行業的朋友越倆越多。但是你們對AI瞭解多少呢？還是隻知道一些高大上的但是這些名詞，高大上的話語都是寫給初學者或者其他領域的朋友來看的。就拿機器學習來說，真正的去學習機器學習的朋友們會深有體會，機器學習就是讓機器會“學習”，所謂的學習就是建立了一些模型、掌握了一些資料、去做了訓練和預測，然後對我們接下來要做的事情有一定的自己處理的能力，甚至說人工智慧其實就是基於大資料和概率論等方法建立的處理問題的模型。在我們這學習機器學習之前，我們會經常接觸一些詞彙如：資料集、訓練集、模型、監督學習、非監督學習等等。

      那麼通俗點講，何為機器學習？也就是說機器學習不需要制定具體的模型，而是讓計算機根據龐大的資料量自己訓練模型，與之相對的，例如CFD軟體，是建立在物理模型之上的，例如輸運方程等。在學習機器學習之前我們先了解一下何為監督學習和非監督學習，半監督學習暫時不介紹。

      一、監督學習（Supervised learning）

      資料集中的每個樣本有相應的“正確答案”，根據這些樣本做出預測，分有兩類：迴歸問題和分類問題。

    （1）迴歸問題

      例如預測房價，根據樣本集擬合出一條連續曲線

     （2）分類問題

        例如：根據腫瘤特徵判斷良性還是惡性，得到的是結果是“良性”或者“惡性”，是離散的

        二、非監督學習（Unsupervised learning）

             非監督學習的資料集跟監督學習不同，沒有任何標籤，即沒有相應的“正確答案”。從資料集中可以通過非監督學習得到數         據的某種結構，可能是把資料分成兩個不同的聚集簇，稱為聚類演算法。

         以上我們看到這些是處理後的結果，要想成為合格的機器學習工程師，我們要熟練如何把收集來的資料集進行處理，如何建立演算法模型、評估模型好壞，如何去做實際問題的預測和分析等等都是我們需要學習的內容，可謂是任重而道遠！

       機器學習最有說服力的是它似乎無限的適用性。機器學習已經讓很多領域受到了影響，包括教育，金融，電腦科學等。幾乎沒有機器學習不適用的領域。在某些情況下，實際上很迫切需要機器學習技術。醫療保健是一個明顯的例子。機器學習技術已經應用於醫療保健領域的關鍵領域，已經影響了從護理學到醫學掃描分析的一切。

       世界毫無疑問地以快速和戲劇性的方式發生變化，機器學習工程師的需求將呈指數級增長。 這個世界的挑戰很複雜，需要複雜的系統來解決它們。 而機器學習工程師正在構建這些系統。 如果這是你的未來，那麼請抓緊一切時間開始掌握這些技能吧。