我是一名技術宅，準確的說，乙個有著武俠夢的技術宅。
那時我還是計算機專業的大四學生，很幸運我選對了領域，緊跟人工智慧，成為了ai技術弄潮人。作為一名武俠迷，我想用武俠的招式對仍未找到目標、不知如何學習ai的你談談如何修煉為ai人才。
l門派之別
「人工智慧」不止乙個門派，當今江湖有三大派已經屹立數年，它們是「機器學習」，「深度學習」和「強化學習」。
說到「機器學習」，它跟「人工智慧」一樣，是乙個大概念，指的是能夠賦予機器智慧型，能夠像人類一樣進行決策。同時，它也是實現「人工智慧」的方法之一。
「機器學習」派包羅永珍，有來自於「資料探勘」的傳統招式；有來自於神經網路的招式；有來自於機械人學的招式。創派之時江湖上還是硬體的天下，「機器學習」派在腥風血雨裡苦苦掙扎。突然間，資訊**時代的來臨、大資料的崛起讓機器學習看到了希望，江湖都傳言「機器學習」派的內功心法博大精深，學會之可縱橫天下。於是乎聞名而來之人數不勝數，門派發展一片繁榮，隱有一家獨大之跡象。
l取其精華
談談三大派別的適用領域。
傳統機器學習，適用於結構化的資料（就是非常規整的**型資料），適用於需要進行**的場景（**類別型結果、數值型結果）：信用風險檢測（**類別）、銷售**（**金額）、使用者畫像（**類別）、商品推薦（**類別、**評分）等等。
強化學習，適用於需要探索和優化的場景，不一定需要結構化的資料，對於模擬環境的準確度有強要求，能夠根據環境中引數的變化自動給出最優選擇：製造業某種裝置執行時引數自動調控、智慧型溫控、智慧型汙水處理、智慧型交通訊號燈、alpha go圍棋。
深度學習，適用於非結構化資料，比如影象、語音等，適用於識別類場景：影象識別、語音識別、語音合成、語義識別。
l武功秘籍
有乙個最重要的事情，那就是學好python！學好python！學好python！
這不僅僅是因為現在有眾多機器學習庫支援python，也因為python指令碼語言的特性、python語言簡潔優雅，非常適合做資料處理（學好pandas、numpy兩個庫），常言道「建模5分鐘，資料處理半年」。如果去看一些機器學習庫、框架的教程，可能建模只需要5行**以內就可以完成，這是因為這些庫都封裝了很多的機器學習的演算法。這會給人一種成就感——「看！我也會人工智慧了」，但其實吧，這種成就感是虛假的。
我建議還是要從演算法原理本身入手，畢竟你我皆凡人，活在人世間，我們沒有主角光環，只能像郭靖一樣，踏踏實實的學起。但是也別悲觀，這件事也沒有那麼難。我們也不會像**裡的路人甲一樣，沒有際遇、沒有秘籍。
l行走江湖
當機器學習的知識積累了一部分之後，肯定要開始動手實踐了，乙個強大的、不必關心細節的平台或者工具是非常重要的，尤其是涉及大量資料計算的時候個人電腦根本扛不住，還得自己費盡功夫搭集群。幸好現在有云計算了，各家雲計算底層技術大同小異，在上層的應用上對比下來，最容易上手最簡單的還屬於華為雲的ei。華為雲ei下面有機器學習服務、深度學習服務等等，能夠很快的將前述所學內功盡情發揮。
學成了功夫，不管如何總該在江湖上闖一闖。在此要澄清乙個問題，闖蕩江湖並不要像金庸的武俠**那樣，非得拼出個功夫高低。現在很多公司招機器學習相關的人的時候已經不太看重對於演算法的掌握，而是看掌握的東西與其公司本身的業務使用是否相關，所以找準機器學習本身應用切入點更為重要。
切入點如何尋找？對機器學習接觸不深確實很難找到，唯有靠高人指點。付費課程？有些小貴肉很疼。線下課程？沒有實時指導心很累……
考研，其實每一步都是算數的
每年的二月三四號，對於大多數人而言是很平淡的兩天，但是在考研人的心中卻是很難熬的兩天，是奮鬥了一年的碩果，這兩天，有多少考研人夜不能寐，焦急地等待著這一年的結果，可是你要知道的是，每件事都是不可能完美地，更不要說像這樣選拔人才的考試，總有人會贏，也伴隨著有些人注定是輸的，今天已經是六號了，也許你已經...
一步一步打造Geek風格的技術部落格
geek更多的是一種精神，一種態度，一種對技術的理解與信念。他們無法忍受醜陋的 拙劣的技術。他們思路開闊，技術嫻熟，他們不甘平庸，追求完美。他們不會囿於常識，他們敢於突破。在常人眼中，他們不走尋常路，享受各種非主流的技術。但在他們自己眼中，這些又是那麼得自然與優美。他們用自己的行為詮釋著自己對於技術...
一步一步學習雲計算 雲的概念 一
在還未接觸相關技術的時候,在網上搜搜相關知識點.得出了乙個問題 這個究竟是神馬?浮雲?太抽象了 其中雲也是這樣的.許多人往往喜歡把乙個很簡單的概念給說的非常複雜.其實這樣不僅僅不利於自己的學習.也不利於他人的閱讀.所以對雲進行乙個簡單的整理,歸納.感謝張勇老師的講解 一.雲的概率 1.線性可擴充套件...