不是程序员的人能学会人工智能吗

Ⅰ 人工智能软件好不好学习

不存在什么好学与难学，只存在想不想学，努不努力学。分享一下学习方法，希望对你有所帮助：
1、务实基础，学习高数和python编程语言。
因为人工智能里面会设计很多数据、算法的问题，而这些算法又是数学推导出来，所以你要理解算法，就需要先学习一部分高数知识。
先将高等数学基础知识学透，从基础的数据分析、线性代数及矩阵等等入门，只有基础有了，才会层层积累，不能没有逻辑性的看一块学一块。
再就是学习python编程语言，Python具有丰富和强大的库，作为人工智能学习的基础编程语言是非常适合的。
2、阶段晋升，开始学习机器学习算法+实践演练。
掌握以上基础以后，就要开始学习完机器学习的算法，并通过案例实践来加深理解和掌握。还有很多机器学习的小案例等着你来挑战，前面掌握的好，后面当然轻松很多，步入深度学习
3、不断挑战，接触深度学习。
深度学习需要机器大量的经过标注的数据来训练模型，所以你的掌握一些数据挖掘和数据分析的技能，然后你再用来训练模式。在这里你可能会有疑问，据说深度学习，好像有很多神经网络，看着好复杂，编辑这些神经网络那不是太难了，你大可放心，谷歌、亚马逊、微软等大公司已经把这些神经网络模型封装在他们各自的框架里面了，你只需要调用就可以了。
4、不断实战，曾倩自己的实力经验。
实战是检验真理的唯一标准。当你掌握了基本的技术理论，就要开始多实践，不断验证自己的理论，更新自己的技术。如果有条件的话，可以从一个项目的前期数据挖掘，到中间模型训练，并做出一个有意思的原型，能把一整套的流程跑通，那么恭喜你，你已经具备一名人工智能初级工程师的水准了。
学习人工智能，推荐来北京尚学堂，优秀的师资和超前的技术知识，让你在起跑时，快人一步！

Ⅱ 没有编程基础能学人工智能吗

0基础需要会什么？学编程就学呗，不会才学呢嘛。
首先学习编程是比较苦的。你要知道编程是一个很宽泛的概念，电脑编程有很多种语言形式，最底层的机器语言（因为太难已被淘汰），低级语言“汇编”（往往解决一些和硬件系统有直接关系的问题），中级语言代表“C语言”（很流行的一种较低级，基础的，面向过程的编程语言，也是很多编程者学编程的入门语言），高级语言代表java，c++等（面向对象的编程语言）。
首先你要明白，人工智能确实需要编程，但会编程和搞人工智能之间有很大的差距，简单理解尽管你是个编程高手了，那也只能算是个本科毕业的大学生，而能搞人工智能的人可以比喻成爱因斯坦一类的伟大的科学家。所以请你学编程时不要心急。
刚开始学编程都比较倾向于学c语言，教程书店里有很多，大部分编程初学者都会选择谭浩强编写的c语言教程，谭浩强的书虽然编写的很好，但是因为他编程的意识和习惯都比较老旧，部分写法和解释有些不够精确。所以你如果可以选择一些国外最新的英文教材应该会更好。
这一行水其实很深，对初学者不能说很多，因为一时半会说不清，主要和看你自己的学习能力，很多东西是要靠自己去摸索看清的，当然如果能有一个指路人协助你会更好。祝你学业进步。

Ⅲ 0基础可以学习人工智能吗

人工智能处于高速发展的状态， 如果想转行或者想从事AI这个行业都是不错的选择，有数据显示，2017年AI技术类工程师的招聘量是2014年的8.8倍，远高于全部IT技术岗位的招聘量增速，而我国人工智能人才缺口至少在100万以上。

零基础学习人工智能AI完全没有问题，26日，华为在北京举行人工智能工程师认证（HCNA-AI）发布会，华为与在场100多名教育界、学界顶尖专家，华为授权培训合作伙伴智汇云校、学生代表、媒体记者以及人工智能技术爱好者，围绕“学无止境 AI创未来”的主题。

向左转|向右转

就人工智能技术未来发展方向和人才培养等维度，深入探讨共同打造人工智能人才生态，加速人工智能产业发展、支持行业数字经济转型，共话美好智能世界。华为现在已经开始这方面的学习课程，还提供专业的AI认证，对于零基础的学生或者正在想学习AI小伙伴是一个不错的选择。

但是因为人工智能属于新兴领域，很多人并不是很了解甚至可能是零基础。学习起来就比较吃力，学习难度也会增加。

最好选择一个比较专业的学习机构，这样你不仅能够快速学习到大数据AI方面的知识，还能拥有一本专业的AI证书。

向左转|向右转

目前这方面的讲师也如雨后春笋一样大量出现，也造成了质量良莠不齐的情况。所以零基础的程序员或者其他职业的小伙伴一定要擦亮双眼。

选择华为HALP智汇云校，我就是从云校获取到的HCNA AI的证书，你们可以去解一下！

Ⅳ 零基础的人去学人工智能难吗，应该从哪方面入手比较好

‍‍首先说IT。如果想搞技术，最好当然是把大学的课程过一遍。但是，我们想快速找到工作就没那么多时间，所以要有侧重。第一要学会一门编程语言，JAVA，Python都可以。如果有余力再学点数据结构和算法。其他的如操作系统，网络，计算机硬件等可以穿插的了解一些，等找到工作后，根据需求再提高。一般培训机构都是学一下编程语言，然后学习框架做项目。其他知识只是略微讲一下。如果想在技术的道路上走的长远，还是要把知识系统化的。再说一下，人工智能。人工智能当然需要会编程，另外需要了解数学知识和人工智能的算法。现在数学一般需要高数，线性代数，概率论与数理统计。不过不必太望而生畏，毕竟不是上学，需要应付考试和偏难怪的题目。人工智能的数学主要需要了解基础，原理。计算的事情框架来做。现在人工智能的职位最低都是本科学历，不知不是本科学历的程序员转行过来怎么办。‍‍

Ⅳ 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。

Ⅵ 零基础学习人工智能合适吗

人工智能处于高速发展的状态， 如果想转行或者想从事AI这个行业都是不错的选择，有数据显示，2017年AI技术类工程师的招聘量是2014年的8.8倍，远高于全部IT技术岗位的招聘量增速，而我国人工智能人才缺口至少在100万以上。

零基础学习人工智能AI完全没有问题，26日，华为在北京举行人工智能工程师认证（HCNA-AI）发布会，华为与在场100多名教育界、学界顶尖专家，华为授权培训合作伙伴智汇云校、学生代表、媒体记者以及人工智能技术爱好者，围绕“学无止境 AI创未来”的主题。

向左转|向右转

目前这方面的讲师也如雨后春笋一样大量出现，也造成了质量良莠不齐的情况。所以零基础的程序员或者其他职业的小伙伴一定要擦亮双眼。

选择华为HALP智汇云校，我就是从云校获取到的HCNA AI的证书，你们可以去解一下！

Ⅶ 我大学自学了JAVA，想深度学习人工智能可以吗能学会吗。

这个问题很好，很有创意，也很符合现在科技的发展。
java是现在最火的编程语言之一。java开发人员每年都有很多新人进入这一行业。并且也是高薪的一类人群。但是伴随AI技术的不断发展和普及，人工智能已经从各个方面都走进了我们的生活中，例如智能家居已经很普遍了。科研方面，智能机器人的研发希望可以服务于需要我们人类生活的其他方面。
这里就开始说人工智能需不需要学习java。个人认为需要学习java，但是代替不了人类程序员。就目前的人工智能学习的状态来看，如果人工智能学java，根据不同的需求需要编相应的程序，未知的bug就有很大概率出现，在修复bug的情况下，还需要人类帮忙让它学习改bug的过程。这样是很长的一段路，但也肯定避免不了bug的出现。

Ⅷ 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。

Ⅸ 既然Python语言是做人工智能的，那么一般人，到底能不能做人工智能

要创造人工智能的不是一般人，一般人使用人工智能是可以的