全文共4039字，預計學習時長12分鐘
問：零基礎，如何讓人工智慧和機器學習更簡單，更容易上手呢？
秘訣就是找一家咖啡廳，要有美味的咖啡和充足的自然光。這樣學習就變得簡單啦。
小芯的朋友曾在Apple Store工作，但他想換一種生活，於是開始學習自己平時提供服務的這項技術——機器學習和人工智慧。
但初學者有太多事情要做了，太多太多。
每周，Google或Facebook似乎都會推出一種新的人工智慧服務以更好地提升用戶體驗。
他這裡就不再說無人駕駛汽車了。它固然很好，不過他不喜歡開車，另一個覺得在路上也不安全。
儘管人工智慧行業已經發展得熱火朝天，但目前人們對於它的定義仍沒有達成一致。
有人認為可以將深度學習視為人工智慧，也有人認為，除非它通過圖靈測試，否則就不能算是人工智慧。
這在一開始就阻礙了他的學習，因為要學會有多種不同定義的東西真的很難。
真是受夠了這麼多定義。
如何入手？
小芯的朋友準備一起創建一家網絡公司，不過後來因懷疑其意義而中途放棄了。但在此過程中，他開始聽到越來越多有關機器學習和人工智慧的消息。
「電腦在為你學習？」真不敢相信。
偶然得知了Udacity的深度學習微學位。一個名叫Siraj Raval的角色出現在宣傳視頻中，這個人物形象十分有趣，宣傳也極富有感染力。因此，儘管沒有達到基本要求（他從未編寫過Python），但還是註冊了。
開課三周前，他給Udacity發郵件詢問其退款政策。因為害怕完成不了這個課程。
事實是，他沒有收到退款，因為在指定時間內完成了課程。這個課程有時真的很難，前兩個項目作業就遲交了四天，但參與到使用這項世界重要技術中所帶來的興奮驅使著他一直向前。
獲得深度學習微學位後，他就可以繼續攻讀Udacity的人工智慧微學位、自動駕駛汽車微學位或機器人微學位。這些都不失為很好的選擇。
不過他再次陷入迷茫。
經典問題——「下一步要做什麼？」
需要一個課程表。他已經通過深度學習微學位打了基礎，現在該想好下一步要幹什麼了。
自創人工智慧碩士學位
近期他不打算回到大學上學，也沒有10萬美元去攻讀碩士學位。
所以做了他一開始做的事——在網上尋找答案。
小芯的朋友在對深入學習領域一無所知的情況下就進入該領域了。相比逐漸攀登至人工智慧的頂峰，他的經歷更像是被直升機直接扔到了山頂。
在研究了一系列課程之後，他列出了在Trello上最感興趣的一些課程。
Trello是他的私人助理，也是課程協調員。
他知道網上課程的輟學率很高，而他不想成為其中之一，於是給自己定了個目標。
為了讓自己負起責任，他開始在網上分享學習歷程。這樣可以在網上交流所學的東西，同時尋找志同道合的人。就在分享他的人工智慧學習經歷時，身邊的朋友仍認為他是個異類。
他的Trello課程公開了，同時也寫了一篇關於他學習的博文。
相比第一次發博，現在的課程稍有些變化，但仍與之前相關。每周他都會多次訪問Trello課程來追蹤學習進程。
找工作
他是澳大利亞人，但所有事物都源於美國。
所以他做了一件最合乎邏輯的事情：買了一張單程票。是時候將所學技能付諸實踐了。
他的計劃是在美求職並得到錄用。
隨後，Ashlee 在LinkedIn上給他發了一條信息：「嘿，我看到了你的帖子，太酷了，我想你應該見見Mike。」
於是，他去見了Mike。
向Mike講了網上學習的經歷以及求學過程，同時也將去美國的計劃告訴了他。
「你可以先在這裡呆上一年看看能學到些什麼，我想你可以見見Cameron。」
於是，他又去見了Cameron。
聊的話題和與Mike的類似，都是有關健康、科技、在線學習以及美國。
「我們正在研究一些健康問題，不如周四來聽聽呢？」
周四到了，他十分緊張。但有人曾經告訴他緊張和興奮是一樣的，他又突然開始興奮起來。
他花了一天時間和Max Kelsen的團隊見了面，討論他們正待解決的問題。
兩星期後，和執行長Nick、首席機器學習工程師Athon一起喝咖啡時，Nick問：「你想不想加入我們？」。
「當然，」小芯的朋友答道。
他把去美國的航班推遲了幾個月，並且買了一張回澳的票。
分享學習生活
網上學習並不是傳統的學習方式。朋友申請的所有職位都有碩士學位要求，或者至少也要求某種技術學位。
而他什麼學位也沒有。但確實從大量在線課程中學到了一些技能。
求學的路上，他一直在網上分享學習歷程。他的GitHub中包含了曾經做過的所有項目，LinkedIn中也包含了許多，還跟他人交流了他在YouTube和Medium上文章所學的知識。
他從沒給Max Kelsen遞過簡歷，但他們卻說：「我們看到了你在LinkedIn上的個人資料。」
「你的學習歷程就是一份簡歷。」
不管是在線學習還是攻讀碩士學位學習，有一個自己學習或工作的歷程集可以很好地幫助你在該行業中確立自己的形象或地位。
機器學習和人工智慧技能有市場需求，但這並不意味著你要把它們藏在背後。再好的產品沒有貨架也賣不出去。
GitHub、Kaggle、LinkedIn或是博客，任何一個可以讓別人看見的地方都可以。另外，在網際網路上擁有屬於自己的角落本身也是一件趣事。
如何開始？
你可以在哪裡習得的這些技能？哪些課程比較好？
以上問題沒有最佳答案。每個人的道路都不盡相同。有些人看書學得更好，有些人則需要看視頻。
比開始學習的方式更重要的是開始的理由。
從動機開始。
為什麼想學這些技能？
是想賺錢嗎？
是想構建什麼嗎？
或是想要有所作為？
沒有什麼特定的正確理由。所有的學習方式都有自己存在的理由與意義。
從動機開始，是因為開始的理由比方式更重要。知道理由意味著事情變得困難時可以有所依靠，它能提醒你為什麼開始。
找到動機了嗎？很好。那麼是時候學習一些很難的技能了。
朋友推薦了一些他試過的課程（按學習時間順序）：
· Treehouse — Python簡介
· DataCamp — Python簡介 & 數據科學上的Python
· Udacity — 深度學習&人工智慧微學位
· Coursera — Andrew Ng的深度學習
· fast.ai — Part 1, 之後是 Part 2
這些都是世界級的課程。他是個視覺學習者，看到事情做好時他能學習得更好，他所有的課程都是這麼進行的。
如果你是完完全全的初學者，從一些Python入門課程開始，有些自信之後，就可以學習數據科學、機器學習和人工智慧。DataCamp非常適合那些想要重點學習數據科學和機器學習的Python初學者們。
對數學的要求有多少？
他的數學受到教育的最高水平是高中。其餘都是在可汗學院學的。
大家對機器學習和深度學習所要求的數學水平都不盡相同。
如果想用機器學習和人工智慧技術處理某一問題，這不要求對數學有深入的了解就可以得到好的結果。TensorFlow和Pythorch等可幫助略有Python經驗的人構建最先進的模型，後臺也會處理相關數學問題。
而如果你想通過博士課程或類似的方式深入研究機器學習和人工智慧，那麼數學知識是至關重要的。
就朋友而言，他並不打算對數學進行深入研究，也不打算進一步提高算法性能。他會把這些工作留給那些更聰明的人。
相反，他非常願意在能力範圍內使用庫並在合適的時候使用它們來幫助解決問題。
機器學習工程師的實際工作是什麼？
機器學習工程師實際所做的工作可能並不如你所想。
儘管平時在網上能看到許多文章的封面照片，但機器學習工程師的工作並不總是與機器人相關。
以下是機器學習工程師每天必須問自己的幾個問題。
· 內容— 如何使用機器學習幫助更好了解你的問題？
· 數據 — 是否需要更多數據？需要什麼形式？數據丟失時要怎麼做？
· 建模 — 應該使用哪種模型？在數據上是否存在過度擬合？或者為什麼不夠擬合？
· 生產— 如何將模型投入生產？它應該是一個在線模型還是應該每隔一段時間更新一次？
· 保持——模型壞了怎麼辦？如何用更多的數據來改進它？有更好的改進方法嗎？
以上是從fast.ai的創始人之一Rachel Thomas的一篇著作中引用來的，她在文章中有更深入的見解。
另外，以下視頻記錄了周一在Max Kelsen的活動。
沒有特定的學習路徑
進入機器學習或人工智慧（或其他任何領域）的方法沒有對錯。
這個領域最美好的是大家可以接觸到世界上最好的技術，我們所要做的就是學習如何使用它們。可以先學習Python代碼，學習微積分和統計學，學習決策哲學開始。
機器學習和人工智慧讓人著迷，是因為它涵蓋了很多領域。了解得越多，就越意識到還有很多東西要學，這難道不令人感到興奮嗎？
有時，如果代碼不運行或者不能理解一個概念，大家都會感到沮喪，這個時候暫時放一下，讓自己從問題中解脫出來，小睡一會兒，或者去散散步。等回來的時候，會發現自己能用不同的視角來看問題，那股興奮勁就又回來了。
朋友在不斷學習的同時告訴自己：我是個學習機器，賊強賊帥。
這個領域正在發生太多的改變，開始的時候可能會讓人望而生畏。太多的選擇可能導致沒有選擇。
但先別管這個！
從你最感興趣的地方開始，往前走。如果走向了死胡同，很好，這意味著你找到了自己不感興趣的東西了。重新調整腳步，選另一條路走。
計算機雖然很聰明，但它們仍不能自學，它們需要你的幫助。
來~祝它們一臂之力吧~
留言點讚關注
我們一起分享AI學習與發展的乾貨
如轉載，請後臺留言，遵守轉載規範