别再瞎学Python了！四年实战血泪：这才是机器学习代码的命门

在人工智能领域深入钻研四年后, 在机器学习领域持续探索四年后, 我打算分享全部助力我成长的资源。

由于内容较多，我将它们分为以下几类：

编程与软件工程

想进入AI领域，编程能力与软件工程技能是必备基础。

首席技术官Greg 也支持我的观点！

最具影响力的人, 在AI领域内, 除了少数特例外, 通常是那种, 既对软件颇为精通, 又对机器学习十分擅长的专家。

跟大众的认知相反，掌握机器学习其实比精通软件工程快得多。

因此优秀软件工程师在AI领域往往潜力非凡

AI领域比较新, 主流语言还没有定型, 不过因为易用性以及完善生态, 它仍是首选之作。

当前, 为AI岗位所衍生出的众多岗位, 大多来自机器学习领域, 并且, 这一领域所使用的通用语言, 在短期内不会发生改变。

然而, 最为热门的AI工程师岗位, 它更贴近软件工程, 并非机器学习工程, 所以, 说不定就得掌握Java/GO/Rust等后端语言。

予以建议, 起始于入门阶段, 此阶段更易于掌握核心工程原理, 然而未来存在转向其他语言的可能性。

即使有着数目繁多的课程书籍, 然而持续不断地去实践才称得上是最佳的导师, 资源只不过只是能够引领你进入门径, 而真正要去掌握（不管是任何一种语言）必然得借助创造以及实践。

我的与软件工程基础推荐：

数学与统计学

尽管多数人工智能工作仅仅只需进行基础模型的部署, 然而若想要成为处于顶尖水平的从业者, 起码得懂得模型底层的原理。

以下资源足以满足数学需求，无需另寻他处：

机器学习

当下的主流AI实际上指的是生成式AI, 也就是GenAI, 它归属于机器学习的分支。按照其名称的含义来说, GenAI所指的是能够生成文本的算法, 能够生成图像的算法, 能够生成音频的算法, 能够生成代码的算法。

但AI概念早在上世纪50年代神经网络诞生时就已存在。

甚至能够追溯到二战那个时期呢, 艾伦·图灵在计算机以及思维机器的研究过程当中, 提出了“图灵测试”。

总之, 我想要着重表明, AI的范畴相比当下大众所具有的认知而言, 要更为宽广得多, 若想成为出色的AI从业者, 机器学习以及传统AI的坚实基础是绝对不能缺少的。

涵盖机器学习核心知识的相关资源如下, 要是你有时间序列预测、强化学习、优化算法、计算机视觉等进阶内容的需求, 能够另外给予推荐。

深度学习与大语言模型

如上图所示，深度学习是AI大类中的子集，属于机器学习分支。

现有的全部生成式AI算法均起始于此, 你会于该领域深入领会大语言模型, 知晓扩散模型等基础架构的运行原理。

人工智能工程

到这个时候, 你已经全方位地掌握了AI, 尤其是LLM与GenAI的理论以及实践方面的版图。

真正的价值在于把AI模型转变为产品, 故而要学习算法产品化的部署技能, 使得技术为企业以及客户去创造价值。

多数被称作“AI工程师”的AI岗位, 在工作特质方面, 相较于机器学习工程, 更贴近传统软件工程。

最为关键的工作要点在于, 运用诸如 Llama、GPT - 4 等之类的基础 GenAI 模型去开展产品开发工作, 对于模型开发这方面, 所涉及的情况是极少极少的, 其主要缘由在于, 训练所需的成本实在是过高了, 并且, 当下现有的基础模型已然是足够强大了！

学习的资源那可是多得像茫茫大海一般, 关键之处在于要把繁杂的内容转化为简单的, 然后马上就行动起来。那些核心的知识体系大体上是差不多的, 所以选择任何一种资源都不会出现错误的情况。

谨以AI领域顶尖研究者 的推文祝你征程顺利：

成为领域专家的秘诀：

进行纵向的深度挖掘, 借助具体的项目进行实践, 倡导“按需学习”, 在此过程中拒绝那种填鸭式的横向学习方式。

知识反刍：用自己的语言总结/传授所学

自我超越：只与昨天的自己比较，永远不跟他人攀比