从0基础文科生到全国亚军，我的人工智能学习路径
絕對不是標題黨，先上圖證明自己的身份：
左上角是我的學信網檔案，可以看到我大學4年是市場營銷這個文科專業，但依然還是在數據挖掘比賽——《中國Datathon數據馬拉松大賽》連續拿到了2次亞軍。
這里請允許我打個硬廣告（因為前程無憂跟CSDN不是競爭關系），在這里特別感謝主辦方前程無憂，獎金池高達12萬，中國Datathon系列比賽每年6月-7月舉辦一場，大家也可以去參加。
回到正題，今天就給大家分享一下以下2大話題：
一、我為什么要轉型搞人工智能？
二、我的人工智能自學方法
三、對同樣有轉型想法的人的建議
一、我為什么要轉型搞人工智能？
（1）對產品運營的不良印象
我轉型之前是在一家教育公司做產品運營的，別人都說這個崗位是名譽上的“產品經理”，但無論是運營，還是產品板塊，我做起來都感覺不是很舒服（當然也有可能是我層次太低了，大家仁者見仁）：
1. 給我的感覺就像是打雜，什么都做，但什么都不精，很難形成自己的核心競爭力（雖然現在面向谷歌編程，好像也沒啥核心競爭力，但至少時代浪潮下對技術的支持，就是程序員最大的底氣）；
2. 不同項目的玩法大同小異，盡管當時已經做出了12套課程方案，對接了40個導師，但感覺真正能沉淀的下來的經驗其實不多，沒有太多積累；
3. 加班比較多，尤其是大促節點，有些合作伙伴在國外，還要去配合他們當地的時差，搞得我半夜都在聊微信，甚至除夕夜還要趕春節促銷方案；
4. 錢少。
（2）我做出的轉型嘗試
沒有成長、辛苦、錢少，基于以上三大原因，我當時迫切希望能夠轉行，也做了很多嘗試，但無一例外都不是特別適合我：
一開始嘗試著做新媒體運營類的工作，但發現新媒體運營確實成長很快，但基本上是被熱點24小時吊著，只要出了熱點，就得立馬起來趕稿子；
后面做了一段時間自由平面設計師，但是很難接到單子，甚至說第一個稿子的PSD原件因為沒有簽合同和加水印，被別人騙走了……
當時最滿意的還是產品經理這個崗位，可是它唯一的缺點就是要非常高頻的開會以及跟別人打交道，而我又偏內向（可能大部分人都看不出來，但事實確實如此），一開始還撐得住，到后面我是真正體會到了何謂“上班如上墳”。
（3）開始做數據分析師
在諸多困境之下，我開始嘗試這個全網都在吹的高薪職業：數據分析師，如果是“運氣好”的小伙伴，應該經常能夠在某乎和朋友圈看到他們的廣告，這里我就不展示他們的廣告了。
我對這個崗位的心路歷程完全可以用成龍老師的話來解釋：
其實之前我是拒絕做數據分析師的，因為網上宣傳的太夸張了，并且我感覺寫代碼跟我這種文科生完全不搭邊，但沒辦法，其他崗位都試過，都不喜歡，再不做出點突破就沒飯吃了。
后來我試著學了一下Python，哇，BUG率真的很高，但奇怪的是，我感覺自己就是為寫代碼而生的，真的很有趣，并且不用跟別人說話，爽爽爽！
（4） 從數據分析到人工智能
那我又是怎樣通過數據分析接觸到人工智能的呢？
我記得還是一個銷量預測的項目，一開始是用Excel的預測工作表做的，但老板說“準確度不夠”。?
后面通過網上查找方法，接觸到了Sklearn的LinearRegression（線性回歸），也就是在那個時候，我了解到了“什么是機器學習”。
接下來的故事就比較簡單了：自學Sklearn>>>參賽獲獎>>>自學tensorflow>>>參賽獲獎，這塊的經驗放到第二部分講，直到現在，雖然因為學歷問題沒有成為正式的人工智能從業者，但我在廣州主講了2場線下人工智能講座，參加了12場人工智能比賽，勉強算是入門了吧。
?
二、我的人工智能自學方法
（1）關于初始教材的選擇
可能很多人對于人工智能小白會推薦吳恩達老師的《機器學習》，或者是周志華老師的西瓜書：《機器學習》，是的，我一開始也是這樣去學的，但當時發現了兩個問題：
1. 兩位大師的課程中都包含不少的數學公式，對我這種上課不是用同濟數學的文科生來說不太友好
2. 兩位大師的課程跟代碼結合不是很緊密，盡管有配套的代碼訓練，但看起來還是感覺理論跟代碼割裂了。
這里比較推薦臺大李宏毅老師的《人工智能》，具體鏈接大家自行搜索。
（插一句嘴，這里不是說吳恩達老師和周志華老師不行，只是兩人的教學理念更適合有基礎的理工科同學）
（2） 做與學結合
然后，我的建議是不要想著一口氣看完李老師的《人工智能》課程，一方面是整體學習起來比較枯燥，可能會對學習信心和學習動力產生很大的打擊，另一方面，代碼學習中光學不做是不行的。
我的建議是可以一邊學習，一邊參加一些非常簡單的訓練賽，比如經典的泰坦尼克號生還者預測之類的，在學中做，做中有不懂的帶著問題去學，效率會很高。
（3） 對官方文檔不求甚解
對李老師的課程學得差不多了，并且學習賽也參加了幾個，成績不錯，就可以開始讀Sklearn和Tensorflow的官方文檔了，最好還是看英文版的，一方面，方便后面去閱讀一些頂會或者比賽的Paper，另一方面，很多的超參數你會記憶清晰一些，比如一看到CV你就可以想到是Cross Validation。
當然，這里的“讀”不是指從頭到尾把每個概念都搞得一清二楚，而是指“重點看自己關心的，如果有復雜的數學原理先跳過”。
這里拆解一下：
1. 重點看自己關心的：比如我做數據分析很關心【回歸和分類】，所以給我讀官方文檔的前一周，回歸和分類板塊的學習基本占到了80%的部分，其他板塊比如聚類和降維我基本上有特別難懂的就放過了；
2. 如果有復雜的數學原理先跳過：比如我之前研究【音頻分析】，里面有個概念叫做【梅爾倒波頻譜系數】，里面有個叫做【傅里葉變換】的，我一開始死活搞不明白，干脆直接放過了，因為人工智能很多代碼都打包好了，不明白【傅里葉變換】不影響代碼使用，直到后面對【音頻分析】有了更深入了解才明白“傅里葉到底是怎么變換的”（開個玩笑哈哈哈）。
（4） 參加一些輕度的比賽
基本研究完官方文檔之后，就可以開始參加一些獎金額度不高（冠軍獎金10萬元以下）的比賽了，不用太擔心，因為人工智能比賽參加的人本身就比較少，獲獎率還是比較高的（之前一個比賽獲獎名額10人，7個人提交作品……），哪怕沒拿獎也是一個很寶貴（裝逼）的經驗，可以寫到簡歷里面去。
最重要的是，冠軍獎金10萬元以下的比賽，大佬出現幾率比較小，之前參加過一個冠軍100萬元獎金的，來的大都是Kaggle比賽前2%的神仙……
因為這里有些平臺涉及到CSDN的競對關系，我就不推薦了，大家可以在CSDN首頁查找到很多比賽。
?
（5）死磕頂會和比賽的Paper
我現在就在這個階段（因為之前跟一個清華大佬交流，他說我用的模型落后時代5-7年），這一塊我能說的很少（我還在踩坑中），總之就是一個一個概念去搞懂吧。
三、對同樣有轉型想法的人的建議
1. 人工智能正式工作學歷歧視非常厲害，不單單是卡985和211，還會卡是本科還是碩士，如果對這個領域感興趣，可以像我一樣去參加它的比賽或者是寫寫相關文章，無法做人工智能這艘大船上掌舵的，當個水手也是不錯的。
2. 搞技術會不會35歲退休？第一，不會，這是周鴻祎說的，第二，就算會退休，疫情下，很多崗位還沒到35歲就找不到工作了。
3. 如果實在不想做人工智能，可以來做數據分析，目前我現在就是高級數據分析師，這個崗位唯一的點就是重復性工作比較多，并且大部分時候不跟別人交流，其他的缺點基本沒有（這些對我來說反而是優點）：加班少，工作比較穩定，收入也可以，我是強烈勸入的，當然，建議還是盡量靠自學。
總結
以上是生活随笔為你收集整理的从0基础文科生到全国亚军，我的人工智能学习路径的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 电信网关改造无线打印服务器,天翼网关2.
- 下一篇： BugkuCTF：宽带泄露；隐写2