互联网在中国国内发展了二十几年，经过五年的高速发展，涌现出了像阿里，腾讯，百度、京东、小米这样的巨头，随着移动互联网、物联网、云计算、大数据、机器认知、语音识别等为代表的新一代信息技术风起云涌，各种颠覆式创新、跨界创新和跨代创新层出不穷。
下个浪潮会不会是“AI+”？面对中国超过万的人工智能人才缺口，如何应对？作为一个普通程序员，如何提前向人工智能(AI)靠拢？以下是知乎用户Simons关于此问题的回答，物联网资本论整理后以飨读者。
我曾经也只是一个只懂ACM竞赛相关算法的普通程序员，误打误撞接触到了数据挖掘，之后才开始系统地了解机器学习相关的知识，如今已经基本走上了正轨，开始了走向DataScientist的征途。
但是 赞的一篇回答居然是关于DeepLearning的，这感觉就想是有人问我这山地车好高级，能不能教我怎么换挡，我告诉他说，这车太low了，我教你开飞机吧。我想即使目前开飞机（DeepLearning）的门槛一再降低，如果你没有一个 的基础，即使是老司机也是容易翻车的。
简单认真回答一下，首先作为一个普通程序员，C++/Java/Python这样的语言技能栈应该是必不可少的，其中Python需要重点
下面是关于每个阶段的具体介绍：
1、领域了解
在学习任何一门知识之前，首先 步就是了解这个知识是什么？它能做什么事？它的价值在什么地方？如果不理解这些的话，那么学习本身就是一个没有方向的舟，不知道驶向何处，也极易有沉船的风险。了解这些问题后，你才能培养出兴趣，兴趣是 的引路人，学习的动力与持久力才能让你应付接下来的若干个阶段。关于机器学习是什么，能做什么，它与深度学习以及人工智能的关系，从机器学习谈起：
2、知识准备
如果你离校过久，或者觉得基础不牢， 事先做一下准备复习工作。“工欲善其事，必先利其器”。以下的准备工作不多，但足以应付后面阶段的学习。
数学：复习以下基本知识。线性代数：矩阵乘法；高数：求导；概率论：条件与后验概率。其他的一些知识可以在后面的学习的过程中按需再补；
英文：常备一个在线英文词典，例如爱词霸，能够不吃力的看一些英文的资料网页；
FQ：可以随时随地上Google，这是一个很重要的工具。不是说百度查的不能看，而是很多情况下Google搜出来的资料比百度搜的几十页的资料还管用，尤其是在查英文关键字时。节省时间可是很重要的学习效率提升；
3、机器学习
机器学习的 门课程首推AndrewNg的机器学习。这门课程有以下特点：难度适中，同时有足够的实战例子，非常适合 次学习的人。
7、开源项目
当知识储备较为充足时，学习可以再次转入实践阶段。这时候的实践仍然可以分两步走，学习经典的开源项目或者发表高质量的论文。开源项目的学习应该以尽量以优化为目的，单纯为读代码而学习效果往往不太好。好的开源项目都可以在Github里搜索。这里以深度学习为例。深度学习的开源 库有很多，例如torch，theano等等，这里列举其中的两个：
推荐，DeepLearnToolbox：较早的一个深度学习库，用matlab语言撰写，较为适合从刚学习的课程转入学习。遗憾的是作者不再维护它了；
推荐，tensorflow：Google的开源库，时至今日，已经有多个star，非常惊人，支持移动设备；
8、会议论文
较好的课程都会推荐你一些论文。一些 的技术与方法往往诞生于一些重要的会议。因此，看往年的会议论文是深入学习的方法。在这时，一些论文中的内容会驱使你学习数学中你不擅长的部分。有时候你会觉得数学知识储备不够，因此往往需要学习一些辅助课程。当你看完足够的论文以后，在这个阶段，如果是在校学生，可以选择某个课题，以发论文为目的来学习研究。一般来说，论文是工作的产物。有时候一篇基于实验的论文往往需要你写代码或者基于开源项目。因此开源项目的学习与会议论文的工作两者之间是有相关的。两者可以同时进行学习。关于在哪里看论文，可以看一下CCF推荐排名，了解一下这个领域里有哪些 的会议。下面介绍两个图像与机器学习领域的 会议：
CVPR：与另两个会议ICCV和ECCV合称计算机视觉领域的三大会，注意会议每年的主页是变动的，因此搜索需要加上年份；
ConferenceonNeuralInformationProcessingSystems：简称NIPS，许多重要的工作发表在这上面，例如关于CNN的一篇重要论文就是发表在上面；
9、自由学习
自由学习：到这里了，可以说是进入这个门了。下面可以依据兴趣来自由学习。前阶段不推荐的学习资源也可随意学习，下面是点评：
cs：Ng写的讲义很不错，其中关于SVM的推导部分很清晰，想学习SVM推荐；
NeuralNetworksforMachineLearning：大牛的视角跟人就是不一样，看看Hinton对神经网络是怎么看的，往往会让你有种原来如此的感悟。其实看这门课程也等同于读论文，因为几乎每节课的参考资料里都有论文要你读；
CSn:ConvolutionalNeuralNetworksforVisualRecognition： 的知识，还有详细的作业。国内应该有团队对字幕进行了翻译，可以找找；
PRML：作为一门经典的机器学习书籍，是很有阅读必要的，会让你对机器学习拥有一个其他的观察视角；
五、总结本文的目的是帮助对AI领域了解不深，但又想进入的同学踏入这个门。这里只说踏入，是因为这个领域的专精实在非常困难，需要数年的积累与努力。
在进行领域学习前，充分认识自己的特点，制定合适的学习方法是十分重要的。首先得对这个领域进行充分了解，培养兴趣。在学习时，保持着循序渐进的学习方针，不要猛进的学习过难资源；结合着学习与实践相辅的策略，不要只读只看，实际动手才有成就感。学习某个资源时要有充分的目的，不是为了学开源项目而看代码，而是为了写开源项目而看；不是为了发论文而写论文，而是为了做事情而写论文。如果一个学习资源对你过难，并不代表一定是你的问题，可能是学习资源的演讲或撰写人的问题。能把难的问题讲简单的人才是真正有水平的人。所以，一定要学习优质资源，而不是不分青红皂白的学习。
，牢记以兴趣来学习。学习的时间很长，过程也很艰难，而只有兴趣才是让你持之以恒，攻克难关的 助力。
往期精选
盘点
投资机构AIOT领域布局深度大盘点——线性资本篇
盘点
投资机构AIOT领域布局深度大盘点——中科创星篇
盘点
投资机构AIOT领域布局深度大盘点——耀途资本篇
盘点
投资机构AIOT领域布局深度大盘点——臻云创投篇
研究
芯片后端设计工程师是否会被人工智能算法取代？
研究
红杉资本重磅发布国内首份AI与未来就业市场研究报告
赞赏