本文目錄

本文來自：微信公眾號《阿里技術》的一篇文章，感覺很有意義，特分享給大家。下面貼出該公眾號二維碼，大家感興趣的話可以掃描關注。

25歲Java工程師如何轉型學習AI？

“大牛我要問”欄目推出一段時間後，阿里妹收到不少童鞋的來信，其中以職業發展、技術成長的困惑居多。

今天阿里妹選擇了一個頗具有代表性的問題：關於目前大熱的AI入門學習，希望能幫助有同樣問題的童鞋解惑指路。

來信問題：25歲Java工程師如何轉型學習AI？

我是一名25歲的Java開發工程師。本科學習的專業是資訊與計算科學（數學專業），因為對計算機方面感興趣，之後培訓學習了Java，所以現在從事Java開發。目前就是在電商公司開發一些系統。

我對人工智慧非常感興趣，對數學的興趣也從未減弱。人工智慧設計的學習材料很多，像我這樣的狀況，如果想要轉型以後從事這方面的工作，具體應該學習些什麼？

首先，我想聊聊為何深度學習最近這麼火。

外行所見的是2016年AlphaGo 4比1 戰勝李世石，掀起了一波AI熱潮，DeepMind背後所用的深度學習一時間火得不得了。其實在內行看來，AlphaGo對陣李世石的結果是毫無懸念的，真正的突破在幾年前就發生了。

2012年，Gefferey Hinton的學生Alex使用一個特別構造的深度神經網路（後來就叫AlexNet），在影象識別的專業比賽ImageNet中，得到了遠超之前最好成績的結果，那個時候，整個人工智慧領域就已經明白，深度學習的革命已經到來了。

果然，之後深度學習在包括語音識別，影象理解，機器翻譯等傳統的人工智慧領域都超越了原先各自領域效果最好的方法。從2015年起，工業界內一些嗅覺靈敏的人士也意識到，一場革命或已到來。

關於基本概念的學習

機器學習與深度學習

深度學習是機器學習中的一種技術，機器學習包含深度學習。機器學習還包含其他非深度學習的技術，比如支援向量機，決策樹，隨機森林，以及關於“學習”的一些基本理論，比如，同樣都能描述已知資料的兩個不同模型，引數更少的那個對未知資料的預測能力更好（奧卡姆剃刀原理）。

深度學習是一類特定的機器學習技術，主要是深度神經網路學習，在之前經典的多層神經網路的基礎上，將網路的層數加深，並輔以更復雜的結構，在有極大量的資料用於訓練的情況下，在很多領域得到了比其他方法更好的結果。

機器學習與大資料

大資料：機器學習的基礎，但在多數語境下，更側重於統計學習方法。
機器學習，深度學習，資料探勘，大資料的關係可以用下圖表示

系統學習資料

深度學習火起來之後，網上關於深度學習的資料很多。但是其質量參差不齊。我從2013年開始就關注深度學習，見證了它從一個小圈子的領先技術到一個大眾所追捧的熱門技術的過程，也看了很多資料。我認為一個高質量的學習資料可以幫助你真正的理解深度學習的本質，並且更好地掌握這項技術，用於實踐。

以下是我所推薦的學習資料：

首先是視訊課程。

Yaser Abu-Mostafa

加州理工的Yaser Abu-Mostafa教授出品的機器學習網路課程，非常系統地講解了機器學習背後的原理，以及主要的技術。講解非常深入淺出，讓你不光理解機器學習有哪些技術，還能理解它們背後的思想，為什麼要提出這項技術，機器學習的一些通用性問題的解決方法（比如用正則化方法解決過擬合）。強烈推薦。

課程名稱：Machine Learning Course - CS 156

Geoffrey Hinton

深度學習最重要的研究者。也是他和另外幾個人（Yann LeCun，Yoshua Bengio等）在神經網路被人工智慧業界打入冷宮，進入低谷期的時候仍然不放棄研究，最終取得突破，才有了現在的深度學習熱潮。

他在Coursera上有一門深度學習的課程，其權威性自不待言，但是課程製作的質量以及易於理解的程度，實際上比不上前面Yaser Mostafa的。當然，因為其實力，課程的乾貨還是非常多的。

UdaCity

Google工程師出品的一個偏重實踐的深度學習課程。講解非常簡明扼要，並且注重和實踐相結合。推薦。

小象學院

國內小象學院出品的一個深度學習課程，理論與實踐並重。由紐約城市大學的博士李偉主講，優點是包含了很多業內最新的主流技術的講解。值得一看。
課程名稱：深度學習（第四期）
課程地址： http://www.chinahadoop.cn/classroom/45/courses

推薦閱讀書目

《Deep Learning the Book》 —— 這本書是前面提到的大牛Yoshua Begio的博士生Goodfellow寫的。Goodfellow是生成式對抗網路的提出者，生成式對抗網路被Yann LeCun認為是近年最激動人心的深度學習技術想法。這本書比較系統，專業，偏重理論，兼顧實踐，是系統學習深度學習不可多得的好教材。
英文版：http://deeplearningthebook.com
目前Github上已經有人翻譯出了中文版：
https://github.com/exacity/deeplearningbook-chinese

推薦學習路徑

不同的人有不同的需求，有些人希望掌握好理論基礎，然後進行實踐，有些人希望能夠快速上手，馬上做點東西，有些人希望理論與實踐兼顧。下面推薦幾條學習路徑，照顧到不同的需求。大家可以根據自己的特點進行選擇。

Hard way
Yaser -> Geoffrey Hinton -> UdaCity -> Good Fellow
特點：理論紮實，步步為營。最完整的學習路徑，也是最“難”的。
推薦指數： 4星

Good way
Yaser -> UdaCity -> 小象學院 -> Good Fellow
特點：理論紮實，緊跟潮流，兼顧實戰，最後系統梳理。比較平衡的學習路徑。
推薦指數： 5星

“Fast” way
UdaCity -> Good Fellow
特點：快速上手，然後完善理論。
推薦指數： 4星

“碼農” way
UdaCity
特點：快速上手，注重實踐。
推薦指數： 3星

原文地址:【這裡】