如何快速掌握人工智能的相关知识，迅速成为一名人工智能方面的专家？_ZNDS问答

首先给个结论，【快速成为人工智能领域的专家】本身就是一个伪命题，快速与专家本就是悖论！
人工智能涉及的知识领域比较多，数据收集、特征选择、算法设计、模型建设、代码实现等典型环节需要线性代数、概率论、统计学、程序设计、算法设计、软件工程等方面的知识。所谓专家，需要对这些内容都要有很深的认识和了解，能够快速根据场景选择模型，能够快速完成特征选择和参数调优，有对人工智能宏观方向的把控和微观方向的实践，这些都需要一定工作量的训练和积累。
快速？不知道多快算快速，现在社会上有一些《人工智能快速入门》、《XX天精通人工智能》的书籍和培训，往往是介绍一些原理、概念和基本在应用。但这些只能是让你知晓人工智能的基本概念，有机会成为合格的搬运工，但离成为专家还有很远很远。试想现在人工智能领域的专家，哪一个不是博士，博士并不只是学历，更是一种素养，代表着多年的专业训练和领域的深入钻研。
私以为多读书是对的，这样能够让人静下心来，抛弃功利心，更好的去感受这门学科和技术的魅力。除非有必要，尽量不要去参加快速培训班，除了浪费钱，学会吹牛，别无他用！

不过，话说回来，如果定位是如何快速从事人工智能行业，开展相关工作，那么可以先看一到两本原理我性的书籍，然后再看两本实战性的书籍，典型的是R与人工智能、Python与人工智能，学习相关库的使用。通过书上的案例，基本能够了解如何开展建模，并应用到业务场景中。

谢谢谢谢邀请，看完我的这篇回答，你就可以快速成为人工智能方面的所谓的专家，只要不涉及算法方面，你至少要比市面上80%以上所谓的专家要厉害。
人工智能这个概念，最早是由图灵测试来引出的在达特茅斯讨论会中定下了人工智能这个名词的定义。
最早在上个世纪50年代掀起的第一轮的人工智能热潮，当时出现了一些简单的自然对话程序和早期的人形机器人。这些成就让当时的科学家们信心暴增，他们提出了20年内制造出能够全面模仿人类的机器，结果当然是失败了。
第二轮人工智能的热潮出现在上个世纪80年代，当时出现了专家系统和神经网络计算的方法。
所谓专家系统是一种基于一种特定的规则来回答特定领域问题的程序系统。爱德华费根鲍姆被称为专家系统之父。
第三轮人工智能的热潮，就是现在这个时代。
所谓人工智能就是通过机器来模拟人类认知能力的技术，它包括感知，学习，推理与决策等等方面。
如果从应用的角度来说，人工智能的本质就是根据给定的输入来作出判断或者是预测。
比如说可以通过输入的照片来判断照片里的内容是什么，通过输入的音频来判断音频里面的内容是什么，通过输入医学影像来判断疾病的生成以及原因，通过收入的购买记录来预测用户的兴趣，从而给用户推荐合理的产品，或者是通过输入股票的价格及交关交易信息来预测未来的股票价格趋势。
这些都是人工智能的一些具体应用。
人工智能与专家系统不同之处在于，专家系统的规则是由人工来定义的，这种定义既耗时又难于定义完全。而人工智能系统的规则是由机器自主学习得来的。
所以说机器学习是目前人工智能领域的主流方法。
机器学习目前可以分为两个方面，第一个方面是从数据中进行学习，他可以从已知的数据中学习数据中蕴含的规律或者判断规则。
数据学习可以分为监督学习，半监督学习和无监督学习。
监督学习的样本带有预测量的真实值，也就是监督信息。
无监督学习提供的样本预测量的真实值，也就是说样本不提供监督信息。
半监督学习是小部分的样本，带有真实值，也就是说小部分的样本带有监督信息。
第二个方面就是从行动中来学习。主要是通过强化学习来获得策略，从而指导行动。
它与从数据中学习不一样，它不是获得特定的规则而是获取一种策略，这种策略来使每一次行动获得最大的收益。
以上就是人工智能的一些基本的知识。拥有这些知识已与一些所谓的专家进行交流，丝毫不存在困难的，如果你喜欢就在下面点个赞或者关注，我们可以继续讨论人工智能相关方面的知识和话题。

先上结论：

人工智能的相关岗位很多，无论哪个岗位都无法迅速成为专家，都需要持之以恒的努力！

下面从三个方面回答本问题：
1. 学习人工智能的四种境界
2. 人工智能涉及的相关知识
3. 成为人工智能专家的方法
一、学习人工智能的四种境界

学习人工智能算法的主要有四种境界，你需要确定自己需要达到哪种境界，才好确定你的努力方向和策略。

1.知其然境界

2.应用者境界

3.工程师境界

4.科学家境界

1.知其然境界
第一个是知其然，也叫知其所以然境界，知道当下的人工智能到底是什么，知道机器学习和深度学习大概是个什么东西，不会过分的去神话AI，知道目前AI的优势，更知道目前AI的局限，如果你从事相关产品经理或者做相关领域投资，达到第一境界即可。
2.应用者境界

应用者境界是大部分人工智能算法工程师所在的境界，主要就是明白算法原理，知道如何实现，核心在于知道如何把他应用在一个实际的业务场景之中，如果你是一个利用AI来解决业务问题的算法工程师，那么你至少需要达到这个境界。
3.工程师境界
工程师境界也是很难的一种境界，需要用很强的理论背景和工程实现能力，能独立复现最新的论文，深刻理解论文的实现原理，并能在上面做一些小创新。如果你想成为更牛逼的AI算法工程师，那么就需要达到这个经济。

4.科学家境界
科学家境界是很少很少一部分人能达到的境界，主要是那些从事人工智能研究的科学家，他们能原创出很多的算法和理论，解决一些最前沿的难题。比如深度学习的鼻祖Hinton,生成对抗网络发明人 Ian goodfellow,Xgboost发明人陈天奇等等。

不同的境界对应不同的要求，简单点概括就是：

工程能力决定你的下界，理论能力与业务理解决定你的天花板。

二、人工智能涉及的相关知识

人工智能是一门交叉性的学科。数学理论和计算机技术是其重要的组成部分。

数学理论是基础（武功的心法），计算机技术是技能（武功的招式）

1.数学理论
线性代数，微积分，概率统计、数值计算是基础。后期可能还会涉及拓扑学、测度论，泛函分析、随机过程，动力系统等学科。所以人工智能对数学功底的要求是比较高的。
2.计算机技术
编程语言、数据结构、计算机网络、数据库是基础。后期可能还会涉及分布式计算、图计算、复杂网络等学科。所以人工智能对计算机的功底要求也比较高。
3.其他学科
除此以外，一些其他的学科对人工智能也有很大的影响，例如以前的认知科学，神经学等，以后的脑科学可能对人工智能也会有一定的影响。
三、成为人工智能专家的方法

你可能是做AI产品的产品经理，可能是做AI算法相关工作，可能是做AI平台组件开发工作，甚至是做AI相关领域的投资工作。

无论是做人工智能相关的任何工作，都没有捷径！所以很抱歉，很难迅速的成为人工智能方面的专家！
但是只要持之以恒的学习，相信终有一天能成为专家！
没错，我答完这个题就继续啃paper去了！

PS：本号作者目前是某大厂机器学习算法工程师，致力于全栈AI算法和业务场景落地，非常乐于在网上分享最新的AI知识，也经常开直播教同学AI算法和编程。感兴趣的同学可以关注本头条号，获得最新的干货！

快速成为专家和一万小时定律，我更相信一万小时定律，如果你想要快速的建立人工智能的知识框架的话，也是有办法的。

不知道你最适合的学习方式是什么，我个人最适合的学习方式是看视频，当时看的是斯坦福大学吴恩达教授的机器学习课程，网易云课堂，B站上都有的，记好笔记，两个月左右可以建立知识框架。

当然，只是建立框架而已，虽然我不是专家，但我觉得要成为专家，一万小时定律是铁定的。人工智能，不仅仅是一个学科，而且也是一个系统工程，既然是工程，那么就离不开实战，实战的越多，理论知识就巩固的越好，因为越多的实战，就会有越多的角度去理解，总有一个角度是最适合自己的。

平时还要多想，在实际生活中遇到的问题看看能不能以人工智能的方法去解决。

比如说今天周末去一个大型超市买水果，但是今天的顾客非常多，超市贴码员数量又有限，所以顾客排起了长队等待贴码员称重量，贴码。

如果我利用人工智能和自动化技术，做一台商品识别分类与自动贴码的机器，是不是可以减轻贴码员的工作强度，同时也可以为顾客节省时间。
同样，由于人多，收银台前也是排起了长队，我是不是也可以利用人工智能与自动化技术做一台自动扫码，自动收银，自动语言应答一体的收银机。

想到了这些，接着深入一点，我需要用到人工智能中的什么技术？再深入一点，我需要用到什么算法？什么网络？再深入一点，我这种场景我的网络结构要什么样？训练数据要采集哪些？如何预处理？优化器选择哪种？每层网络的激活函数选什么？分类任务最多分几类？语言处理的窗口选择多大？选择这种网络结构，我用哪种型号的云GPU去跑模型性价比最高？我需要用哪个深度学习框架？等等细节的问题。这样就不会陷入纯等待而浪费时间了，还可以巩固知识，一举两得。

想快速成为专家的想法要打消掉，老老实实的把高等数学、概率论、线性代数等相关的知识学好，再一步步的学习统计学习、机器学习、深度学习，建议学会python语言，多实践，多做项目，会比较快的掌握一些技能，通过看文献，理解人工智能的进展。慢慢会进入这个行业内。如果想成为专家，还需要付出更多的努力。

谢谢邀请，
首先快速掌握人工智能的相关知识本身就不太可能，有几方面要求。
1.掌握知识首先要出身必须是技术类比如说 PHP C++ java 等专业
2.参与研发过人工智能前身产品才行，任何新兴产品都是老的产品演变过来的，经过一些列流程才能掌握总体知识
3.必须有几个人工智能产品由你主导设计研发，有一定的产品在市场有应用且体验完好，这样才能算是专家
希望帮到你，别忘记点赞

快速学习一切东西都是不存在的

首先要摆正心态，人工智能的底层原理，数据结构，统计学需要很扎实的数理知识。

其次要有韧性，很多基于大数据的研究，譬如基因分析，遗传病分析，目的性并不强，十分容易让做研究的人感到没有希望。

最后，祝你好运。运气这个东西吧真的很重要，就像麦当劳的发明人并没有将它做大一样。很多时候技术价值和商业价值需要不同的人发酵。找到爱和激情！去吧！

找行业红宝书

被链接在人工智能上面的人没有复杂的思维能力！而且我判断全球可能超过半数的人口被人工智能脑机接口！

		自动登录	找回密码
密码			立即注册

如何快速掌握人工智能的相关知识，迅速成为一名人工智能方面的专家？

相关问题更多>

最新回答