人工智能入行三个要点：英语、理论、工程。

• 英语很重要

经典教材全部为英语

1)翻译总是不通顺，不如原著容易理解

2)Lost in translation

最重要的科研成果全部英文

1)翻译永远赶不上新知识产生的速度

2)有能力创新的AI人才也都会用英语发表自己的成果

社区都是英语环境

1)Github

2)Stackoverflow

人工智能领军企业的工作环境里不开英文

• 理论

线性代数(推荐 The Matrix Cookbook)

1）理解非线性系统的主要方式依然是通过局部线性化

2）Machine Learning 算法涉及大量的矩阵运算

概率论（初级线性代数和入门概率论应该足够了）

1）统计机器学习基础是概率论

2）理解复杂非线性系统的统计特性对于分析Deep Learning算法至关重要

计算机算法（推荐：The Art of Computer Programming）

1）AI不仅仅只有Deep Learning

? ? 大规模数据的预处理，抽取，etc.

? ? 在线服务

? ? 嵌入式系统，资源带宽受限

2）算法优化

? ? ?训练3天完成vs10天完成vs30天完成直接影响科研或产品投放

? ? ?GPU是否跑满，IO是否是瓶颈

? ? ?E.g., approximate softmax

3）数值计算概念

? ? ?收敛性，收敛速度

机器学习理论（经典Bible：Pattern Recognition and Machine Learning）

1）虽然Deep Learning一统江湖，但是经典机器学习理论还是要知道个大概。

? ? Linear regression/classification(SVM, Lasso, Kernel, etc)

? ? Clustering(K-means, etc)

? ? Dimensionality reduction(PCA, etc)

? ? Probabilitic modeling(Mixture model, EM)

? ? AdaBoost,etc

2）经典机器学习得到的insight在Deep Learning里一再出现

? ? ?Restricted Boltzman Machine

? ? ?Denoising NN

机器学习理论可深可浅

1）实用不需要太深的理论功底

2）理论功底在科研中不可缺少

? ? ?Intuition比理论推导重要，但是好的Intuition来源于扎实的理论功底。

• 工程

动手很重要

1）DNN的理论框架基本确定（除非量子计算机量产，否则短期变化不大）

2）TensorFlow问世，从此不用再求导数

3）模型design需要大量的实验验证

4）Google作为大公司，坚持一切核心系统全部自主研发，拥有完善的code Review 系统。

? ??

cs