程序员如何找人工方向

⑴ 程序员如何在35岁瓶颈期的时候，找到自己的方向

1程序员的困惑

程序员是一个神奇的职业。日复一日面对着电脑，一行一行地码着代码，给人的印象是呆头呆脑，不善于交流和沟通，加班是经常的事，仿佛永远都有干不完的活，身心都很疲惫。但事实上呢？

大多数程序员，他们热爱编程， 对很多技术充满兴趣， 总是希望学习并尝试新奇的技术， 在业余也花了很多时间学习工作中暂时用不到，但是自己很感兴趣并且很看好的技术，从进入到第一家软件公司，后来一直没有离开软件行业。

⑵ 程序员可以如何选择发展方向

绝大多数程序员最终的职业目标可能都是CTO，做到CEO的人估计会比较少，也有一少部分人自己去创业去当老板，也有部分人说我转行去做业务 了，对于当老板的人毕竟是少数，对于转行的人来说，都不在这行做了，自然没什么好说的了。一般来说，程序员的发展基本上都会经历这么几条路径。程序员-系 统分析员-架构师-技术经理-CTO，程序员-项目组长-项目经理-项目总监-CTO，程序员-产品设计师-产品经理-CTO.
当然这只是一个大致的路径，不是所有程序员都必需要这么经历的，有些人可能跳过其中的一些步骤，也可能有些人会把中间的很多职位都做了。而最终做到 CTO的程序员，也是非常少的一部分，原因很简单，这个世界上不许要那么多的CTO和CXO.
也就是说，许多的程序员最终可能是做技术经理、项目经理或者项目总监之类的，那么到底我们职业生涯要选择哪一种呢？我觉得这个问题没有一个统一的答 案，因为每个人的性格不一样，际遇也不一样，就像你从小希望当贪官，可是命运却偏偏让你做了一个程序员。所以应该根据你的兴趣、性格与际遇选择一条道路， 比如说你正好有机会带一个项目，而你又不是很讨厌项目经理这个位置，那么你就可以选择向项目经理方向发展。
实际上很多时候，国内并没有明确的技术经理、项目经理、产品经理之分，在许多的公司里，他们经常是由一个人承担。在外包公司里，通常会有项目经理和 系统分析员（也可能是技术经理）。在一些非IT公司里，可能会有部门经理，而做自己产品的公司可能会分得比较详细一些。我大致说一下这三个职位的区别，让 正在徘徊的程序员有一个大致的了解。
项目经理是项目的直接负责人，这个角色相当于一个中间接口，不管是团队成员还是需求方（客户），或者是上级领导，有事都直接找他，所以这个职位着重 于管理与沟通。一般来说，项目经理的工作重点在同客户沟通需求、项目进度的把控、团队的沟通方面，有些公司也会需要项目经理承担团队建设的工作，不过貌似 很多国内公司都忽略了团队建设这个工作了。对于项目经理来说，重点会要求沟通能力、协调能力、危机把控能力、执行力、团队管理能力，着重于沟通、管理与计 划。当然也有些公司还要求项目经历要参与招标谈判，这就要求项目经理有一定的商务谈判能力。
技术经理有时候也可能叫系统分析员，一些小公司可能会整个公司或者部门有一个技术经理。技术经理承担的角色主要是系统分析、架构搭建、系统构建、代 码走查等工作，如果说项目经理是总统，那么技术经理就是总理。当然不是所有公司都是这样的，有些公司项目经理是不管技术团队的，只做需求、进度和同客户沟 通，那么这个时候的项目经理就好像工厂里的跟单人员了，这种情况在外包公司比较多。对于技术经理来说，着重于技术方面，你需要知道某种功能用哪些技术合 适，需要知道某项功能需要多长的开发时间等。同时，技术经理也应该承担提高团队整体技术水平的工作。
产品经理这个职位一般在有自己产品（不管是软件还是网站产品）的公司比较常见，产品经理主要会负责产品的设计、产品的改良等工作。需要注意的是，产 品设计与设计师是两个不一样的工作，产品设计主要会从用户体验、业务需要等层面去设计产品，而设计师更多是从用户的视觉上去做。产品经理应该是最懂业务的 人，比如说你在设计一个微博的产品，就要求你对微博这个东西非常熟悉，从用户习惯、用户体验、公司的发展战略上去设计这个产品，还要对比同类产品会有什么 优势等等。
不管是项目经理还是技术经理与产品经理，都要求要熟悉业务，业务是需求的来源，没有不谈业务的技术，所以不管你从哪个方向发展，都要求对业务熟悉。 产品经理要求对业务最熟悉，项目经理次之，技术经理排最后。对于程序员来说，刚开始工作的前几年可以埋头扎到技术里面，一般这个时间在2-3年的时间，然 后就应该多关注业务了。这个业务不一定是指某个具体的业务，因为具体的业务的范围太少，而且也需要机遇。
我见过许多的程序员，他们是做Web开发的，但对互联网很不熟悉，对于互联网流行的趋势基本上不闻不问。不知道现在大家都在使用微博，也不知道SNS，也 可能从不使用网银。我觉得这样很不好，程序员应该多多去关注互联网的发展，多多去玩一些新的网站。

⑶ 普通程序员如何向人工智能靠拢

首先了解这个领域，建立起全面的视野，培养起充足的兴趣，然后开始学习机器学习的基础，这里选择一门由浅入深的课程来学习，课程最好有足够的实验能够进行实战。基础打下后，对机器学习已经有了充足的了解，可以用机器学习来解决一个实际的问题。这时还是可以把机器学习方法当作一个黑盒子来处理的。实战经验积累以后，可以考虑继续进行学习。这时候有两个选择，深度学习或者继续机器学习。深度学习是目前最火热的机器学习方向，其中一些方法已经跟传统的机器学习不太一样，因此可以单独学习。除了深度学习以外，机器学习还包括统计学习，集成学习等实用方法。如果条件足够，可以同时学习两者，一些规律对两者是共通的。学习完后，你已经具备了较强的知识储备，可以进入较难的实战。这时候有两个选择，工业界的可以选择看开源项目，以改代码为目的来读代码；学术界的可以看特定领域的论文，为解决问题而想发论文。无论哪者，都需要知识过硬，以及较强的编码能力，因此很能考察和锻炼水平。经过这个阶段以后，可以说是踏入AI领域的门了。“师傅领进门，修行在个人”。之后的路就要自己走了。

⑷ 打算当程序员，上大学学什么专业

1、网络空间安全方向

所选专业：网络空间安全专业

网络空间是与陆、海、空、天并列的第五大主权空间，网络空间安全已经成为全球性的挑战。本专业是研究网络空间中的安全威胁和防护问题，为实施国家安全战略，加快网络空间安全高层次人才培养设立。国家相当重视并大力扶持此专业的发展。

就业职位：有Web安全工程师、渗透测试工程师、安全测评工程师、安全架构师、战略规划、安全运维工程师、技术支持、安全信息法律相关从业人员等。

2、云计算方向

所选专业：软件工程专业、计算机科学与技术推荐高校：北京航空航天大学、北京大学、清华大学、国防科技大学、哈尔滨工业大学、上海交通大学、华中科技大学、电子科技大学等

⑸ 程序员如何选择自己的职业方向

作为一名程序员，在选择自身的发展方向时一定要和企业的发展方向相吻合，程序员是一个偏向于技术的岗位，如果希望在技术上快速提升，除了学习更多的需要去实践，只有将技术应用到实际场景中才能发挥它的价值，通过企业提供的平台，将学习的知识应用到实际环境中，做到学以致用，才能不断提升自身的技术能力。将个人的发展和公司平台相结合，同步同调、同频共振才能相互促进，通过个人能力的提升来壮大平台，同时通过平台的提升促进自身的快速发展。
在中国当前的软件行业发展来看很少有纯技术的程序员，软件行业本质也是服务行业，必须跟业务行业相结合才能价值外显。软件行业也是一个快速发展的行业，新技术、新工具、新模式层出不穷，需要不断的学习和掌握，如果不是真正热爱很难坚持深入学习、长年奋战在技术一线。随着年龄的增大、家庭的牵绊，绝大部分程序员的精力是很难和年轻人相比的，所以大部分程序员都会向其他方向发展，如：产品经理、技术总监、售前咨询、运营管理等，一般情况下前两者比较多，因为二者偏向于技术，转型比较容易；售前咨询对业务能力、行业理解的要求较高；运营管理则强调更长的企业资历、更好的协作能力等。无论哪一个发展方向，都是需要不断学习、不断积累的，只有掌握一套好的学习方法和工作方法，快速提升自身能力，才能走的更高、更远。

⑹ 如何从普通程序员向人工智能靠拢实践

.
针【类】问题选择KNN算、决策树、朴素贝叶斯、支持向量机、逻辑斯蒂归；针【聚类】使用K-mean算；针【归】问题选决策树、朴素贝叶斯、支持向量机（我没写错决策树、朴素贝叶斯、支持向量机既类归）值提逻辑斯蒂归虽归命名却能用于类

⑺ 普通程序员如何向人工智能方向转型

当下，人工智能已经成为越来越火的一个方向。普通程序员，如何转向人工智能方向，是知乎上的一个问题。

这个学习路线是这样设计的：首先了解这个领域，建立起全面的视野，培养起充足的兴趣，然后开始学习机器学习的基础，这里选择一门由浅入深的课程来学习，课程最好有足够的实验能够进行实战。基础打下后，对机器学习已经有了充足的了解，可以用机器学习来解决一个实际的问题。

这时还是可以把机器学习方法当作一个黑盒子来处理的。实战经验积累以后，可以考虑继续进行学习。这时候有两个选择，深度学习或者继续机器学习。深度学习是目前最火热的机器学习方向，其中一些方法已经跟传统的机器学习不太一样，因此可以单独学习。除了深度学习以外，机器学习还包括统计学习，集成学习等实用方法。

如果条件足够，可以同时学习两者，一些规律对两者是共通的。学习完后，你已经具备了较强的知识储备，可以进入较难的实战。这时候有两个选择，工业界的可以选择看开源项目，以改代码为目的来读代码;学术界的可以看特定领域的论文，为解决问题而想发论文。

无论哪者，都需要知识过硬，以及较强的编码能力，因此很能考察和锻炼水平。经过这个阶段以后，可以说是踏入AI领域的门了。“师傅领进门，修行在个人”。之后的路就要自己走了。

下面是关于每个阶段的具体介绍：

0.领域了解

在学习任何一门知识之前，首先第一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，兴趣是最好的引路人，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，可以看我写的博客从机器学习谈起。

1.知识准备

如果你离校过久，或者觉得基础不牢，最好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。不是说网络查的不能看，而是很多情况下Google搜出来的资料比网络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;

2.机器学习

机器学习的第一门课程首推Andrew Ng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，非常适合第一次学习的人。cs229这门课程我这里不推荐，为什么，原因有以下：

时间：cs229的时间太早，一些知识已经跟不上当今的发展，目前最为火热的神经网络一笔带过。而Cousera上神经网络可是用了两个课时去讲的!而且非常详细;教学：Ng在cs229时候的教学稍显青涩，可能是面对网络教学的原因。有很多问题其实他都没有讲清楚，而且下面的人的提问其实也很烦躁，你往往不关心那些人的问题。这点在Coursera上就明显得到了改善，你会发现Ng的教学水平大幅度改善了，他会对你循循善诱，推心置腹，由浅入深的教学，在碰到你不明白的单词术语时也会叫你不要担心，更重要的，推导与图表不要太完善，非常细致清晰，这点真是强力推荐;字幕：cs229的字幕质量比Coursera上的差了一截。Coursera上中文字幕翻译经过了多人把关，质量很有保证;作业：cs229没有作业，虽然你可以做一些，但不会有人看。这点远不如Coursera上每周有deadline的那种作业，而且每期作业提交上去都有打分。更重要的是，每期作业都有实际的例子，让你手把手练习，而且能看到自己的成果，成就感满满!

3.实践做项目

学习完了基础课程，你对机器学习就有了初步了解。现在使用它们是没有问题的，你可以把机器学习算法当作黑盒子，放进去数据，就会有结果。在实战中你更需要去关心如何获取数据，以及怎么调参等。如果有时间，自己动手做一个简单的实践项目是最好的。

这里需要选择一个应用方向，是图像(计算机视觉)，音频(语音识别)，还是文本(自然语言处理)。这里推荐选择图像领域，这里面的开源项目较多，入门也较简单，可以使用OpenCV做开发，里面已经实现好了神经网络，SVM等机器学习算法。项目做好后，可以开源到到 Github 上面，然后不断完善它。实战项目做完后，你可以继续进一步深入学习，这时候有两个选择，深度学习和继续机器学习;

4.深度学习

深度学习：深度学习是目前最火热的研究方向。有以下特点：知识更新快，较为零碎，没有系统讲解的书。因此学习的资源也相对零散，下面是一些资源介绍。其中不推荐的部分并不代表不好，而是在这个初学阶段不合适：

推荐，UFLDL：非常好的DL基础教程，也是Andrew Ng写的。有很详尽的推导，有翻译，且翻译质量很高;推荐，Deep learning (paper)：2015年Nature上的论文，由三位深度学习界的大牛所写，读完全篇论文，给人高屋建瓴，一览众山小的感觉，强烈推荐。如果只能读一篇论文了解深度学习，我推荐此篇。这篇论文有同名的中文翻译;推荐，Neural networks and deep learning：这本书的作者非常擅长以浅显的语言表达深刻的道理，虽然没有翻译，但是阅读并不困难;推荐，Recurrent Neural Networks：结合一个实际案例告诉你RNN是什么，整篇教程学完以后，会让你对RNN如何产生作用的有很清晰的认识，而这个效果，甚至是读几篇相关论文所没有的;不推荐，Neural Networks for Machine Learning University of Toronto Coursera：深度学习创始人教的课，最大的问题是太难，而且老先生的吐字有时不是很标准;不推荐，Deep Learning (book)：同样也是由深度学习大牛所写的书，但感觉就像是第二作者，也就是他的学生所写的。很多内容都讲了，但是感觉也没讲出什么内容来，只是告诉你来自那篇论文，这样的话可能直接阅读论文更合适。不推荐，cs231n：李菲菲的课程，很有名，专门讲CNN。但是这门课程有一个最大的问题，就是没有字幕，虽然有youtube的自动翻译字幕，但有还不如没有。

5.继续机器学习

深度学习未必就是未来的一定主流，至少一些大牛是这么认为的。传统的机器学习有如下特点，知识系统化，有相对经典的书。其中统计学习(代表SVM)与集成学习(代表adaboost)是在实践中使用非常多的技术。下面是相关资源：

推荐，机器学习(周志华)：如果是在以前，机器学习方面的经典教材首推PRML，但现在周老师的书出来以后，就不再是这样了。首先推荐读周老师的书。这本书有一个特点，那就是再难的道理也能用浅显精炼的语言表达出来。正如周老师的名言：“体现你水平的地方是把难的东西讲容易了，而不是把容易的东西讲难，想把一个东西讲难实在太简单”;

不推荐，Pattern Recognition And Machine Learning：当前阶段不推荐。PRML是以贝叶斯的观点看待很多机器学习方法，这也是它的一大特色。但对于初学者来说，这种观点其实并无必要。而且此书没有中文翻译，当前阶段硬啃很容易放弃;

6.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。深度学习的开源优秀库有很多，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40000多个star，非常惊人，支持移动设备;

7.会议论文

较好的课程都会推荐你一些论文。一些着名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优秀的会议。

下面介绍两个图像与机器学习领域的着名顶级会议：

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;Conference on Neural Information Processing Systems：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;

8.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：

cs229：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;Neural Networks for Machine Learning：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;CS231n: Convolutional Neural Networks for Visual Recognition：最新的知识，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。

本文来自公众号：“大技术技术汇”，guanzhu了解大数据行业学习大数据技术和学习路线，还有免费学习资料放送。

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。最后，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，攻克难关的最佳助力。

⑻ 编程有哪些方向可以选择

首先，当前程序开发的方向还是比较多的，由于IT互联网行业的技术迭代速度比较快，所以程序开发的细分方向也在不断增加，当前规模比较大的开发方向包括Web开发、移动互联网开发、物联网开发（嵌入式）、大数据开发、云计算开发、人工智能开发等。Web开发和移动互联网开发的规模比较大，对于开发人员的需求也比较多元化，既需要研发级程序员，也需要大量的应用级程序员，而物联网、大数据等平台开发往往会汇集大量的研发级程序员。随着各大科技公司纷纷开放自身的技术平台，未来行业领域也需要大量的程序开发人员来进行行业创新。Web开发方向也有两个大的细分方向，一个方向是后端开发，另一个方向是前端开发，在当前云计算平台的推动下，前后端开发的界限正在逐渐开始模糊，前端程序员也可以走全栈开发路线，而且在移动互联网的推动下，前端开发的边界也在不断得到拓展，所以当前也把前端开发称为“大前端”。