作為軟件工程師，如果想掌握一些大數(shù)據(jù)算法的背景知識，以便更好地和算法相關團隊合作，那么以這個模塊討論的算法為基礎，觸類旁通，針對公司使用的算法再進一步了解和學習，基本上也就夠用了。但是，如果想從軟件工程師深入進人工智能領域，那么就還需要系統(tǒng)地學習和掌握機器學習各方面的知識。

下面根據(jù)我的經(jīng)驗，給你呈現(xiàn)一個軟件工程師進入人工智能領域的 “學習路線圖”，希望可以幫助到想轉(zhuǎn)型進入人工智能領域的同學。

數(shù)學基礎

機器學習有時候也被稱為統(tǒng)計學習，其實就是統(tǒng)計大量歷史數(shù)據(jù)中的規(guī)律，構建算法模型，再利用模型對現(xiàn)在的數(shù)據(jù)進行分類和預測。所以學習機器學習算法，先要復習一下統(tǒng)計學和概率論方面的知識。

很多算法的特征與函數(shù)都用向量空間表示，很多大數(shù)據(jù)算法計算也可以轉(zhuǎn)化為矩陣與向量計算。比如 PageRank 算法就可以將網(wǎng)頁間的鏈接關系表示為一個稀疏矩陣，所有頁面的 PageRank 值構成一個向量，然后將矩陣與向量不斷迭代相乘就可以了。因此，你還需要再復習一下線性代數(shù)的知識。

我們討論過機器學習的數(shù)學原理，機器學習算法的推導過程，其實就是在模型假設空間尋找使結(jié)構風險為極小值的模型，而數(shù)學上的極小值就是一階導數(shù)為 0 的值，因此還需要復習一下高等數(shù)學。

機器學習算法

大家普遍認為，系統(tǒng)學習機器學習算法最好的入門級課程是斯坦福大學的機器學習公開課，這門課程由吳恩達講授，非常經(jīng)典。還有幾本比較經(jīng)典的書籍可以和公開課相互參照，比如周志華的《機器學習》，俗稱 “西瓜書”，比較通俗易懂，適合入門；李航的《統(tǒng)計學習方法》，偏數(shù)學一些，可以不時翻看。

如果只是單純學習算法，會比較枯燥，需要不斷做一些算法的編程練習，除了學習過程中的一些算法編程練習，還可以參考《集體智慧編程》這本書，書中的例子都比較實用，可以根據(jù)書中的數(shù)據(jù)和代碼進行練習。這本書偏重代碼和應用，很適合軟件工程師進行入門練習，不過這本書缺少算法的原理分析，算法比較少也偏簡單。

以上這些書籍或者課程基本上都是大學教材或者相似課程的難度，如果要成為機器學習算法專家，就需要自己尋找一些更專業(yè)的書籍和論文來看了，這些資料主要是以英文為主，所以也需要你有不錯的英語基礎。

大數(shù)據(jù)技術與機器學習框架

在小規(guī)模的數(shù)據(jù)集上做算法練習，用 Python 程序在單機上運行就可以了，但是在真正的生產(chǎn)環(huán)境中，需要面對海量的數(shù)據(jù)處理計算需求，這就需要用到我們專欄前面討論過的各種大數(shù)據(jù)技術產(chǎn)品。各種主流大數(shù)據(jù)產(chǎn)品都有自己的機器學習框架與算法庫，比如 Hadoop 上有 Mahout、Spark 上有 MLlib，借助這些算法庫和工具，可以較快速地在大數(shù)據(jù)平臺上開發(fā)機器學習應用程序。

Mahout 和 MLlib 主要支持傳統(tǒng)的機器學習算法，業(yè)界還有幾款比較知名的深度學習框架：TensorFlow、Caffe，Intel 也開源了基于 Spark 的深度學習庫 BigDL。

人工智能應用

學了這么多機器學習的知識，最終的目的還是應用，業(yè)界其實不缺懂算法的專家，但是卻非常短缺能夠?qū)C器學習和業(yè)務結(jié)合，產(chǎn)生實際價值的專家。要想實現(xiàn)人工智能真正落地，一方面需要懂大數(shù)據(jù)和機器學習算法，另一方面需要深入了解具體的領域知識，能夠發(fā)現(xiàn)業(yè)務中的痛點，并能夠選擇最合適的算法解決這個痛點。

很多時候解決問題不需要多么高大上的技術和算法，很普通的算法用對地方，也能產(chǎn)生巨大的效果，這才是業(yè)界最短缺的，而這也正是從軟件開發(fā)轉(zhuǎn)型人工智能的技術人員的優(yōu)勢，有多年的領域開發(fā)積淀，有技術實現(xiàn)和驗證的能力，再加上大數(shù)據(jù)和機器學習能力加持，幾項結(jié)合產(chǎn)生化學反應，也許能在自己的企業(yè)和行業(yè)領域創(chuàng)造出巨大的價值。

根據(jù) Gantner 發(fā)布的 2018 年人工智能技術成熟度曲線，我給你總結(jié)一下目前人工智能技術的發(fā)展狀況，供你參考。

處于上升階段，即具有長遠發(fā)展前景的人工智能技術包括：

人工智能管理：根據(jù)人工智能模型和數(shù)據(jù)管理企業(yè)，包括決策權的劃分、組織結(jié)構、績效管理等。

通用人工智能：目前的人工智能僅僅在相對封閉、重復的場景中適用，稍稍擴大應用范圍，特別是和人類交互的時候，經(jīng)常表現(xiàn)得非常 “弱智”。但是放到更長遠來看，通用人工智能，即強人工智能還是值得期待的。

知識圖譜：將具有各種關聯(lián)關系的信息通過圖的方式組織在一起，自動發(fā)現(xiàn)各種信息、數(shù)據(jù)、資產(chǎn)、商品、人、知識等各種關系并加以利用。

神經(jīng)形態(tài)硬件：按照神經(jīng)網(wǎng)絡神經(jīng)元形態(tài)構造硬件，即 “芯片大腦”。

自然語言生成：根據(jù)語境語義自動生成自然語言，既可以生成各種有格式化的報告，也可以生成詩詞歌賦等文藝作品。

處于頂部，被眾人期待，但是可能有些過熱的人工智能技術包括：

人工智能平臺即服務：最近幾年，各家云服務廠商都在加大云服務平臺上人工智能的投入和宣傳，百度宣布自己 All in 人工智能，阿里云人工智能也占據(jù)了云平臺的重要板塊。

深度神經(jīng)網(wǎng)絡專用芯片：針對深度學習算法專門設計的芯片，擁有比 GPU 更好的計算性能。

智能機器人：不同于工廠流水線上的工業(yè)機器人，智能機器人用于酒店、機場、餐廳、醫(yī)院，與人交互，直接服務人類。

語音交互：以語音識別、自然語言理解、語音合成技術為基礎的語音交互技術，以智能語音客服為代表的各種聊天機器人、虛擬助理等語音交互產(chǎn)品。

智能應用：為各種傳統(tǒng)軟件系統(tǒng)賦能人工智能，在 ERP、CRM 等各種傳統(tǒng)應用中集成人工智能特性。

圖形分析：根據(jù)圖形分析數(shù)據(jù)特性，發(fā)現(xiàn)數(shù)據(jù)聚類特性，發(fā)現(xiàn)孤立點，還可進行路徑優(yōu)化等。

目標分析：通過人工智能優(yōu)化決策分析，發(fā)現(xiàn)達成預定條件目標的首選行動方案。

深度學習：應用比較廣泛的是卷積神經(jīng)網(wǎng)絡和遞歸神經(jīng)網(wǎng)絡，在圖片、語音、視頻等非結(jié)構化數(shù)據(jù)處理方面有良好效果。

自然語言處理：傳統(tǒng)上自然語言處理的方法是語法與語義分析，但是現(xiàn)階段越來越多使用深度學習進行自然語言處理。

虛擬助理：通過語音交互的形式，為用戶訂票、訂餐、打車等，仿佛一個虛擬的個人助理。

經(jīng)過泡沫洗禮，關注度下滑，進入冷靜期的人工智能技術：

計算機視覺：通過獲取、分析現(xiàn)實物理世界的圖片和視頻，提取出有意義的信息。包括機器視覺、光學字符識別、圖像識別、模式識別、人臉識別、邊緣檢測和運動檢測等，可應用于自動駕駛、生物識別、虛擬現(xiàn)實各種領域。

預測分析：預測將來要發(fā)什么、將來會發(fā)生什么，主要基于回歸分析、多元統(tǒng)計、模式匹配、預測建模等機器學習技術。很多時候，預測有一定效果，但是距人們的期望還有一定距離。

自動駕駛：利用激光雷達、攝像頭、GPS 和地圖數(shù)據(jù)等多種車載傳感和定位技術，結(jié)合機器學習模型實現(xiàn)車輛在無人控制的情況下自動駕駛。從人工智能角度看，自動駕駛技術上應該已經(jīng)趨于成熟，但是具體應用看起來還很遙遠。

增強現(xiàn)實 AR：將虛擬的文本、圖形、視頻疊加到現(xiàn)實的視頻上，起到增強現(xiàn)實的效果。在各種諜戰(zhàn)片里，特工們戴著炫酷的 AR 眼鏡無所不能；但在現(xiàn)實中，大規(guī)模商用還尚不成熟。

人工智能將會引領下一次科技革命的浪潮，基本已經(jīng)得到人們的普遍認可，但是越是革命性的事物，道路越是艱難；不過道路越是艱難，收獲越是巨大。人工智能對我們生產(chǎn)生活的改造將是全方位的，不管你現(xiàn)在身處什么領域，總能找到和人工智能結(jié)合的機會，期待將來人工智能科技革命的浪潮中看到你的身影。