前不久，不少人被一段機器人后空翻的視頻刷屏了。視頻中，雙足人形機器人阿特拉斯又是走“梅花樁”，又是秀后空翻，完成了一段精彩絕倫的體操表演。

超強機器人出現！分分鐘被 AI 驚呆…

[[224620]]

要知道阿特拉斯在 2014 年的時候僅僅能夠單腿站立。

[[224621]]

在 2016 年就可以隨主人一起去踏雪了。

[[224622]]

而到今年，他已經可以完成后空翻了。

而這一切都需要依靠 AI（人工智能）技術來完成的。

人工智能到底有多火？

近日，一份 2018 屆互聯網校招高薪清單在網絡上流傳，引發眾多畢業生及互聯網從業者關注。

從拿到這些企業 offer 的同學反饋來看，這份清單顯示的年薪水平還是比較準確的。

另外，今年互聯網企業中研究深度學習、機器學習、人工智能等崗位比較火熱，在他們看來，校招年薪 25 萬人民幣只是白菜價。

其中，谷歌中國的人工智能崗位年薪***，達 56 萬元人民幣，其次是微軟的算法工程師崗位，年薪 51 萬，第三是谷歌的算法工程師崗位，年薪 50 萬，排在第四、第五的是騰訊公司的基礎應用研究（SSP）崗位和騰訊云后臺研發工程師崗位，年薪分別是 45-50 萬、32.4 萬。整體來看，算法工程師崗位最吃香。

看完校招，再來看下***出爐的 2018 年薪酬指南！人工智能行業工資漲幅***，如下圖：

 

人工智能到底有多火？從上面可見一斑！無人駕駛汽車、無人超市、機器人伴侶......人工智能來得比我們預計要快很多。

以后會有很多工作崗位即將被機器人替代。比如： 客服人員、收銀員、汽車駕駛員、翻譯、會計甚至部分程序員。

AI 讓程序員既興奮又害怕

讓 AI 自動編程是人工智能領域長久以來的夢想之一。前不久，來自彭博和英特爾實驗室的兩位研究人員，號稱實現了***能夠自動生成完整軟件程序的 AI 系統“AI Programmer”。

這個“AI 程序員”利用遺傳算法和圖靈完備語言，開發的程序理論上能夠完成任何類型的任務。AI 自動編程的時代，大幕已開。

隨后，谷歌 AutoML 系統也出產了一系列機器學習代碼，其效率甚至比研究人員自身還要高。

顯然，這是對“人類優越論”的又一次打擊，因為機器人“學生”們已經成為了“自我復制”的大師。所以，未來將會有一大批低段位的程序員被下崗。

剛剛，Stack Overflow 年度開發者報告發布。這次，全球共有十萬名程序員參與了這個一年一度的大調查，最終形成 2018 年度報告。

在這個報告中，詳實反映了開發者們的學習、工作和生活。這份報告共分為六大部分，包括幾十個不同類型的問題，下面主要列出關于人工智能的部分：

• TensorFlow 榮登程序員***框架
• 開發者不怕編程自動化
• AI 讓程序員既興奮又害怕

機器學習框架在開發者們心目中形象不錯，TensorFlow 榮登程序員***榜榜首，有 73.5% 正在用它的程序員表示還想繼續用，Torch/PyTorch 排在第 3 名，68% 用戶打算繼續用下去。

程序員對 AI 是什么態度？隨著機器學習越來越熱，投身其中的程序員越來越多，今年的調查增加了一些新題目，比如說對人工智能的看法、編程中的道德問題等等。

對于工作越來越自動化這件事，程序員們是不太怕的，只有 19.8% 的人認為這很危險，而認為工作自動化 exciting 的多達 40.8%。

程序員們最擔心的，是讓算法做重要的決定，28.6% 的人都認為這有點危險，但同時也有 23.5% 的人認為非常 exciting。另外，23.5% 的人擔心 AI 和人類決策對公平性的影響。

擔心公平問題的，和擔心AI超越人類的完全是兩撥不同的程序員。從調查結果來看，數據科學家、機器學習從業者、工程主管、學術圈的人、產品負責人等更擔心公平性，而移動開發者、設計師更擔心 AI 超越人類。

那么，如果 AI 真出了什么問題，應該誰負責呢？

47.8% 的程序員認為，自己的孩子自己管，開發者或者創造了這個 AI 的人應該負責，也有 27.9% 的人認為責任在于政府或者監管機構。對于人工智能的未來，開發者們基本是樂觀的。

72.8% 的程序員對 AI 帶來種種可能性的激動，要大于對危險的擔心。當然，還有 8.2% 灑脫的程序員表示根本不在乎，完全沒想過。

人工智能大火，程序員該如何入門？

據調查顯示，2017 年，AI 工程師平均年薪為 34 萬元，接近 IT 工程技術類的兩倍，而有 10 年以上經驗的 AI 工程師，年薪高達 140 萬元，而 IT 工程師還不到 55 萬元。 

業內人士表示，由于人才匱乏，人工智能工程師的年薪水漲船高。博士畢業進入企業，起薪或可高達百萬元，“否則根本留不住人”。而且，即便這樣的人也很難“上手就用”，都要在公司經過數月至一年的專業培訓。

如此火爆的人工智能專業，到底是學什么的？人工智能的三個基礎點：

• 算法，包括深度學習
• 大數據，這是人工智能的支撐
• 運算能力和硬件

人工智能行業到底缺少什么樣的人才？主要缺四個方面的人才：

• 邏輯算法方面的人才，做底層技術算法研究。
• 基于一些核心技術平臺如人臉識別、語音識別等線上云端能夠使用的人才，基于平臺開發的人才。
• 大數據人才，人工智能產品基本都涉及數據分析、處理。
• 人工智能硬件產品人才，對新的終端產品有所了解，比如機器人、手機等。

要說現在最處于風口浪尖的行業非人工智能莫屬。科技龍頭企業紛紛將人工智能納入自己的擴張版圖，積極部署人工智能實驗室，科研成果落地為產品的時間大大縮短。

但現在無論是大型科技企業，還是初創公司都面臨一個窘境：AI 人才極度緊缺。全球 AI 領域人才約 30 萬，而市場需求在百萬量級。其中，高校領域約 10 萬人，產業界約 20 萬人，遠遠不能滿足市場對人才的需求。

客觀來說，深度學習是近年來人工智能領域最令人矚目的方向之一，學術界和工業界近年來運用深度學習技術逐漸在語音識別、圖像識別、自然語言處理等領域均獲得重大突破性進展。

深度學習也因此成為了炙手可熱的高薪職位。

已有不少人嗅到了深度學習帶來的大量機遇，開始轉向人工智能領域。

隨著機器學習在生活中越來越廣泛得被應用在各個領域，比如：

• 資訊類 App，每日的消息推送都是我們自己喜歡且關注的內容（人工智能的學習和記憶）。
• 百度搜索結果的排序推送是基于用戶歷史的點擊數據，會更多地推送個人喜歡或認為正確的結果。
• 百度廣告根據每個人喜好去***化點擊的概率。
• 美圖秀秀根據用戶儲存的自動美化后的照片來優化算法。
• 滴滴幫助司機選擇路線、規劃車輛調度方案。
• 未來的自動駕駛技術重新定義智能出行、智能城市。
• App 背后的判斷、預測、抉擇、分類。
• 當前發展比較熱門的應用，語音識別、自然語言理解、知識圖譜、個性推薦、個性化排序各種領域的進步。

越來越多的程序員加入 AI 領域，那么入行 AI 領域需要哪些技能呢？肯定你們也聽到了，人工智能、機器學習、深度學習這樣的關鍵詞，它們之間的關系是什么？

從圖上可以看到，人工智能是一個很大的概念，機器學習是其中一個子集，而深度學習又是機器學習里的一種。

什么是機器學習（Machine Learning，ML）？深度學習的基礎是機器學習，事實上深度學習只是機器學習的一個分支。

因此我們要入門深度學習就要先了解一些機器學習的基礎知識。機器學習最基本的做法，是使用算法來解析數據、從中學習，然后對真實世界中的事件做出決策和預測。

與傳統的為解決特定任務、硬編碼的軟件程序不同，機器學習是用大量的數據來“訓練”，通過各種算法從數據中學習如何完成任務。

有人曾舉過一個例子，很形象生動，當你使用手機的語音識別進行喚醒時，有沒有想過實現這一功能的全部內部流程呢？

我們日常交互的大部分計算機程序，都可以使用最基本的命令來實現，但是基于機器學習的程序卻沒有那么簡單，想象下如何寫一個程序來回應喚醒詞，例如“Okay,Google”，“Siri”，和“Alexa”。

如果在一個只有你自己和代碼編輯器的房間里，僅使用最基本的指令編寫這個程序，你該怎么做？不妨思考一下……這個問題非常困難。

你可能會想象下面的程序：

ifinput_command=='Okey,Google':  
     run_voice_assistant() 

但實際上，你能拿到的只有麥克風里采集到的原始語音信號，可能是每秒  44,000 個樣本點。

怎樣才能識別出語音內容？或者簡單點，判斷這些信號中是否包含喚醒詞。

如果你被這個問題難住了，不用擔心。這就是我們為什么需要機器學習。

雖然我們不知道怎么告訴機器去把語音信號轉成對應的字符串，但我們自己可以。

換句話說，就算你不清楚怎么編寫程序，好讓機器識別出喚醒詞“Alexa”，你自己完全能夠識別出“Alexa”這個詞。

由此，我們可以收集一個巨大的數據集（dataset），里面包含了大量語音信號，以及每個語音信號是否對應我們需要的喚醒詞。

使用機器學習的解決方式，我們并非直接設計一個系統去準確地辨別喚醒詞，而是寫一個靈活的程序，并帶有大量的參數（parameters）。通過調整這些參數，我們能夠改變程序的行為。

我們將這樣的程序稱為模型。總體上看，我們的模型僅僅是一個機器，通過某種方式，將輸入轉換為輸出。

在上面的例子中，這個模型的輸入是一段語音信號，它的輸出則是一個回答{yes, no}，告訴我們這段語音信號是否包含了喚醒詞。

如果我們選擇了正確的模型，必然有一組參數設定，每當它聽見“Alexa”時，都能觸發 yes 的回答；也會有另一組參數，針對“Apricot”觸發 yes。

我們希望這個模型既可以辨別“Alexa”，也可以辨別“Apricot”，因為它們是類似的任務。

這時候你大概能猜到了，如果我們隨機地設定這些參數，模型可能無法辨別“Alexa”，“Apricot”，甚至任何英文單詞。而在大多數的深度學習中，學習就是在訓練過程中更新模型的行為（通過調整參數）。

換言之，我們需要用數據訓練機器學習模型，其過程通常如下：

• 初始化一個幾乎什么也不能做的模型。
• 抓一些有標注的數據集（例如音頻段落及其是否為喚醒詞的標注）。
• 修改模型使得它在抓取的數據集上能夠更準確執行任務。
• 重復以上步驟 2 和 3，直到模型看起來不錯。

什么是機器學習算法？從本質上講，機器學習采用了可以從數據中學習和預測數據的算法。這些算法通常來自于統計學，從簡單的回歸算法到決策樹等等。

什么是機器學習模型？一般來說，它是指在訓練機器學習算法后創建的模型構件。一旦有了一個經過訓練的機器學習模型，你就可以用它來根據新的輸入進行預測。機器學習的目的是正確訓練機器學習算法來創建這樣的模型。

機器學習已廣泛應用于數據挖掘、計算機視覺、自然語言處理、生物特征識別、搜索引擎、醫學診斷、檢測信用卡欺詐、證券市場分析、DNA 序列測序、語音和手寫識別、戰略游戲和機器人等領域。

雖然深度學習技術的發展，也促進了語音和文本領域的發展，但變化最顯著的還是屬于計算機視覺領域。

這里不深入介紹語音和自然語言處理領域的過多細節，就簡要介紹下計算機視覺領域的技術發展和相關的應用，后續的實驗環節，大部分也會是基于深度學習的圖像應用為主。

機器學習四要素：針對識別喚醒語的任務，我們將語音片段和標注（label）放在一起組成數據集。

接著我們訓練一個機器學習模型，給定一段語音，預測它的標注。這種給定樣例預測標注的方式，僅僅是機器學習的一種，稱為監督學習。

成功的機器學習有四個要素：數據、轉換數據的模型、衡量模型好壞的損失函數和一個調整模型權重來最小化損失函數的算法。

數據（Data）

越多越好。事實上，數據是深度學習復興的核心，因為復雜的非線性模型比其他機器學習需要更多的數據。

模型（Models）

通常，我們拿到的數據和最終想要的結果相差甚遠。例如，想知道照片中的人是不是開心，我們希望有一個模型，能將成千上萬的低級特征（像素值），轉化為高度抽象的輸出（開心程度）。

選擇正確模型并不簡單，不同的模型適合不同的數據集。這里我們會主要聚焦于深度神經網絡模型。

這些模型包含了自上而下聯結的數據多層連續變換，因此稱之為深度學習。在討論深度神經網絡之前，我們也會討論一些簡單、淺顯的模型。

損失函數（Loss Functions）

我們需要對比模型的輸出和真實值之間的誤差。損失函數可以衡量輸出結果對比真實數據的好壞。

例如，我們訓練了一個基于圖片預測病人心率的模型。如果模型預測某個病人的心率是 100bpm，而實際上僅有 60bpm，這時候，我們就需要某個方法來提點一下這個的模型了。

類似的，一個模型通過給電子郵件打分來預測是不是垃圾郵件，我們同樣需要某個方法判斷模型的結果是否準確。

典型的機器學習過程包括將損失函數最小化。通常，模型包含很多參數。我們通過最小化損失函數來“學習”這些參數。

可惜，將損失降到最小，并不能保證我們的模型在遇到（未見過的）測試數據時表現良好。

由此，我們需要跟蹤兩項數據：

• 訓練誤差（training error）：這是模型在用于訓練的數據集上的誤差。類似于考試前我們在模擬試卷上拿到的分數。有一定的指向性，但不一定保證真實考試分數。
• 測試誤差（test error）：這是模型在沒見過的新數據上的誤差，可能會跟訓練誤差很不一樣（統計上稱之為過擬合）。類似于考前模考次次拿高分，但實際考起來卻失誤了。
• 優化算法（Optimization Algorithms）。

***，我們需要算法來通盤考慮模型本身和損失函數，對參數進行搜索，從而逐漸最小化損失。最常見的神經網絡優化使用梯度下降法作為優化算法。

簡單地說，輕微地改動參數，觀察訓練集的損失將如何移動。然后將參數向減小損失的方向調整。

什么是深度學習？這是機器學習的一個子領域，近年來表現出了很大的潛力。它涉及到大腦中神經元結構和功能的算法。

Andrew Ng 曾用下圖對比說明傳統機器學習算法和深度學習算法的特點。從圖中可以看出，隨著數據的增多，到達一定量后，深度學習算法的表現會明顯優于傳統的機器學習算法。

深度學習中最令人激動的特性之一就是它在特征學習上的表現。該算法在從原始數據中檢測特征方面表現地特別好。

有一個很好的例子，就是通過深度學習技術來識別汽車圖片中的車輪。下圖說明了典型機器學習與深度學習之間的區別：

在機器學習中特征選擇部分一般需要人的先驗知識的介入來設計好的特征提取方法。

比如人知道輪子一般是圓的，一般出現在交通工具上，有輪胎、輪轂等部件，基于先驗知識，人可以選取適合提取輪子特征的方法，再設計分類器以識別輪子。

而深度學習通常由多個層組成。它們通常將更簡單的模型組合在一起，通過將數據從一層傳遞到另一層來構建更復雜的模型。

通過大量數據的訓練自動得到一個能識別輪子的模型，不需要人工設計特征提取環節。這是深度學習隨著數據量的增加而優于其他學習算法的主要原因之一。

隨著深度學習的發展，為了方便算法人員訓練模型，調整參數等，很多公司開源了優秀的深度學習框架，到目前為止，主要的深度學習框架如下圖所示：

目前工業界用的比較多的是 Caffe 和 TensorFlow，Caffe 主要在計算機視覺上用的較多，TensorFlow 由谷歌開源，相關文檔較好，適用范圍廣，基于 Python 語音，入門簡單，建議新手入門可以選擇 TensorFlow。

面對不同程序員，下面有兩種不同的人工智能入門路徑：

路徑一：一步一個腳印，扎扎實實從基礎學起，逐步提高學習難度

Step1：了解行業資訊，先來一波科普

所以在學習人工智能之前，你先了解一下行業的相關資訊，對這個行業有一個基本的認識，那么接下來你要準備學習了。

Step2：務實基礎—高數+Python 來當道

機器學習里面涉及了很多算法，而這些算法又是數學推導出來，所以你要理解算法，就需要先學習一部分高數知識。

不管是你在機器里面編輯一個算法還是應用算法，你都需要通過寫程序來和機器進行對話，那么你需要編程，假如你的造詣比較高，可以用 C 語言。

如果你是轉行過來或者以前沒有編程基礎，那么學習 Python 會不錯，因為 Python 語言相對比較簡單。

Step3：機器學習算法+實踐

掌握以上基礎以后，就要開始學習機器學習的算法，并通過案例實踐來加深理解和掌握。

還有很多機器學習的小案例等著你來挑戰，前面掌握的好，后面當然輕松很多，步入深度學習。

Step4：深度學習

深度學習需要機器大量的經過標注的數據來訓練模型，所以你要掌握一些數據挖掘和數據分析的技能，然后你再用來訓練模式。

在這里你可能會有疑問，據說深度學習，好像有很多神經網絡，看著好復雜，編輯這些神經網絡那不是太難了，你大可放心，谷歌、亞馬遜、微軟等大公司已經把這些神經網絡模型封裝在他們各自的框架里面了，你只需要調用就可以了。

Step5：行業大型項目實踐

當你學習完深度學習，此時你就可以自己動手訓練一個小模型了。有條件的話，從一個項目的前期數據挖掘，到中間模型訓練，并做出一個有意思的原型，就能把一整套的流程跑通，那么恭喜你，你已經具備人工智能初級工程師的水準了。

為了方便理解，我列舉了學習課程的大綱：

人工智能基礎 — 高等數學必知必會

• 數據分析（就是高數）：
• 常數 e
• 導數
• 梯度
• Taylor
• gini 系數
• 信息熵與組合數
• 梯度下降
• 牛頓法

概率論：

• 微積分與逼近論
• 極限、微分、積分基本概念
• 利用逼近的思想理解微分，利用積分的方式理解概率
• 概率論基礎
• 古典模型
• 常見概率分布
• 大數定理和中心極限定理
• 協方差(矩陣)和相關系數
• ***似然估計和***后驗估計

線性代數及矩：

• 線性空間及線性變換
• 矩陣的基本概念
• 狀態轉移矩陣
• 特征向量
• 矩陣的相關乘法
• 矩陣的 QR 分解
• 對稱矩陣、正交矩陣、正定矩陣
• 矩陣的 SVD 分解
• 矩陣的求導
• 矩陣映射/投影

凸優化（看不懂不要緊，掌握基礎即可）：

• 凸優化基本概念
• 凸集
• 凸函數
• 凸優化問題標準形式
• 凸優化之 Lagerange 對偶化
• 凸優化之牛頓法、梯度下降法求解

人工智能基礎-Python 入門及實踐課程

• Python 快速入門
• 科學計算庫 Numpy
• 數據分析處理庫 Pandas
• 可視化庫 Matplotlib
• 更簡單的可視化 Seaborn

人工智能提升 — Python 項目

• Python 爬蟲項目

機器學習基礎入門-算法講解

• 線性回歸算法
• 梯度下降原理
• 邏輯回歸算法
• 案例實戰：Python 實現邏輯回歸
• 案例實戰：對比不同梯度下降策略
• 案例實戰：Python 分析科比生涯數據
• 案例實戰：信用卡欺詐檢測
• 決策樹構造原理
• 案例實戰：決策樹構造實例
• 隨機森林與集成算法
• 案例實戰：泰坦尼克號獲救預測
• 貝葉斯算法推導
• 案例實戰：新聞分類任務
• Kmeans 聚類及其可視化展示
• DBSCAN 聚類及其可視化展示
• 案例實戰：聚類實踐
• 降維算法：線性判別分析
• 案例實戰：Python 實現線性判別分析
• 降維算法：PCA 主成分分析
• 案例實戰：Python 實現 PCA 算法

機器學習進階提升-項目演練

• EM 算法原理推導
• GMM 聚類實踐
• 推薦系統
• 案例實戰：Python 實戰推薦系統
• 支持向量機原理推導
• 案例實戰：SVM 實例
• 時間序列 ARIMA 模型
• 案例實戰：時間序列預測任務
• Xgbooost 提升算法
• 案例實戰：Xgboost 調參實戰
• 計算機視覺挑戰
• 神經網絡必備基礎
• 神經網絡整體架構
• 案例實戰：CIFAR 圖像分類任務
• 語言模型
• 自然語言處理-word2vec
• 案例實戰：Gensim 詞向量模型
• 案例實戰：word2vec 分類任務
• 探索性數據分析：賽事數據集
• 探索性數據分析：農糧組織數據集

深度學習基礎

• 計算機視覺-卷積神經網絡
• 三代物體檢測框架
• 卷積神經網絡基本原理
• 卷積參數詳解
• 案例實戰 CNN 網絡
• 網絡模型訓練技巧
• 經典網絡架構與物體檢測任務
• 深度學習框架 Tensorflow 基本操作
• Tensorflow 框架構造回歸模型
• Tensorflow 神經網絡模型
• Tensorflow 構建 CNN 網絡
• Tensorflow 構建 RNN 網絡
• Tensorflow 加載訓練好的模型
• 深度學習項目實戰-驗證碼識別
• 深度學習框架 Caffe 網絡配置
• Caffe 制作數據源
• Caffe 框架小技巧
• Caffe 框架常用工具

深度學習項目演練

• 項目演練：人臉檢測數據源制作與網絡訓練（基于 Caffe）
• 項目演練：實現人臉檢測（基于 Caffe）
• 項目演練：關鍵點檢測***階段網絡訓練（基于 Caffe）
• 項目演練：關鍵點檢測第二階段模型實現（基于 Caffe）
• 項目演練：對抗生成網絡（基于 Tensorflow）
• 項目演練：LSTM 情感分析（基于 Tensorflow）
• 項目演練：機器人寫唐詩（基于 Tensorflow）
• 項目演練：文本分類任務解讀與環境配置
• 項目演練：文本分類實戰（基于 Tensorflow）
• 項目演練：強化學習基礎（基于 Tensorflow）
• 項目演練：DQN 讓 AI 自己玩游戲（基于 Tensorflow）

人工智能綜合項目實戰

• 語音識別、人臉識別
• 電商網站數據挖掘及推薦算法
• 金融 P2P 平臺的智能投資顧問
• 自動駕駛技術
• 醫療行業疾病診斷監測
• 教育行業智能學習系統

路徑二、如果你希望快速學習完進行項目實踐，請直接學習深度學習（哪里不懂，單獨學習不懂的地方就可以了）

***推薦一份知識圖譜，讓大家了解人工智能深淵：

福利來啦

身為程序員的您對入門人工智能有哪些好的建議？掃描下方二維碼，關注51CTO技術棧公眾號。歡迎在技術棧微信公眾號留言探討，小編將選出留言最精彩的10名網友，送出《深度學習之TensorFlow》圖書一本~活動截止時間 4 月 4 日十二時整，特別鳴謝機械工業出版社為本次活動提供的圖書贊助。