⑴ 程序員如何在35歲瓶頸期的時候，找到自己的方向
1程序員的困惑
程序員是一個神奇的職業。日復一日面對著電腦，一行一行地碼著代碼，給人的印象是呆頭呆腦，不善於交流和溝通，加班是經常的事，彷彿永遠都有干不完的活，身心都很疲憊。但事實上呢？
大多數程序員，他們熱愛編程， 對很多技術充滿興趣， 總是希望學習並嘗試新奇的技術， 在業余也花了很多時間學習工作中暫時用不到，但是自己很感興趣並且很看好的技術，從進入到第一家軟體公司，後來一直沒有離開軟體行業。
⑵ 程序員可以如何選擇發展方向
絕大多數程序員最終的職業目標可能都是CTO，做到CEO的人估計會比較少，也有一少部分人自己去創業去當老闆，也有部分人說我轉行去做業務 了，對於當老闆的人畢竟是少數，對於轉行的人來說，都不在這行做了，自然沒什麼好說的了。一般來說，程序員的發展基本上都會經歷這么幾條路徑。程序員-系 統分析員-架構師-技術經理-CTO，程序員-項目組長-項目經理-項目總監-CTO，程序員-產品設計師-產品經理-CTO.
當然這只是一個大致的路徑，不是所有程序員都必需要這么經歷的，有些人可能跳過其中的一些步驟，也可能有些人會把中間的很多職位都做了。而最終做到 CTO的程序員，也是非常少的一部分，原因很簡單，這個世界上不許要那麼多的CTO和CXO.
也就是說，許多的程序員最終可能是做技術經理、項目經理或者項目總監之類的，那麼到底我們職業生涯要選擇哪一種呢？我覺得這個問題沒有一個統一的答 案，因為每個人的性格不一樣，際遇也不一樣，就像你從小希望當貪官，可是命運卻偏偏讓你做了一個程序員。所以應該根據你的興趣、性格與際遇選擇一條道路， 比如說你正好有機會帶一個項目，而你又不是很討厭項目經理這個位置，那麼你就可以選擇向項目經理方向發展。
實際上很多時候，國內並沒有明確的技術經理、項目經理、產品經理之分，在許多的公司里，他們經常是由一個人承擔。在外包公司里，通常會有項目經理和 系統分析員（也可能是技術經理）。在一些非IT公司里，可能會有部門經理，而做自己產品的公司可能會分得比較詳細一些。我大致說一下這三個職位的區別，讓 正在徘徊的程序員有一個大致的了解。
項目經理是項目的直接負責人，這個角色相當於一個中間介面，不管是團隊成員還是需求方（客戶），或者是上級領導，有事都直接找他，所以這個職位著重 於管理與溝通。一般來說，項目經理的工作重點在同客戶溝通需求、項目進度的把控、團隊的溝通方面，有些公司也會需要項目經理承擔團隊建設的工作，不過貌似 很多國內公司都忽略了團隊建設這個工作了。對於項目經理來說，重點會要求溝通能力、協調能力、危機把控能力、執行力、團隊管理能力，著重於溝通、管理與計 劃。當然也有些公司還要求項目經歷要參與招標談判，這就要求項目經理有一定的商務談判能力。
技術經理有時候也可能叫系統分析員，一些小公司可能會整個公司或者部門有一個技術經理。技術經理承擔的角色主要是系統分析、架構搭建、系統構建、代 碼走查等工作，如果說項目經理是總統，那麼技術經理就是總理。當然不是所有公司都是這樣的，有些公司項目經理是不管技術團隊的，只做需求、進度和同客戶溝 通，那麼這個時候的項目經理就好像工廠里的跟單人員了，這種情況在外包公司比較多。對於技術經理來說，著重於技術方面，你需要知道某種功能用哪些技術合 適，需要知道某項功能需要多長的開發時間等。同時，技術經理也應該承擔提高團隊整體技術水平的工作。
產品經理這個職位一般在有自己產品（不管是軟體還是網站產品）的公司比較常見，產品經理主要會負責產品的設計、產品的改良等工作。需要注意的是，產 品設計與設計師是兩個不一樣的工作，產品設計主要會從用戶體驗、業務需要等層面去設計產品，而設計師更多是從用戶的視覺上去做。產品經理應該是最懂業務的 人，比如說你在設計一個微博的產品，就要求你對微博這個東西非常熟悉，從用戶習慣、用戶體驗、公司的發展戰略上去設計這個產品，還要對比同類產品會有什麼 優勢等等。
不管是項目經理還是技術經理與產品經理，都要求要熟悉業務，業務是需求的來源，沒有不談業務的技術，所以不管你從哪個方向發展，都要求對業務熟悉。 產品經理要求對業務最熟悉，項目經理次之，技術經理排最後。對於程序員來說，剛開始工作的前幾年可以埋頭扎到技術裡面，一般這個時間在2-3年的時間，然 後就應該多關注業務了。這個業務不一定是指某個具體的業務，因為具體的業務的范圍太少，而且也需要機遇。
我見過許多的程序員，他們是做Web開發的，但對互聯網很不熟悉，對於互聯網流行的趨勢基本上不聞不問。不知道現在大家都在使用微博，也不知道SNS，也 可能從不使用網銀。我覺得這樣很不好，程序員應該多多去關注互聯網的發展，多多去玩一些新的網站。
⑶ 普通程序員如何向人工智慧靠攏
首先了解這個領域，建立起全面的視野，培養起充足的興趣，然後開始學習機器學習的基礎，這里選擇一門由淺入深的課程來學習，課程最好有足夠的實驗能夠進行實戰。基礎打下後，對機器學習已經有了充足的了解，可以用機器學習來解決一個實際的問題。這時還是可以把機器學習方法當作一個黑盒子來處理的。實戰經驗積累以後，可以考慮繼續進行學習。這時候有兩個選擇，深度學習或者繼續機器學習。深度學習是目前最火熱的機器學習方向，其中一些方法已經跟傳統的機器學習不太一樣，因此可以單獨學習。除了深度學習以外，機器學習還包括統計學習，集成學習等實用方法。如果條件足夠，可以同時學習兩者，一些規律對兩者是共通的。學習完後，你已經具備了較強的知識儲備，可以進入較難的實戰。這時候有兩個選擇，工業界的可以選擇看開源項目，以改代碼為目的來讀代碼；學術界的可以看特定領域的論文，為解決問題而想發論文。無論哪者，都需要知識過硬，以及較強的編碼能力，因此很能考察和鍛煉水平。經過這個階段以後，可以說是踏入AI領域的門了。「師傅領進門，修行在個人」。之後的路就要自己走了。
⑷ 打算當程序員，上大學學什麼專業
1、網路空間安全方向
所選專業：網路空間安全專業
網路空間是與陸、海、空、天並列的第五大主權空間，網路空間安全已經成為全球性的挑戰。本專業是研究網路空間中的安全威脅和防護問題，為實施國家安全戰略，加快網路空間安全高層次人才培養設立。國家相當重視並大力扶持此專業的發展。
就業職位：有Web安全工程師、滲透測試工程師、安全測評工程師、安全架構師、戰略規劃、安全運維工程師、技術支持、安全信息法律相關從業人員等。
2、雲計算方向
所選專業：軟體工程專業、計算機科學與技術推薦高校：北京航空航天大學、北京大學、清華大學、國防科技大學、哈爾濱工業大學、上海交通大學、華中科技大學、電子科技大學等
⑸ 程序員如何選擇自己的職業方向
作為一名程序員，在選擇自身的發展方向時一定要和企業的發展方向相吻合，程序員是一個偏向於技術的崗位，如果希望在技術上快速提升，除了學習更多的需要去實踐，只有將技術應用到實際場景中才能發揮它的價值，通過企業提供的平台，將學習的知識應用到實際環境中，做到學以致用，才能不斷提升自身的技術能力。將個人的發展和公司平台相結合，同步同調、同頻共振才能相互促進，通過個人能力的提升來壯大平台，同時通過平台的提升促進自身的快速發展。
在中國當前的軟體行業發展來看很少有純技術的程序員，軟體行業本質也是服務行業，必須跟業務行業相結合才能價值外顯。軟體行業也是一個快速發展的行業，新技術、新工具、新模式層出不窮，需要不斷的學習和掌握，如果不是真正熱愛很難堅持深入學習、長年奮戰在技術一線。隨著年齡的增大、家庭的牽絆，絕大部分程序員的精力是很難和年輕人相比的，所以大部分程序員都會向其他方向發展，如：產品經理、技術總監、售前咨詢、運營管理等，一般情況下前兩者比較多，因為二者偏向於技術，轉型比較容易；售前咨詢對業務能力、行業理解的要求較高；運營管理則強調更長的企業資歷、更好的協作能力等。無論哪一個發展方向，都是需要不斷學習、不斷積累的，只有掌握一套好的學習方法和工作方法，快速提升自身能力，才能走的更高、更遠。
⑹ 如何從普通程序員向人工智慧靠攏實踐
.
針【類】問題選擇KNN算、決策樹、樸素貝葉斯、支持向量機、邏輯斯蒂歸；針【聚類】使用K-mean算；針【歸】問題選決策樹、樸素貝葉斯、支持向量機（我沒寫錯決策樹、樸素貝葉斯、支持向量機既類歸）值提邏輯斯蒂歸雖歸命名卻能用於類
⑺ 普通程序員如何向人工智慧方向轉型
當下，人工智慧已經成為越來越火的一個方向。普通程序員，如何轉向人工智慧方向，是知乎上的一個問題。
這個學習路線是這樣設計的：首先了解這個領域，建立起全面的視野，培養起充足的興趣，然後開始學習機器學習的基礎，這里選擇一門由淺入深的課程來學習，課程最好有足夠的實驗能夠進行實戰。基礎打下後，對機器學習已經有了充足的了解，可以用機器學習來解決一個實際的問題。
這時還是可以把機器學習方法當作一個黑盒子來處理的。實戰經驗積累以後，可以考慮繼續進行學習。這時候有兩個選擇，深度學習或者繼續機器學習。深度學習是目前最火熱的機器學習方向，其中一些方法已經跟傳統的機器學習不太一樣，因此可以單獨學習。除了深度學習以外，機器學習還包括統計學習，集成學習等實用方法。
如果條件足夠，可以同時學習兩者，一些規律對兩者是共通的。學習完後，你已經具備了較強的知識儲備，可以進入較難的實戰。這時候有兩個選擇，工業界的可以選擇看開源項目，以改代碼為目的來讀代碼;學術界的可以看特定領域的論文，為解決問題而想發論文。
無論哪者，都需要知識過硬，以及較強的編碼能力，因此很能考察和鍛煉水平。經過這個階段以後，可以說是踏入AI領域的門了。「師傅領進門，修行在個人」。之後的路就要自己走了。
下面是關於每個階段的具體介紹：
0.領域了解
在學習任何一門知識之前，首先第一步就是了解這個知識是什麼?它能做什麼事?它的價值在什麼地方?如果不理解這些的話，那麼學習本身就是一個沒有方向的舟，不知道駛向何處，也極易有沉船的風險。了解這些問題後，你才能培養出興趣，興趣是最好的引路人，學習的動力與持久力才能讓你應付接下來的若干個階段。關於機器學習是什麼，能做什麼，它與深度學習以及人工智慧的關系，可以看我寫的博客從機器學習談起。
1.知識准備
如果你離校過久，或者覺得基礎不牢，最好事先做一下准備復習工作。「工欲善其事，必先利其器」。以下的准備工作不多，但足以應付後面階段的學習。
數學：復習以下基本知識。線性代數：矩陣乘法;高數：求導;概率論：條件與後驗概率。其他的一些知識可以在後面的學習的過程中按需再補;
英文：常備一個在線英文詞典，例如愛詞霸，能夠不吃力的看一些英文的資料網頁;
FQ：可以隨時隨地上Google，這是一個很重要的工具。不是說網路查的不能看，而是很多情況下Google搜出來的資料比網路搜的幾十頁的資料還管用，尤其是在查英文關鍵字時。節省時間可是很重要的學習效率提升;
2.機器學習
機器學習的第一門課程首推Andrew Ng的機器學習。這門課程有以下特點：難度適中，同時有足夠的實戰例子，非常適合第一次學習的人。cs229這門課程我這里不推薦，為什麼，原因有以下：
時間：cs229的時間太早，一些知識已經跟不上當今的發展，目前最為火熱的神經網路一筆帶過。而Cousera上神經網路可是用了兩個課時去講的!而且非常詳細;教學：Ng在cs229時候的教學稍顯青澀，可能是面對網路教學的原因。有很多問題其實他都沒有講清楚，而且下面的人的提問其實也很煩躁，你往往不關心那些人的問題。這點在Coursera上就明顯得到了改善，你會發現Ng的教學水平大幅度改善了，他會對你循循善誘，推心置腹，由淺入深的教學，在碰到你不明白的單詞術語時也會叫你不要擔心，更重要的，推導與圖表不要太完善，非常細致清晰，這點真是強力推薦;字幕：cs229的字幕質量比Coursera上的差了一截。Coursera上中文字幕翻譯經過了多人把關，質量很有保證;作業：cs229沒有作業，雖然你可以做一些，但不會有人看。這點遠不如Coursera上每周有deadline的那種作業，而且每期作業提交上去都有打分。更重要的是，每期作業都有實際的例子，讓你手把手練習，而且能看到自己的成果，成就感滿滿!
3.實踐做項目
學習完了基礎課程，你對機器學習就有了初步了解。現在使用它們是沒有問題的，你可以把機器學習演算法當作黑盒子，放進去數據，就會有結果。在實戰中你更需要去關心如何獲取數據，以及怎麼調參等。如果有時間，自己動手做一個簡單的實踐項目是最好的。
這里需要選擇一個應用方向，是圖像(計算機視覺)，音頻(語音識別)，還是文本(自然語言處理)。這里推薦選擇圖像領域，這裡面的開源項目較多，入門也較簡單，可以使用OpenCV做開發，裡面已經實現好了神經網路，SVM等機器學習演算法。項目做好後，可以開源到到 Github 上面，然後不斷完善它。實戰項目做完後，你可以繼續進一步深入學習，這時候有兩個選擇，深度學習和繼續機器學習;
4.深度學習
深度學習：深度學習是目前最火熱的研究方向。有以下特點：知識更新快，較為零碎，沒有系統講解的書。因此學習的資源也相對零散，下面是一些資源介紹。其中不推薦的部分並不代表不好，而是在這個初學階段不合適：
推薦，UFLDL：非常好的DL基礎教程，也是Andrew Ng寫的。有很詳盡的推導，有翻譯，且翻譯質量很高;推薦，Deep learning (paper)：2015年Nature上的論文，由三位深度學習界的大牛所寫，讀完全篇論文，給人高屋建瓴，一覽眾山小的感覺，強烈推薦。如果只能讀一篇論文了解深度學習，我推薦此篇。這篇論文有同名的中文翻譯;推薦，Neural networks and deep learning：這本書的作者非常擅長以淺顯的語言表達深刻的道理，雖然沒有翻譯，但是閱讀並不困難;推薦，Recurrent Neural Networks：結合一個實際案例告訴你RNN是什麼，整篇教程學完以後，會讓你對RNN如何產生作用的有很清晰的認識，而這個效果，甚至是讀幾篇相關論文所沒有的;不推薦，Neural Networks for Machine Learning University of Toronto Coursera：深度學習創始人教的課，最大的問題是太難，而且老先生的吐字有時不是很標准;不推薦，Deep Learning (book)：同樣也是由深度學習大牛所寫的書，但感覺就像是第二作者，也就是他的學生所寫的。很多內容都講了，但是感覺也沒講出什麼內容來，只是告訴你來自那篇論文，這樣的話可能直接閱讀論文更合適。不推薦，cs231n：李菲菲的課程，很有名，專門講CNN。但是這門課程有一個最大的問題，就是沒有字幕，雖然有youtube的自動翻譯字幕，但有還不如沒有。
5.繼續機器學習
深度學習未必就是未來的一定主流，至少一些大牛是這么認為的。傳統的機器學習有如下特點，知識系統化，有相對經典的書。其中統計學習(代表SVM)與集成學習(代表adaboost)是在實踐中使用非常多的技術。下面是相關資源：
推薦，機器學習(周志華)：如果是在以前，機器學習方面的經典教材首推PRML，但現在周老師的書出來以後，就不再是這樣了。首先推薦讀周老師的書。這本書有一個特點，那就是再難的道理也能用淺顯精煉的語言表達出來。正如周老師的名言：「體現你水平的地方是把難的東西講容易了，而不是把容易的東西講難，想把一個東西講難實在太簡單」;
不推薦，Pattern Recognition And Machine Learning：當前階段不推薦。PRML是以貝葉斯的觀點看待很多機器學習方法，這也是它的一大特色。但對於初學者來說，這種觀點其實並無必要。而且此書沒有中文翻譯，當前階段硬啃很容易放棄;
6.開源項目
當知識儲備較為充足時，學習可以再次轉入實踐階段。這時候的實踐仍然可以分兩步走，學習經典的開源項目或者發表高質量的論文。開源項目的學習應該以盡量以優化為目的，單純為讀代碼而學習效果往往不太好。好的開源項目都可以在Github 里搜索。這里以深度學習為例。深度學習的開源優秀庫有很多，例如torch，theano等等，這里列舉其中的兩個：
推薦，DeepLearnToolbox：較早的一個深度學習庫，用matlab語言撰寫，較為適合從剛學習的課程轉入學習。遺憾的是作者不再維護它了;
推薦，tensorflow：Google的開源庫，時至今日，已經有40000多個star，非常驚人，支持移動設備;
7.會議論文
較好的課程都會推薦你一些論文。一些著名的技術與方法往往誕生於一些重要的會議。因此，看往年的會議論文是深入學習的方法。在這時，一些論文中的內容會驅使你學習數學中你不擅長的部分。有時候你會覺得數學知識儲備不夠，因此往往需要學習一些輔助課程。
當你看完足夠的論文以後，在這個階段，如果是在校學生，可以選擇某個課題，以發論文為目的來學習研究。一般來說，論文是工作的產物。有時候一篇基於實驗的論文往往需要你寫代碼或者基於開源項目。因此開源項目的學習與會議論文的工作兩者之間是有相關的。
兩者可以同時進行學習。關於在哪裡看論文，可以看一下CCF推薦排名，了解一下這個領域里有哪些優秀的會議。
下面介紹兩個圖像與機器學習領域的著名頂級會議：
CVPR：與另兩個會議ICCV和ECCV合稱計算機視覺領域的三大會，注意會議每年的主頁是變動的，因此搜索需要加上年份;Conference on Neural Information Processing Systems：簡稱NIPS，許多重要的工作發表在這上面，例如關於CNN的一篇重要論文就是發表在上面;
8.自由學習
到這里了，可以說是進入這個門了。下面可以依據興趣來自由學習。前階段不推薦的學習資源也可隨意學習，下面是點評：
cs229：Ng寫的講義很不錯，其中關於SVM的推導部分很清晰，想學習SVM推薦;Neural Networks for Machine Learning：大牛的視角跟人就是不一樣，看看Hinton對神經網路是怎麼看的，往往會讓你有種原來如此的感悟。其實看這門課程也等同於讀論文，因為幾乎每節課的參考資料里都有論文要你讀;CS231n: Convolutional Neural Networks for Visual Recognition：最新的知識，還有詳細的作業。國內應該有團隊對字幕進行了翻譯，可以找找;PRML：作為一門經典的機器學習書籍，是很有閱讀必要的，會讓你對機器學習擁有一個其他的觀察視角;
五.總結
本文的目的是幫助對AI領域了解不深，但又想進入的同學踏入這個門。這里只說踏入，是因為這個領域的專精實在非常困難，需要數年的積累與努力。在進行領域學習前，充分認識自己的特點，制定合適的學習方法是十分重要的。
首先得對這個領域進行充分了解，培養興趣。在學習時，保持著循序漸進的學習方針，不要猛進的學習過難資源;結合著學習與實踐相輔的策略，不要只讀只看，實際動手才有成就感。學習某個資源時要有充分的目的，不是為了學開源項目而看代碼，而是為了寫開源項目而看;不是為了發論文而寫論文，而是為了做事情而寫論文。
本文來自公眾號：「大技術技術匯」，guanzhu了解大數據行業學習大數據技術和學習路線，還有免費學習資料放送。
如果一個學習資源對你過難，並不代表一定是你的問題，可能是學習資源的演講或撰寫人的問題。能把難的問題講簡單的人才是真正有水平的人。所以，一定要學習優質資源，而不是不分青紅皂白的學習。最後，牢記以興趣來學習。學習的時間很長，過程也很艱難，而只有興趣才是讓你持之以恆，攻克難關的最佳助力。
⑻ 編程有哪些方向可以選擇
首先，當前程序開發的方向還是比較多的，由於IT互聯網行業的技術迭代速度比較快，所以程序開發的細分方向也在不斷增加，當前規模比較大的開發方向包括Web開發、移動互聯網開發、物聯網開發（嵌入式）、大數據開發、雲計算開發、人工智慧開發等。Web開發和移動互聯網開發的規模比較大，對於開發人員的需求也比較多元化，既需要研發級程序員，也需要大量的應用級程序員，而物聯網、大數據等平台開發往往會匯集大量的研發級程序員。隨著各大科技公司紛紛開放自身的技術平台，未來行業領域也需要大量的程序開發人員來進行行業創新。Web開發方向也有兩個大的細分方向，一個方向是後端開發，另一個方向是前端開發，在當前雲計算平台的推動下，前後端開發的界限正在逐漸開始模糊，前端程序員也可以走全棧開發路線，而且在移動互聯網的推動下，前端開發的邊界也在不斷得到拓展，所以當前也把前端開發稱為「大前端」。
