点击上方关注 “终端研发部”

设为“星标”，和你一起掌握更多数据库知识

从最近最火的chatGpt来看，AI时长不但没有低迷下去，而且还越来越好了！去年毕业的一个朋友，硕士毕业，目前在字节做机器学习工程师，负责开发和实施机器学习算法，建立模型并进行数据分析和预测，月薪达到45K，现在日子过的是麻麻香！

AI在人们生活中的表现

人工智能研究的范畴包含自然语言处理、机器算法学习、神经网络、模式识别、智能搜索。应用的领域包含机器翻译、语言和图像理解、自动程序设计、专家系统等。

随着AI不断取得进步，它将会渗透到我们生活的每个领域。目前AI还是在发展初期，就已经深入到了人们生活的方方面面，比如在网络安全方面人工智能在网络安全中的应用前景，将确保限制黑客引发网络犯罪。

此外，人工只能在信用卡欺诈检测、安全数据的处理、智能预警、自动驾驶汽车等方面已经起到了很大的作用

AI目前的就业情况

毕竟现在的AI的热门行业非常多，不要是未来，就是现在在招聘网上我们可以看到很多的人AI职位，比如自然语言处理工程师，计算机视觉工程师，机器人工程师，数据分析师，智能系统架构师等等

我们可以看一则招聘：

• 熟悉 Diffusion模型，GAN模型，Transformer模型

• 熟悉AI行业会议，具备理解论文并将论文算法实现的能力，有CV相关经历

• 熟悉python语言和pytorch框架，熟悉tensorflow，pytorch，熟悉修改深度学习模型架构

• 英文能力优秀，阅读实现英文原文期刊，有海外背景优先

• 具备良好的沟通能力、团队协作精神

• 有视频，3D领域经验者优先

【工作内容】

1、研究开发改进AIGC算法
2、进行数据收集，数据处理，训练模型
3、对现有模型进行优化，调整，以适应业务需求
4、与其他数据科学家、工程师和产品经理一起设计，开发产品

所以AI的行情还是有的，同样要求也是不低！所以你要找对方法去学习，毕竟随着AI技术的发展，作为程序员需要不断学习和更新自己的技能，才能适应AI带来的多变性岗位！

人工智能的就业要求

编程语言要如Python、C++和Java，对于数据的收集、清洗、分析和可视化，数学和统计学：要求熟悉AI的各种工具和框架，如TensorFlow、PyTorch、Scikit-Learn,毕竟在某些特定领域的知识，例如医疗保健、金融、自然语言处理等

如何学习AI

如何学习AI，当然离不开这 脑图

具体怎么学习呢，下面根据我的经验，可以分为一下7个阶段

1、打好数学基础

首先要具备一定的数学知识，学基础包含：线性代数、微积分、概率统计和信息论等内容。从大学到现在，课堂上学的和自学的数学其实不算少了，可是在研究的过程中总是发现需要补充新的数学知识，如Learning、Vision等都是很多种数学的交汇场。可见数学在AI技能进阶之路上有着极其重要的地位!

2、概率论与数理统计

人工智能中很多算法涉及到概率论与数理统计中的内容，比如最大似然估计Q，高斯分布
这里需要看概率分布(正态分布、均匀分布、伯努利分布)、抽样分布(t 分布、卡方分布%)、统计量(均值、方差、置信区间)、假设检验°等。

3、技术基础

计算机原理、程序设计语言，以及算法基础以及对应领域知识（图像、语音，NLP）。比如Python还支持TensorFlow、PyTorch以及Keras等高人气机器学习与深度学习实现框架。

4、机器学习、深度学习等算法

机器学习算法里面要学的包括机器学习中的逻辑回归、决策树模型、集成算法、聚类算法和深度学习中的深层神经网络（DNN）、卷积神经网络（CNN）、循环神经网络（RNN），这是我们在算法方面要学习的。
学习常用的机器学习算法: 学习常用的机器学习算法，包括决策树、支持向量机、随机森林、朴素贝叶斯、k-最近邻算法等等。

5、大数据应用

大数据(big data)，或称巨量资料，指的是所涉及的资料量规模巨大到无法透过主流软件工具，在合理时间内达到撷取、管理、处理、并整理成为帮助企业经营决策更积极目的的资讯。

6、熟悉机器学习工具库

比如cikit-Learn、Statsmodels、PyMC、Shogun、Gensim、Orange、PyMVPA、Theano、比如， AutoML具有三个主要优点：
它通过自动化最重复的任务来提高效率。这使数据科学家可以将更多的时间投入到问题上，而不是模型上。自动化的ML管道还有助于避免由手工作业引起的潜在错误。

AutoML是朝着机器学习民主化迈出的一大步，它使每个人都可以使用ML功能。

7、关于学习AI的基本必学书籍

购买书籍，AI的书籍有偏理论的，比如《深度学习》、《统计学方法》，比较适合学理论知识，如果是初学者，学起来非常艰难，很难坚持下来。
《人工智能：一种现代的方法（第4版）》

本书全面、深入地探讨了人工智能（AI）领域的理论和实践，以统一的风格将当今流行的人工智能思想和术语融合到引起广泛关注的应用中，真正做到理论和实践相结合。

《TensorFlow机器学习项目实战》

全书共10章，分别介绍了TensorFlow基础知识、聚类、线性回归、逻辑回归、不同的神经网络、规模化运行模型以及库的应用技巧。

《Python机器学习实践指南》

结合了机器学习和Python 语言两个热门的领域，通过利用两种核心的机器学习算法来用Python 做数据分析。

本书适合Python 程序员、数据分析人员、对算法感兴趣的读者、机器学习领域的从业人员及科研人员阅读。

此外还有《机器学习Web应用》  、《实用机器学习》 、《OpenCV和Visual Studio图像识别应用开发》 、《人脸识别原理及算法——动态人脸识别系统研究》  、《精通Python自然语言处理》  、《Python自然语言处理》 《概率编程实战》 、《自己动手写神经网络》

不过个人感觉光看书还是远远不够的，还要了解一些最主流的AI技术栈，比如近最火的就是AGI了，里面也用到了AI等机器学习的大量算法。

个人的建议

虽然AI离爆发点有些时间，但是部分领域已经早早地应用到人们的生活中了，例如基于深度神经网络的图像识别，人脸识别和医学影像识别，早就跳脱了理论探索阶段，达到商业落地的程度了。

况且还有上面优秀的资源去学习，如果想在人工领域有所竞争力，前沿的知识还是需要具备的～比如目前的深度学习，无论通过哪个领域去学习，一定要多去实践，

所以学习AI，不光要不断地去学习，还要讲究效率，这样才能在这个行业更加长久！

回复 【idea激活】即可获得idea的激活方式

回复 【Java】获取java相关的视频教程和资料

回复 【SpringCloud】获取SpringCloud相关多的学习资料

回复 【python】获取全套0基础Python知识手册

回复 【2020】获取2020java相关面试题教程

回复 【加群】即可加入终端研发部相关的技术交流群

用 Spring 的 BeanUtils 前，建议你先了解这几个坑！

lazy-mock ，一个生成后端模拟数据的懒人工具

在华为鸿蒙 OS 上尝鲜，我的第一个“hello world”，起飞！

字节跳动一面：i++ 是线程安全的吗？

一条 SQL 引发的事故，同事直接被开除！！

太扎心！排查阿里云 ECS 的 CPU 居然达100%

一款vue编写的功能强大的swagger-ui，有点秀（附开源地址）

相信自己，没有做不到的，只有想不到的

在这里获得的不仅仅是技术！

喜欢就给个“在看”