1.我的情况
我本科学工程造价的,后来觉得不想去做工程方面的工作加上兴趣爱好的原因大二开始自学网安,但是那段日子有多枯燥无聊只有我自己知道,加上自己的学习方法不对,东学一点、西看一点,零散的知识难以形成框架体系。
尽管花了很多时间,朋友们打游戏的时候我听课装环境,大家上课的时候我躲在后排看《白帽子讲Web安全》,但是结果并没有得到多少正反馈。
最后还是选择了报培训班,那两个月的培训把我自身所学过的知识梳理成一个完整的体系,还让我结实了很多搞网安的朋友。
我们做自己的公众号,几个月就5000+粉,组建小队在漏洞响应平台挖洞,交过些漏洞报告,我自己也对后续的学习有了自己的打算。
今年考完研,导师说让趁着暑假学一学MatLab,Python。
但是Python我本来就学过了,查了查资料,觉得人工智能这么火热加上导师的方向比较偏向工业智能制造,也就开始了自学人工智能知识的路。
2.学习前景怎么样?
我想你自己心里也有一个答案,不然为什么没有想去转行学其他的,我会从时代背景、政策、薪资三个方面聊聊我的看法。
时代背景
李开复《人工智能》一书中讲到了关于AI的历史,从1950年到2017年,人工智能领域的发展大致分为三个阶段:
理论初现——非智能机器人
这个时候的所谓的“智能”只是利用前后端数据库交互的技巧让计算机看起来智能,大量的文本信息存储在对话库中,当他人说出某个关键词时,机器便回复其特定的话语。
统计学思想替代符号主义
符号主义在工业时代因为标准化流程的需要大放异彩,但是这个时候的机器人只会在人类控制的程序下进行A到B的机械操作。
概率二字在统计学思想中频繁出现,机器在统计学思想的影响下出现了学习的初兆。它可以根据先前输入的数据集去判断验证后序的数据是否符合某些标准:图片里是苹果还是香蕉、如何定义邮箱中那些是垃圾邮件等等。
大数据下的深度学习网络
随着机器硬件和互联网行业的发展,数据的量级不断扩大,存储成本相比过去却下降了,这使得大型的互联网公司具有了深度学习的原始资本。
21世纪是数据的时代,各种外部环境成熟以后,消费级人工智能的产品和应用才开始如雨后春笋般破土而出。
像机器视觉领域:商场的人脸识别、智能交通中车牌识别,像语音交互领域:智能音箱、语音助手等等。
而我们正处在第三次浪潮初起之后不久,与之前两次浪潮不同的是,还有待被开发的海量数据背后蕴藏的价值被商业投资人看重,AI行业的融资情况突飞猛进。
时代背景不容改变,值得我们思考的问题更多的是如何适应时代发展。
我上贪心科技机器学习课程的时候,李文哲老师也说过随着AI的普及速率加快,对于各行业的职场人士来说,如何将自己本来的工作结合AI提高效率是不得不去思考的一个问题,AI的价值在于优化重复性的工作。
就好像对1000张图片分类,交给几个人或是已经建立良好模型的机器所花费的成本和时间不言而喻。