怎么进入人工智能领域？-科压科技

一、怎么进入人工智能领域？

可以通过学习编写程序的方式进入人工智能领域，因为程序员在人工智能领域的运用是很广泛的

二、怎样进入AI人工智能领域？

1. 学习相关知识和技能：AI行业的核心技术包括机器学习、深度学习、自然语言处理等，建议学习相关学科的知识和技能，如计算机科学、数学、统计学等。

2. 参加相关课程和培训班：可以参加相关的在线课程、培训班或者线下培训班，了解AI的基本概念和技术，掌握相关的工具和技能。

3. 参加竞赛和项目：可以通过参加一些AI竞赛和项目，提高自己的实践能力和经验，积累相关的项目经验和技能。

4. 积极寻找工作机会：可以通过招聘网站、社交媒体、人才市场等渠道积极寻找AI行业的工作机会，如数据分析师、算法工程师、机器学习工程师等职位。

5. 自我学习和提升：AI行业发展迅速，需要不断学习和提升自己的知识和技能，可以通过参加培训、读书、参加学术会议等方式不断提升自己的能力和竞争力。

总之，普通人想要进入AI行业需要不断学习和提升自己的能力，积极寻找机会，不断实践和总结经验，才能在这个行业中获得发展和成功的机会。

三、人工智能领域有哪些？

人工智能的领域有：

1、智能文本分类；

2、智能语音；

3、智能视频识别；

4、智能服务机器人；

5、人脸识别

一、智能文本分类

智能分类主要针对文本处理，应用于社会治理方面如城管、12345热线、网格事件、法院案件等存在大量案件，且案件类型较多样的场景，比如城管事件中有很多这样的分类。

二、智能语音应用

智能语音针对语音进行处理，应用方向主要为语音识别。

三、智能视频识别应用

智能视频识别针对视频进行处理，主要用于视频流的分析。

四、智能服务机器人

机器人应用目前还是比较多，商场、医院、交通枢纽有指引机器人，政务办事大厅有政务事项办理机器人，城市管理有智能清扫机器人、排污机器人，接待室里有讲解机器人等，机器人在城市的方方面面还是起到了一定的作用。

五、人脸识别

人脸识别技术其实不需要多说，现在是普及最广泛、群众接触最多的一项应用。各类移动应用都引入人脸识别以便实现身份的认证，比如扫脸支付、进站检票、证券开户。

四、人工智能领域都有哪些？

人工智能的领域有：

1、智能文本分类；

2、智能语音；

3、智能视频识别；

4、智能服务机器人；

5、人脸识别

一、智能文本分类

二、智能语音应用

智能语音针对语音进行处理，应用方向主要为语音识别。

三、智能视频识别应用

智能视频识别针对视频进行处理，主要用于视频流的分析。

四、智能服务机器人

五、人脸识别

五、想进入人工智能领域，该学习哪些东西？

想进入人工智能领域，该学习那些东西？

未来有无限可能

尽管我们可能到了人工智能的门口，但是可能大部分人都开始困惑了，新时代开始了，我们要在那儿？我们会是汽车时代的马车夫吗？我们会是 2023 年的有钻石批发商吗？如果不知道，那当然要努力学习，争取跟上这个智能时代了。同时我们还要考虑到时代在变化，人工智能时代，变化的不只是单一的技术，它对于人的要求也变得极其的复杂，要求你有更宽泛的知识，更宽的视角，更多的能力。人人要求是个八边形战士。

在魔法时代最先应该学习的肯定是魔法，

那么在人工智能时代，肯定要先学会人工智能啊。

用魔法学习魔法，用人工智能学习人工智能！

简单来讲，我这样建议学习顺序

人工智能(ChatGPT 及其它工具)的有效使用。
工程性的技术，numpy, pytorch 及其它。
基础的数学
基础的人工智能理论
前沿的论文
获取最新知识的渠道
产品经理的知识
MBA 的知识

人工智能(ChatGPT 及其它工具)的有效使用

了解主流产品

首先你应该对于当前时间点儿的主流与最新的人工智能产品，在 2023/08/04最主流的人工智能产品有 GPT4、ChatGPT、谷歌 Bard、claude、国内的产品我用的不多，不过传闻中的文心一言、通义千问、讯飞星火都是有一定的可用性的吧。

使用它们

以 GPT4/ChatGPT 举例吧，它们有着非常优秀的编程能力、非常优秀的知识分析整理与输出能力、非常优秀的文档能力。而要入门学习，编程与知识分析这一块是你必然要借助的啊。或者说它是助力你快速成长的必备手段。

把以，如何正确的使用它们来完成编程中的下面的辅助工作，在正确的情况下它可以加速开发，提高代码质量，甚至更快的解决问题。

Code Generation
Debugging
Problem-solving
Understanding language
Natural Language Processing

同样在知识分析、整理、输出方向也是非常有用的啊。

最典型的txyz无论是做为 GPT4 的插件，还是一个独立的应用，都能极大的提高你的科研效率，它可以非常好的整理与理解一个科研论文。有人帮你读最新的论文，你觉得它不香吗？

工程技术

这一块，如果你有良好的工程基础，那从事这方面的工作与研究都会有极大的助力了。如果没有一定的编程工程能力，已经很难想像在人工智能领域里能做什么了。

而要完成这方面的应用，建议你至少学会 Python、Numpy、Pytorch 几方面的知识。

Python 学习

Python的学习就要相对明确些，主要是一些编程语言的基础知识

了解基本的数据类型（如整数，浮点数，字符串，列表，字典等），控制结构（如if，for，while等）和函数。了解Python的类和对象，理解面向对象编程的概念。

还要了解一下 Python 的高级特性：熟悉一些高级的Python特性，如装饰器，生成器等。理解异常处理和Python的错误类型。

现有一定要多动手，还有常用的 Python 库像 requests, io, 要了解了。

最后就是Pandas，Matplotlib这两个特殊的库，一定要用好。

Numpy 学习

这东西不难，核心的数组概念：理解Numpy的核心概念——多维数组，理解数组的创建，访问和操作。会用它做数学运算：理解数组的数学运算，包括矩阵运算，统计函数等。

还有个特别的广播操作：理解Numpy的广播机制，这是Numpy效率高的一个重要原因。

这几样你会了，也就相当于你懂了 Numpy 了。这个是人工智能里最常用的库了。

当然，你要是对它有更深的追求，统计函数相关的东西你也可以学习一下。

Pytorch 学习

这个可以说是重中之重了，下面这些东西要是都有了不错的掌握，你就算 Pytorch 入了门了。

Tensor对象:

不同形状的tensors的使用（例如，zeros，ones，arange，linspace等）

基本数学操作（例如，加法，乘法，矩阵乘法等）以及张量的索引、切片、连接和变形

CPU与GPU之间的转换

自动梯度机制

自动微分：理解PyTorch的自动微分和计算图机制

梯度累积和清零：理解如何使用.backward()计算梯度，以及何时清零梯度

nn模块

如何使用nn.Module定义自己的神经网络结构，包括前向传播逻辑

使用PyTorch提供的各种损失函数，如MSE、交叉熵等

使用PyTorch的优化器，如SGD、Adam等，理解学习率和其他超参数的作用

训练神经网络：理解如何设置训练循环，包括前向传播、计算损失、后向传播和更新参数

数据处理

数据集和数据加载器：理解如何使用torch.utils.data.Dataset和torch.utils.data.DataLoader处理和加载数据

数据变换：理解如何使用torchvision.transforms对图像数据进行预处理和增强

模型保存与加载

保存和加载模型权重

保存和加载完整模型

再提醒一下

学习它们，最好的方式应该是视频学习，类似 “知学堂推出的《程序员的AI大模型进阶之旅》”，其实就是一份非常有意思的 AI 大模型的介绍性入门课程，简单看看，你可能马上就对大模型了解了，而不是要大量阅读。这也是个非常有效的学习方法。

到这儿吧，你可以认为自己在工程上是入门了。

数学

这个数学吧，它要求吧，其实不高，只是下面这几门学科的一些基本概念。

线性代数：线性代数的知识（例如，向量、矩阵、张量、特征值、特征向量等）
概率论和统计：贝叶斯推理、随机过程、最大似然估计、期望最大化算法
微积分：导数、积分、梯度下降

你只要懂这三件事，差不多就可以开始读懂相关的理论了。也就是个工科的数学要求。

但是你要是懂最优化理论和图论，可能对你的科研或者工作更有用一些。

但是都是可以再学习的。

给你些课程的列表，自己去 B 站或者那儿找一下好了。

6.042J. 计算机科学的数学基础. Mathematics for Computer Science. MIT 麻省理工
MATH100. 微积分I. Calculus Ⅰ. UC \tdop
MATH101. 微积分II Calculus Ⅱ UC 辛辛那提大学
MATH1071 离散数学 Discrete Math UC 辛辛那提大学
ENGR108 线性代数与\tdop Introduction to Applied Linear Algebra Stanford 斯坦福
计算机基础课程
CS105 计算机科学导论 Introduction to Computers Stanford 斯坦福
CS50-CS. 计算机科学导论 Introduction to Computer Science Harvard 哈佛
6.0001 计算机科学与Python编程导论 Introduction to Computer Science and Programming in Python MIT 麻省理工
6.046J 数据结构与算法设计 Design and Analysis of Algorithms MIT 麻省理工
CMSC420 数据结构 Data Structures UMD 马里兰大学

基础的人工智能理论

基础理论就是你要了解到现在为止，最主流的四种神经网络。

MLP、CNN、RNN、Transformer

在这个基础上，你可以去看看各种精典网络，如AlexNet， LuNet、ResNet、Yolo这一类视觉系的，还有Bert开头的一类NLP的。相信大部分人都是从这两类开始入手的。

我的个人建议是下面网站的内容也自己手搓一遍。

https://github.com/labmlai/annotated_deep_learning_paper_implementations

前沿的论文与最新知识

这个毫无疑问，论文肯定是要看 Arxiv，但是那一个是最有用的？

我曾经关注的一个公众号的博主，夕小瑶的一个论文推荐网站YesPaper，我觉得还是很不错的，在这儿可以每天获取一些最新论文。

另外就是twitter，好吧，现在是 http://x.com ，如果你不知道它，那可是有点儿遗憾啊。

产品经理的知识

之所以推荐产品经理的知识，我是想一个单纯技术的人可能是在未来人工智能时代，并不是那么的重要。毕竟随着人工智能技术的发蔚县，它能干的技术类的工作越多，而人类需要做的就是不断从低脑力劳动到更高的脑力思考中。

简单的介绍一下产品经理需要的能力，尤其是 AI 相关的产品经理的能力！

毕竟，在任何一个时代的初期，还是缺乏极度专业的人材，而产品经理这个角色，已经是所有研发过程中的灵魂了。当大量的基础模型可以很容易被获得后，如何继续下去，就是产品经理的规划了。

所以，做为一个 AI 的产品经理，你要清晰的知道自己这几方面的能力及提高方法。

逻辑与沟通能力
快速学习能力
系统化的思维
产品 Sense
AI 技术的理解力
多感官人机交互
垂直场景认知
跨领域协作
人文素养
心理学相关知识

越优秀的产品经理，在上面这几个方面的能力越全面，当然在我看来，逻辑、沟通、学习、产品 Sense、垂直场景认知、人文这几方面最重要

MBA 的知识

在很多时候，我经常想为什么中国人在美国的科技界混到高级管理职位的人没有印度人多。可能很多人都有一个答案。我想的是：MBA 相关的东西我们国内的技术人员是极少了解的。因为 MBA 的思维其实是国内很少教授的，它是一种领导思维，也是一种老板思维。直白一些，你想的就是老板想的，你做的就是老板做的，那老板为什么不升职你呢？

于是我们就看到了，下面这么多人都是印度人，而华裔？还是比较少的。

Sundar Pichai：谷歌母公司 Alphabet 的 CEO
Satya Nadella：微软的 CEO
Ajaypal Singh Banga：万事达卡的 CEO
Arvind Krishna：IBM 的 CEO
Shantanu Narayen：Adobe 的 CEO
Indra Nooyi：百事可乐的前 CEO
Rajeev Suri：诺基亚的 CEO
Sanjay Kumar Jha：摩托罗拉的 CEO
Manvinder Banga：联合利华的前 CEO

所以当你发展到一定阶段 MBA 相关的知识是你必须要补充的，这些知识包含下面这些内容：

领导力和管理能力：如何更好的管理与领导团队，这是一个优秀的管理人材必须要学会的。

战略思考：尽管它要求很高，但是 MBA 里有一套方法学。

财务知识：大部分人都应该学，但是像概率一样，学会的人并且用它思考的人不多。

市场营销：这个要努力一下，卖东西与做品牌嘛。

人力资源管理：招人、培养人、开人、都是学问。

企业家精神：我不知道，但是听说在极优秀的企业家身上有。

六、人工智能涉及哪些领域？

1、智能制造

随着工业制造4.0时代的推进，传统的制造业在人工智能的推动下迅速爆发。人工智能在制造的应用领域主要分为三个方面：

（1）智能装备：主要包括自动识别设备、人机交互系统、工业机器人和数控机床等。

（2）智能工厂：包括智能设计、智能生产、智能管理及集成优化等。

（3）智能服务：个性化定制、远程运维及预测性维护等。

2、智能家居

智能家居主要是引用物联网技术，通过智能硬件、软件、云计算平台等构成一套完整的家居生态系统。这些家居产品都有一个智能AI你可以设置口令指挥产品自主运行，同时AI还可以搜索你的使用数据，最后达到不需要指挥的效果。

3、智慧金融

人工智能在金融方面可以进行自动获客、身份识别、大数据风控、智能投顾、智能客服和金融云等。

4、智能医疗

智能医疗主要是通过大数据、5G、云计算、大数据、AR/VRh和人工智能等技术与医疗行业进行深度融合等。智能医疗主要是起到辅助诊断、医疗影像及疾病检测、药物开发等作用。

5、智慧教育

主要是指人工智能在教育领域实现信息化，利用数字化、网络化、智能化和多媒体化等基本特征进行开放、交互、共享、协作、泛在等信息技术促进教育现代化交流。

6、智能安防

智能安防主要是利用人工智能系统实施的安全防范控制，在当前安全防范意识不断加强的环境下，智能安防市场应用广泛。其中主要应用在人体、行为、车辆、图像方面进行分析。

7、智慧物流

物流行业在人工智能、5G技术的推动下迅速发展。物流利用智能搜索、推理规划及计算机视觉等技术仓储、运输、配送和装卸等自动化改革，实现了无人操作一体化。

8、智慧交通

智能交通是通信、信息和控制技术在交通系统中集成应用的产物。主要通过智能设计路线出行的方法改善堵车、拥挤及交通事故等。

9、智慧零售

人工智能在零售领域应用广泛，包括无人便利店、智慧供应链、客流统计、无人车和无人仓等。

七、人工智能领域有哪些技术？

人工智能(ArtificialIntelligence,简称AI)涉及多个技术领域,以下是其中一些主要的技术:

1.机器学习(MachineLearning,简称ML):通过训练模型来识别模式并做出预测的技术。机器学习算法可以用于图像识别、语音识别、自然语言处理、推荐系统等任务。

2.深度学习(DeepLearning,简称DL):使用深度神经网络来模拟人类大脑的计算方式,通常用于图像识别、语音识别、自然语言处理等任务。

3.自然语言处理(NaturalLanguageProcessing,简称NLP):使计算机理解和处理自然语言的技术。NLP可以用于文本分类、机器翻译、情感分析、信息提取等任务。

4.计算机视觉(ComputerVision,简称CV):使计算机能够识别和处理图像和视频的技术。计算机视觉可以用于人脸识别、物体检测、图像分割等任务。

5.强化学习(ReinforcementLearning,简称RL):通过与环境交互来学习最优策略的技术。强化学习可以用于游戏、机器人控制、推荐系统等任务。

6.生成对抗网络(GenerativeAdversarialNetworks,简称GAN):由两个神经网络组成的系统,一个生成器网络和一个判别器网络。生成器网络试图生成逼真的图像或文本,判别器网络试图区分真实数据和生成数据。

7.强化学习与深度学习的结合(ReinforcementLearningandDeepLearning的结合):这是一种结合了强化学习和深度学习的算法,通常用于解决复杂的问题,如自动驾驶、语音识别等。

8.人工智能安全(ArtificialIntelligenceSecurity,简称AISec):保护人工智能系统免受恶意攻击和破坏的技术。人工智能安全包括网络安全、数据安全、算法安全等。

八、如何通过自学快速进入人工智能领域？

目前人工智能领域发展迅猛，在应用领域、专业层次、人员数量……等等，不同维度上都出现很大的人才需求，这个领域的“切入点”有很多，为来自各领域和各种基础的“外行人”都提供了很多机会。

虽然非人工智能或相关专业（数学、计算机、自动化、机器人控制……）的人，入局人工智能领域会比较辛苦，也容易因为“出身”而遭遇不公平待遇，但如果执行能力强的话，可以通过以下7个步骤“入局”人工智能领域，甚至“洗底”。

1. 寻求“破圈”机会

别急着报课，先要“结识”这个圈子内部真正的从业人员，甚至参与一些实际工作，比如：数据标注、机械设计、工程布线……有很多工作可以是没有任何基础，但可以跟AI专家共事的。既然是想切入“人工智能”这个专业领域，先“接近”这个圈子是个捷径。另外，有些课程的设计者会有意或无意的卖一些经过精心简化的“引流”课程，让你很容易有“虚幻的获得感”，知道圈内“真正”的样子，不至于被社会上的一些“伪课程”收割，轻则浪费时间和钱，重则养成错误的习惯。

2. 补代码能力

想从事AI相关的核心工作，目前还没有完全“免代码”的工具或者平台。虽然将来大概率会有免代码的人工智能定制平台的出现，但考虑到进一步精进、理解AI相关知识所必须的“深入”，以及更灵活的应用场景，至少要学一门编程语言吧。如果只学一门，推荐Python。

3. 建立熟悉感

知道了AI具体可以解决哪些问题、真实案例大概是什么样子、并且有了代码能力之后，你大概知道了往哪个方向“用力”，这个时候还是有很多“卡点”：训练数据的读存、每一层的维度、要么训练不出来(不用预训练模型)、要么一训练就过拟合(用预训练模型)、不知道参数往哪个方向调、甚至一些评价指标都看不懂……这个时候你的感觉是“隔行如隔山”和“基础太差”。这个时候你充满了恐惧，最想做的事可能是“系统的学一套课程或读一本专业书籍”，但千万别着急补基础知识。这个时候你最需要的是先“用最小的代价，跑通一个实际案例建立一下熟悉感”，消除恐惧，收获一些正反馈。到了这一步，推荐尝试百度的飞桨平台，对新手很友好，也很专业，虽然一些模型并不是最新的，但在这个阶段不重要。

4. 补基础知识

不管用什么平台、编程语言，不管从事哪方面的AI应用，当前人工智能的主流范式下的AI实现方法还是基于深度神经网络技术，这里面有很多不变的逻辑，到了这一步你已经不太会“走偏”了，那么，学习一些经典，能让你走得更远。书可以先看周志华的机器人学，课可以学吴恩达的。

5. 尝试热门项目

到了这一步，你可以自己找一些当前的热门项目来复现，比如AI视频换脸……也可以从Github上“借鉴”别人的代码。到了这一步，你已经不怕被骗了，可以勇敢的跟一些爱好者或者页内人士“合作”，谁有好项目，也可以积极参与。如果有商业头脑的话，已经能凭手艺赚到钱了。作为兼职，会很香！

6. 进入专业公司

如果想在AI领域进一步精进，可以去一些专业公司应聘。虽然你过去不是科班出身，也虽然你没有从业经验，但凭借你尝试热门项目的经验以及对一些行业知识的理解，足以打动这些公司，甚至AI大厂，说服他们给你一个不错的岗位。如果不到这一步就应聘，也行也有机会进入AI相关公司，但很难从事核心工作。到了这一步，在专业公司拿到一个比较核心的技术工作，有利于你利用公司的平台优势进一步提高自己在专业、认知和影响力方面的含金量。永远记住，从事一个职业，既要薪水也要升值，否则就是吃青春饭，你不会快乐的。

7. 拜师入圈

如果你想进一步提高自己在这条路上的“等级”，加入一个学术团队，进一步深造吧。这是站到人工智能食物链顶端的一条捷径，这样，很多AI大佬会成为你的师兄、师姐、师叔……不管从研还是从商，你的认知、资源和影响力都不可同日而语。

以上，如果你对AI一无所知，这是一条“打怪升级”之路，但如果你已经有一些基础，那么，根据个人基础和资源不同，可以合并或跳过一些步骤。

九、机制专业可以进入哪些领域？

可以进入涉及机械产品设计，制造的企业，科研单位。如机械装备设计制造，汽车设计制造，内然机设计与制造，石油，地质勘探设计与制造等。

十、人工智能需要哪些领域的参与？

心理学，计算机，芯片行业，机械制造等领域共同参与