不是程序員的人能學會人工智慧嗎

Ⅰ 人工智慧軟體好不好學習

不存在什麼好學與難學，只存在想不想學，努不努力學。分享一下學習方法，希望對你有所幫助：
1、務實基礎，學習高數和python編程語言。
因為人工智慧裡面會設計很多數據、演算法的問題，而這些演算法又是數學推導出來，所以你要理解演算法，就需要先學習一部分高數知識。
先將高等數學基礎知識學透，從基礎的數據分析、線性代數及矩陣等等入門，只有基礎有了，才會層層積累，不能沒有邏輯性的看一塊學一塊。
再就是學習python編程語言，Python具有豐富和強大的庫，作為人工智慧學習的基礎編程語言是非常適合的。
2、階段晉升，開始學習機器學習演算法+實踐演練。
掌握以上基礎以後，就要開始學習完機器學習的演算法，並通過案例實踐來加深理解和掌握。還有很多機器學習的小案例等著你來挑戰，前面掌握的好，後面當然輕松很多，步入深度學習
3、不斷挑戰，接觸深度學習。
深度學習需要機器大量的經過標注的數據來訓練模型，所以你的掌握一些數據挖掘和數據分析的技能，然後你再用來訓練模式。在這里你可能會有疑問，據說深度學習，好像有很多神經網路，看著好復雜，編輯這些神經網路那不是太難了，你大可放心，谷歌、亞馬遜、微軟等大公司已經把這些神經網路模型封裝在他們各自的框架裡面了，你只需要調用就可以了。
4、不斷實戰，曾倩自己的實力經驗。
實戰是檢驗真理的唯一標准。當你掌握了基本的技術理論，就要開始多實踐，不斷驗證自己的理論，更新自己的技術。如果有條件的話，可以從一個項目的前期數據挖掘，到中間模型訓練，並做出一個有意思的原型，能把一整套的流程跑通，那麼恭喜你，你已經具備一名人工智慧初級工程師的水準了。
學習人工智慧，推薦來北京尚學堂，優秀的師資和超前的技術知識，讓你在起跑時，快人一步！

Ⅱ 沒有編程基礎能學人工智慧嗎

0基礎需要會什麼？學編程就學唄，不會才學呢嘛。
首先學習編程是比較苦的。你要知道編程是一個很寬泛的概念，電腦編程有很多種語言形式，最底層的機器語言（因為太難已被淘汰），低級語言「匯編」（往往解決一些和硬體系統有直接關系的問題），中級語言代表「C語言」（很流行的一種較低級，基礎的，面向過程的編程語言，也是很多編程者學編程的入門語言），高級語言代表java，c++等（面向對象的編程語言）。
首先你要明白，人工智慧確實需要編程，但會編程和搞人工智慧之間有很大的差距，簡單理解盡管你是個編程高手了，那也只能算是個本科畢業的大學生，而能搞人工智慧的人可以比喻成愛因斯坦一類的偉大的科學家。所以請你學編程時不要心急。
剛開始學編程都比較傾向於學c語言，教程書店裡有很多，大部分編程初學者都會選擇譚浩強編寫的c語言教程，譚浩強的書雖然編寫的很好，但是因為他編程的意識和習慣都比較老舊，部分寫法和解釋有些不夠精確。所以你如果可以選擇一些國外最新的英文教材應該會更好。
這一行水其實很深，對初學者不能說很多，因為一時半會說不清，主要和看你自己的學習能力，很多東西是要靠自己去摸索看清的，當然如果能有一個指路人協助你會更好。祝你學業進步。

Ⅲ 0基礎可以學習人工智慧嗎

人工智慧處於高速發展的狀態， 如果想轉行或者想從事AI這個行業都是不錯的選擇，有數據顯示，2017年AI技術類工程師的招聘量是2014年的8.8倍，遠高於全部IT技術崗位的招聘量增速，而我國人工智慧人才缺口至少在100萬以上。

零基礎學習人工智慧AI完全沒有問題，26日，華為在北京舉行人工智慧工程師認證（HCNA-AI）發布會，華為與在場100多名教育界、學界頂尖專家，華為授權培訓合作夥伴智匯雲校、學生代表、媒體記者以及人工智慧技術愛好者，圍繞「學無止境 AI創未來」的主題。

向左轉|向右轉

就人工智慧技術未來發展方向和人才培養等維度，深入探討共同打造人工智慧人才生態，加速人工智慧產業發展、支持行業數字經濟轉型，共話美好智能世界。華為現在已經開始這方面的學習課程，還提供專業的AI認證，對於零基礎的學生或者正在想學習AI小夥伴是一個不錯的選擇。

但是因為人工智慧屬於新興領域，很多人並不是很了解甚至可能是零基礎。學習起來就比較吃力，學習難度也會增加。

最好選擇一個比較專業的學習機構，這樣你不僅能夠快速學習到大數據AI方面的知識，還能擁有一本專業的AI證書。

向左轉|向右轉

目前這方面的講師也如雨後春筍一樣大量出現，也造成了質量良莠不齊的情況。所以零基礎的程序員或者其他職業的小夥伴一定要擦亮雙眼。

選擇華為HALP智匯雲校，我就是從雲校獲取到的HCNA AI的證書，你們可以去解一下！

Ⅳ 零基礎的人去學人工智慧難嗎，應該從哪方面入手比較好

‍‍首先說IT。如果想搞技術，最好當然是把大學的課程過一遍。但是，我們想快速找到工作就沒那麼多時間，所以要有側重。第一要學會一門編程語言，JAVA，Python都可以。如果有餘力再學點數據結構和演算法。其他的如操作系統，網路，計算機硬體等可以穿插的了解一些，等找到工作後，根據需求再提高。一般培訓機構都是學一下編程語言，然後學習框架做項目。其他知識只是略微講一下。如果想在技術的道路上走的長遠，還是要把知識系統化的。再說一下，人工智慧。人工智慧當然需要會編程，另外需要了解數學知識和人工智慧的演算法。現在數學一般需要高數，線性代數，概率論與數理統計。不過不必太望而生畏，畢竟不是上學，需要應付考試和偏難怪的題目。人工智慧的數學主要需要了解基礎，原理。計算的事情框架來做。現在人工智慧的職位最低都是本科學歷，不知不是本科學歷的程序員轉行過來怎麼辦。‍‍

Ⅳ 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。

Ⅵ 零基礎學習人工智慧合適嗎

人工智慧處於高速發展的狀態， 如果想轉行或者想從事AI這個行業都是不錯的選擇，有數據顯示，2017年AI技術類工程師的招聘量是2014年的8.8倍，遠高於全部IT技術崗位的招聘量增速，而我國人工智慧人才缺口至少在100萬以上。

零基礎學習人工智慧AI完全沒有問題，26日，華為在北京舉行人工智慧工程師認證（HCNA-AI）發布會，華為與在場100多名教育界、學界頂尖專家，華為授權培訓合作夥伴智匯雲校、學生代表、媒體記者以及人工智慧技術愛好者，圍繞「學無止境 AI創未來」的主題。

向左轉|向右轉

目前這方面的講師也如雨後春筍一樣大量出現，也造成了質量良莠不齊的情況。所以零基礎的程序員或者其他職業的小夥伴一定要擦亮雙眼。

選擇華為HALP智匯雲校，我就是從雲校獲取到的HCNA AI的證書，你們可以去解一下！

Ⅶ 我大學自學了JAVA，想深度學習人工智慧可以嗎能學會嗎。

這個問題很好，很有創意，也很符合現在科技的發展。
java是現在最火的編程語言之一。java開發人員每年都有很多新人進入這一行業。並且也是高薪的一類人群。但是伴隨AI技術的不斷發展和普及，人工智慧已經從各個方面都走進了我們的生活中，例如智能家居已經很普遍了。科研方面，智能機器人的研發希望可以服務於需要我們人類生活的其他方面。
這里就開始說人工智慧需不需要學習java。個人認為需要學習java，但是代替不了人類程序員。就目前的人工智慧學習的狀態來看，如果人工智慧學java，根據不同的需求需要編相應的程序，未知的bug就有很大概率出現，在修復bug的情況下，還需要人類幫忙讓它學習改bug的過程。這樣是很長的一段路，但也肯定避免不了bug的出現。

Ⅷ 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。

Ⅸ 既然Python語言是做人工智慧的，那麼一般人，到底能不能做人工智慧

要創造人工智慧的不是一般人，一般人使用人工智慧是可以的