作为一个普通的程序员，到底应不应该转型AI工程师？

动不动就是50万的毕业生年薪，动不动就是100万起步价的海归AI高级人才，普通员到底应不应该转型AI工程师，普通程序员到底应该如何转型AI工程师？

下面就分享几个特别典型的普通程序员成功转型AI的案例

第一个案例

是只懂 ACM 竞赛相关算法的普通程序员，误打误撞接触到了数据挖掘，之后开始系统地了解机器学习相关的知识，如今已经基本走上了数据科学家之路的经验分享。

第二个案例

是其他行业的普通程序员，具有计算机专业的人所没有的专业知识和行业大数据，他只是想把深度学习和神经网络当作工具，知道它们能做什么，如何去做。这类程序员经过4个月的转型学习，他们的经验和体会。

---

案例一

我曾经也只是一个只懂 ACM 竞赛相关算法的普通程序员，误打误撞接触到了数据挖掘，之后才开始系统地了解机器学习相关的知识，如今已经基本走上了正轨，开始了走向 Data Scientist 的征途。

首先作为一个普通程序员，C++ / Java / Python 这样的语言技能栈应该是必不可少的，其中 Python 需要重点关注爬虫、数值计算、数据可视化方面的应用，主要是：

如果日常只编写增删改查的代码的话，那可能数学已经忘得差不多了，需要重温线性代数和微积分的基础知识，这会为之后的学习立下汗马功劳。

再然后就是统计学相关基础

相关性分析（相关系数r、皮尔逊相关系数、余弦相似度、互信息）

• 回归分析（线性回归、L1/L2正则、PCA/LDA降维）

• 聚类分析（K-Means）

• 分布（正态分布、t分布、密度函数）

• 指标（协方差、ROC曲线、AUC、变异系数、F1-Score）

• 显著性检验（t检验、z检验、卡方检验）

• A/B测试

如果以上知识都具备了，再往后的路就可以开得很快了，可以一直冲刺到 Deep Learning。但在这之前我们还是需要了解不少机器学习的基础：

• 关联规则(Apriori、FP-Growth)

• 回归(Linear Regression、Logistics Regression)

• 决策树(ID3、C4.5、CART、GBDT、RandomForest)

• SVM(各种核函数)

• 推荐(User-CF、Item-CF)

此时的你或许已经有一块可以用的敲门砖了，但离工业界实际应用还有比较大的距离，主要差距就在于 Feature Engineering，这也是我在面试考察有经验的人面前比较注重的点。

这一块中有一些比较基础的知识点，简单罗列如下：

• 可用性评估：获取难度、覆盖率、准确率

• 特征清洗：清洗异常样本

• 采样：数据不均衡、样本权重

• 单个特征：无量纲化(标准化、归一化)、二值化、离散化、缺失值（均值）、哑编码（一个定性特征扩展为N个定量特征）

• 数据变换：log、指数、Box-Cox

• 降维：主成分分析PCA、线性判别分析LDA、SVD分解

• 特征选择：Filter(相关系数、卡方检验)、Wrapper(AUC、设计评价函数A*、Embedded(L1-Lasso、L2-Ridge、决策树、DL)

• 衍生变量：组合特征

• 特征监控：监控重要特征，fa特征质量下降

我放一张公司内部算法培训关于特征工程的 PPT，仅供学习参考：

再往后你就可以在技能树上点几个酷炫的了：

• 提升

• Adaboost

• 加法模型

• xgboost

• SVM

• 软间隔

• 损失函数

• 核函数

• SMO算法

• libSVM

• 聚类

• K-Means

• 并查集

• K-Medoids

• 聚谱类SC

• EM算法

• Jensen不等式

• 混合高斯分布

• pLSA

• 主题模型

• 共轭先验分布

• 贝叶斯

• 停止词和高频词

• TF-IDF

• 词向量

• word2vec

• n-gram

• HMM

• 前向/后向算法

• Baum-Welch

• Viterbi

• 中文分词

• 数据计算平台

• Spark

• Caffe

• Tensorflow

可以看到，不管你是用 TensorFlow 还是用 Caffe 还是用 MXNET 等等一系列平台来做高大上的 Deep Learning，在我看来都是次要的。想要在这个行业长久地活下去，内功的修炼要比外功重要得多，不然会活得很累，也很难获得一个优秀的晋升空间。

最后，关注你所在行业的最新 paper，对最近的算法理论体系发展有一个大致印象，譬如计算广告领域的几大经典问题：

相关 paper 的 gitlist 仅供参考：wnzhang/rtb-papers - https://github.com/wnzhang/rtb-papers

最最后，也要时刻关注能帮你偷懒的工具，它将让你拥有更多的时间去调参： Python 网页爬虫 & 文本处理 & 科学计算 & 机器学习 & 数据挖掘兵器谱 - Python

温馨提示：想转型的可以加入群：671017482，等着你

---

案例二

说说我学习深度学习的经历吧

先说编程：自认会用C++， 熟悉Python

英语水平：中等，能很快读懂英文科学文献

最开始对人工智能／深度学习感兴趣是因为想用它试一试自然语言生成，后来想到一个物理方面的题目，预计可以用深度学习技术解决，开始接触深度神经网络。记录一下学习历程，

安装 Tensorflow(google 开源的深度学习程序)， 尝试里面最简单的例子MNIST 获得激励。

尝试通过读书(看视频)理解最简单的全连接神经网络

先搜索找到答案：为什么要Go Deep？

• 神经网络中输入层，隐藏层，输出层之间矩阵乘积的维度变化。

• Weight， Bias 这些是什么，改变它们有什么结果。

• 激励函数是什么，有什么作用，有哪些常用的激励函数

• 误差如何向后传递，网络如何通过最小化误差函数更新，有哪些常用的优化方法

选择一种比较比较底层的神经网络开源库，tensorflow 或 theano

• 读官方文档 https://www.tensorflow.org/versions/r0.11/tutorials/index.html

• https://www.tensorflow.org/tutorials/

• 看周莫凡的网络教程 https://www.youtube.com/user/MorvanZhou

• https://www.youtube.com/user/MorvanZhou

• 重复敲代码，重复实现例子程序

开始理解各种不同神经网络架构所能处理的问题

• CNN 图像识别，图像处理，语音处理

• RNN，LSTM 自然语言理解与生成

• 增强学习，玩游戏

尝试各种开源的有意思的神经网络项目，新手可以从下面这个列表开始

1. Andrej Karpathy blog char-rnn, Deep Reinforcement Learning: Pong from Pixels- http://karpathy.github.io

2. Neural Style In tensorflow - https://github.com/anishathalye/neural-style

如果能翻墙，注册 twitter, facebook 账号，follow 那些文章中经常出现的大牛的名字。

他们每天提供很多新动向及最新技术，很多时候有很 Fancy的应用。

当你对这些都很熟悉的时候，开始阅读艰深的文献：

• CNN 的原始文献

• RNN 和 LSTM 的原始文献

• Reinforcement Learning 的原始文献

• Google DeepMind 发表在 Nature 上的几篇经典

最后强调一个最最重要的事情：要有自己的想法，有将这种新技术用到自己项目中的强烈愿望，从开始就要Coding，不断尝试才能不断进步。

---

你是属于哪类程序员呢？他们的经验你又是否能用上呢？

你是否想要转型？如果你想的话，可以加入我的qq群：671017482，希望可以给你一些帮助和建议。记得点个关注哦