常常有朋友私信问，如何学python呀，如何敲代码呀，如何进入AI行业呀？

恰好转头看看自己这一年走过的路，进行一次履历总结。

来看看你间隔成为一名AI工程师还有多远吧~

⭐详细内容：

我是由于什么开始打仗敲代码

人工智能/机器学习/深度学习

自学如何探求学习资料

如何选择编程措辞/框架

校招/社招/演习/口试履历

一碗鸡汤

⭐声明：

本篇内容均属于个人不雅观点，建议采纳对自己有用的履历，如有疏漏，欢迎示正，共同进步！

2017年5月开始第一份演习 / 2017年7月开始学敲代码 / 2017年11月硕士毕业

善于的编程措辞：R / Python

不费钱报班，全靠自学，最初是由于穷，后来创造“开源”的天下真是太美好了！

我是由于什么开始打仗敲代码？

我的第一个模型是什么

由于本科是数学，研究生是量化剖析，第一份演习是一家金融科技公司，开始打仗所谓的“Fintech”

第一个任务便是做客户的信用评分卡模型，目的给每个用户打一个信用分数，类似支付宝的芝麻信用分。
这是银行标配的一个模型，最常见最传统的算法用的便是逻辑回归。

在教室上利用的工具是SAS，SPSS，属于有操作界面的，菜单非常完好，只须要鼠标点一点就能建模，很好上手。
但是SAS这些要付钱的，年费还是相称的贵，以是深圳大部分公司进行数据剖析和建模事情都选择开源免费的R措辞或者Python。
这就表示了节制一门编程措辞的主要性。

虽然说是建模任务，但是前三个月跟建模基本都扯不上边。
都在做数据洗濯，表格整理（摊手），都在library各种包，用的最多的可能是data.table和dplyr。
没办法，很多模型都有包可以直接调用，是最大略的环节了。
实在一开始，我一贯在犯很低级的缺点，各种报错，没有library啦，标点符号没打对啦，各种很low的缺点犯了一次又一次，而且连报错的内容都不会看，不知道怎么去改正。
如果你也像我一样，真的请不要灰心，我便是这样走过来的。
对着缺点一个个去办理就好了~

当时什么都不知道的时候，以为真难呀，每个环节都有那么多细节要照顾，要学的那么多，做完一个还有一个，还要理解业务含义。
但是当完全的做一遍之后再转头，就会以为，实在，也没那么难嘛~

敲代码随意马虎吗？

由于我不是打算机专业的，以是基本上属于没怎么敲过代码的那种。

后来创造程序员也有好多种类的，前端后端等，因此敲的代码种类大概多，才会有几十种的编程措辞，下图是一些这几年的主流措辞。

演习时我一贯被队友嫌弃很蠢，而且一开始敲的东西怎么也运行不通，运行出来的都是鬼结果。
有n次想放弃的动机，“我干嘛一定要敲这玩意儿？”，但也有n+1次想坚持的情由，由于我真的喜好我正在做的事。
为什么用“坚持”，由于真的不随意马虎。
不难，但真的须要有耐心。

一开始我的状态便是一行行代码的运行，一个个命令的熟习，反复看，反复运行。

从敲出第一行代码到敲出第一个完全的模型花了3个月学习XGBoost，光是理论学了3个月，由于前期铺垫要学的还有adaboost/gbdt和各种机器学习的知识模块从R切换到python花了1个月从机器学习(Machine Learning)切换到自动机器学习(Auto Machine Learning)花了2个月从NLP零根本到搭建一个智能问答机器人花了1个月

从一年前的“什么是过拟合，什么是交叉考验，丢失函数有哪些”到后来参加环球人工智能峰会时都能听懂的七七八八，会以为，努力没有空费呀！

可以看出，经由前面的积累，后面会学的越来越快。

逐步的就从一开始的那种“唉，怎么又报错啊，好挫败”的心态变成现在的“啊？没error？觉得不对啊，再查验一遍吧”这种抖M方向的人。
代码虐我千百遍，我已经被磨的没有了脾气。

已经有几个朋友说想转行了，我何曾没想过，只是不知不觉中坚持了下来而已。
由于热爱，越虐越停不下来

小结

设定一个非常清晰的目标

为什么第一个写：“我是由于什么开始敲代码的”，由于动机真的非常主要！

以是，很多人在问我“如何学python？”这种问题时，我的第一回答都是“你学python用来干嘛？”

在学校也敲打过python，做个爬虫demo什么的，由于目的性不强没多久就放一边了。
清晰的目标就比如说你要做NLP，你要知道NLP的运用有智能问答，机器翻译，搜索引擎等等。
然后如果你要做智能问答你要知道现在最发达的技能是深度学习，利用的算法有RNN/LSTM/Seq2Seq/等等一系列。
而我的清晰目标是在演习的时候给我的任务。
当任务很明确的时候，所须要的措辞就明确了，所要学习的算法也就明确了，很多东西就顺理成章了不用一头乱撞了。

从金融到科技

AI的运用范围很广，每一个研究方向都是无穷尽的。
由于金融公司很少与图像处理，NLP等技能会有交集，而我强大的好奇心让我决定去纯粹的科技公司一探究竟。
目前已投身于智能家居，目标是Javis

人工智能/机器学习/深度学习

我常常在公交的广告牌上瞥见这些词，彷佛哪家公司没有这个技能就掉队了似的。
更多的还有强化学习，迁移学习，增量学习等各种学习。

这些词儿之间到底什么关系

机器学习是人工智能的一种，深度学习是机器学习的一种。
学AI先学机器学习。

打算机的“算法” 与 数学的“算法” 的差异

理论知识对付AI算法工程师极其主要。
敲代码只是思路的一个实现过程。
这里的“算法”和打算机CS的“算法”还不太一样，AI算法是偏数学推导的，以是数学底子还是须要点的，学的越深，哀求越高。
口试的时候，很少让手写代码，90%都是在问模型抠算法细节。

在学校我是一个不爱记条记的人，乃至是一个不爱上课的人。
但是自从入了机器学习的坑后，条记写的飞起~

机器学习的框架

按照数据集有没有Y值可以将机器学习分为监督学习、半监督学习和无监督学习。
监督学习是分类算法，无监督学习是聚类算法。

机器学习的通用流程和干系技能如下图：

ML这棵树还可以有更多的分支。
先有个整体感想熏染，再一个一个的办理掉。
这里的知识点也是口试最爱问的几个，是重点呀！
口试过的同学该当都不陌生了。

机器学习如何入门

机器学习之大，初学者都无从下手。
说白了，机器学习便是各种模型做预测，那么就须要有数据，要想有好的效果，就要把原始的脏数据洗干净了才能用。
数据内隐蔽的信息有时候是肉眼不可见的，那么就须要一些干系技巧来把有用信息挖出来。
所有绞尽脑汁利用的技巧，都是为了能预测的更准确。
但是谁也没办法做到百分百的命中。

这里大略先容下机器学习的三大块：传统的机器学习ML、图像处理CV、自然措辞处理NLP

再推举一个入门神器：

Kaggle（www.kaggle.com）

这是一个天下级的最威信的机器学习比赛，已被谷歌收购。
上面的赛题不仅很有代表性，还有很多免费的精良的数据集供你利用，要知道网络数据是机器学习的第一大难题，它就帮你办理了。
入门不用立马参加比赛，把数据***下来，尽情折腾就好了，假如没有思路，去网上搜别人的解题条记和代码借鉴一下也很美好~由于这是大家都争相打榜的比赛，以是你并不孤单。

ML入门该参加的赛题（Titanic）

图像入门该参加的赛题（数字识别）

NLP入门该参加的赛题（情绪剖析、quora问句语义匹配）

等做完第一个titanic的比赛该当就有点觉得了。
上面4个比赛我都做过，以为很经典，很适宜入门。

深度学习的入门算法有哪些

如今的样本输入可以是笔墨，可以是图像，可以是数字。

深度学习是随着图像处理火起来的。
乃至现在这个观点都火过了“机器学习”。

深度学习的算法紧张都是神经网络系列。
入门推举CNN(卷积神经网络)的一系列：

LeNet5

AlexNet

VGG

GoogleNet

ResNet

自学如何探求学习资料？

开源的天下，美好的天下❤

“开源”，我的爱！
代码届里开源的中央思想便是，share and free

对付机器学习，网上的社区氛围特殊好，分享的很多很全面，而且MLer都非常乐于助人。

先容几个我常常逛的社区，论坛，和网页：

kaggle （www.kaggle.com）

环球最威信的机器学习比赛，已被谷歌收购。
赛题覆盖传统机器学习、nlp、图像处理等，而且都是很实际的问题，来自各行各业。
kaggle是数一数二完善的ML社区了，赛题开放的数据集就很有用，非常适宜新手练手。
对精良的kaggler也供应事情机会。

github（www.github.com）

环球最大同性交友网站，适宜搜项目，开源大社区，大家一起看星星，看issue~

StackOverFlow（www.stackoverflow.com）

代码报错找它，代码不会敲找它！
所有与代码干系的坑，基本都有人踩过啦

csdn（www.csdn.net）

最接地气的博客聚拢地，最常看的网页之一，一样平常用来搜索细节知识点或者代码报错时

sklearn（scikit-learn.org/stable）

专业做机器学习100年！
各算法各技巧的例子code搜罗万象

medium（medium.com）

创办人是Twitter的创始人，推崇优质内容，海内很多AI"大众大号的搬运都来自于这里，medium里每个作者都有自己独特的见地，值得学习和开拓眼界，须要科学上网

towards data science（towardsdatascience.com）

与medium很像，须要科学上网

google AI blog（ai.googleblog.com）

谷歌的AI团队掩护的博客，每天至少更新一篇技能博客。
刚在上海开的谷歌开拓者大会宣告将会免费开放机器学习课程，值得关注一下，毕竟是AI巨子

各种大神的技能博客/个人网站

有很多的网站，会不定期的更新在我的个人博客里

有口碑的AI公开课平台

首先解释我没有上课，也没有报班，属于个人学习习气问题。
但考虑到学习差异性，以是还是总结了口碑排名靠前的课程系列。
条件，须要有一定数学根本，没有的可以顺便补一补。

coursera（www.coursera.org/browse）

吴恩达(Andrew Ng)机器学习

deeplearning.ai（www.deeplearning.ai）

fast.ai（www.fast.ai）

专注于深度学习。
Fast.ai的创始人就蛮故意思的，是横扫kaggle图像处理的高手，不摆架子，也不故弄玄虚。
中央思想便是深度学习很大略，不要怕。
fast.ai有博客和社区。
Jeremy和Rachel鼓励撰写博客，构建项目，在会议中进行谈论等活动，以实力来代替传统证书的证明浸染。

udacity（in.udacity.com）

有中文版，课程覆盖编程根本，机器学习，深度学习等。

网易云教室

碎片韶光

科技圈也是有潮流要赶的，等你入坑就知道。

追最新的论文，最新的算法，最新的比赛，以及AI圈的网红是哪些~有条件的开个twitter，平时娱乐看看机器学习板块还是蛮故意思的，有很多自嘲的漫画~

推举几个我超爱看的AI主题美剧

硅谷（强推！
切实其实是我日常生活，太有共鸣了~下饭剧）

西部天下（看的时候不要学我一贯在思考如何实现这个那个技能）

实用的小技巧

浏览器首推 chrome

当阅读英文网页呼吸困难时，右击选择“翻成中文（简体）”

考过雅思和GMAT，曾经我也是一个热爱英文的孩子，如今跪倒在海量技能文档和文献里苟活

搜索问题一定用google，如果没办理是你的问题不是google的锅

baidu？？？ummm......别难堪我......很少用

学会提问很主要，搜索格式推举

措辞+问题，例如：python how to convert a list to a dataframe

直接复制缺点信息，例如：ValueError: No variables to save...

请把所有的问题往上抛，网上查比问人快！
总是问别人会引起关系分裂的~

学会顺藤摸瓜

当你读到一个非常不错的技能文档时，看完别急着关掉。
这可能是一个个人网站，去不雅观察菜单栏里有没有【About】选项。
或者这也可能是一个精良的社区，看看有没有【Home】选项，去看看po的其它的文章。

很多精良网站都是英文，科学上网必不可少

学习用度不来自课程，可能来自于硬件哀求，学生党要利用好学校资源

小结

虽然说了那么多，但还是要说请放弃海量资料！
用多少，找多少就好了！
（别把这句话当耳旁风）

资料不在量多而在于内容是有质量担保的。
很多课程或者"大众年夜众号只管塞知识，你有疑问它也解答不了的时候，这样出来的效果不好，就像一个模型只管演习，却不验证，便是耍泼皮。

如何选择编程措辞/框架

首选英语！
！
！
（咳咳，我负责的）

说到底，措辞只是工具，不去盲目的追求任何一种技能。
根据任务来选择措辞，不一样的程序员选择不一样的编程措辞。
很多人末了不是把重点放在能力而是炫工具，那就有点走偏了。

据不雅观察，在机器学习组里R和Python是利用率最高的两门措辞，一样平常你哪个用的顺就用哪个，只要能达到效果就行，除非逼迫规定。

我利用之后的感想熏染是，人生苦短，我用python

用python建个模型到底多难？

算法任务大致分为两种，一种是普通算法工程师做的“调包、调参”，另一种是高等算法工程师做的，可以自己创建一个算法或者能灵巧修正别人的算法。

先说说建个模到底有多大略吧。

有精良的算法封装框架

tensorflow / caffe / keras /...

Auto ML 是不可阻挡的一个方向

Auto ML(auto machine learning)，自动机器学习。
便是你只管丢进去数据，坐等跑出结果来就行了。
前一阵子谷歌的CloudML炒的很火，愿景是让每个人都能建模，但毕竟这种做事是要钱的。
以是我研究了下开源的auto sklearn框架的代码，创造了什么呢？建模到底有多大略呢？就，大略到4行代码就可能打败10年事情履历的建模师。

再说回来，如果你自己根本不知道自己在做什么，只能跑出来一个你不能卖力的结果，便是很糟糕的，那还不是一个合格的算法工程师。
你的模型必须像你亲生的那样。
但是，只要你想，绝对能做到的！

学习python电脑上要装哪些东西

Anaconda

对，便是这么大略粗暴，装这个就ok了

学python的该当都会面临到底是python2还是python3的决议吧。
措辞版本和环境真的很让人头疼，但是Anaconda惊艳到我了，便是可以自定义python环境，你可以左手py2右手py3

推举几个python的IDE

Spyder

Anaconda自带的ide。
界面排版与Rstudio和Matlab很相似。
输入什么就输出什么结果，适宜剖析事情，我写小功能的时候很喜好用。

Jupyter Notebook

Anaconda自带的ide，属于web界面的。
当你程序跑在虚拟机，想调代码的时候适宜用。

PyCharm

对付写项目的，或者代码走读的比较友好。
当你须要写好多python文件相互import时，特殊好用。

我的条记本配置

（不考虑经济约束的请忽略这条）

牌子+型号：ThinkPad X1 Carbon

推举配置：i7+16G内存+256G(或更多)硬盘

系统推举：Linux，由于开源，有空可以玩玩

⚡校招/社招/演习/口试履历

如何安排校招

大厂的开放韶光会比较早，密切关注网申韶光节点：

2019届的秋招：2019年7月 - 2019年11月

2020届的春招：2020年2月 - 2020年4月

2020届的暑期演习：2020年3月 - 2020年5月

2020届的秋招：2020年7月 - 2020年11月

（以此类推）

手撕代码能力

建议提早半年开始准备。
我的代码也是从演习开始敲起，敲了半年才以为下手如有神哈哈。
不要做没实际意义的课后题，也不要照着书本例题敲，敲完你就忘了，书本这些都是已经打消万难的东西，得不到什么发展。

入门修炼：全国大学生数学建模竞赛、全美大学生数学建模竞赛、kaggle、天池…

项目经历/演习经历

如果明确自己的职业方向为人工智能/数据挖掘类的，请不要摧残浪费蹂躏韶光去申请其他与技能无关的演习。
端茶送水，外卖跑腿，打印纸并不能帮你。
当时由于身边同学都断断续续出去演习，面前有一份大厂行政的演习，我…竟然犹豫了一下，好在也还是谢绝了。

只管即便选择大厂的技能演习，毕竟往后想进去会更难。
但是不要由于一个月拿3000块就只干3000块的活。
把全体项目跟下来，理解框架的架构，优化的方向，多去考试测验，就算加班（加班在深圳很正常）也是你赚到，思考如何简化重复性事情，去考试测验理解自己部门和其他部门的事情内容与方向，理解的越多你对自己想做的事情理解的也越多。
我演习做的评分卡模型，除了传统逻辑回归，也考试测验新的XGB等等，而且虽然别人也在做，但是私下自己会把全体模型写一遍，包含数据洗濯和模型调头等，这样对业务的理解也更透彻，口试起来所有的细节都是亲手做过的，也就比较顺了。

如果没有演习在手，天下给我们数据挖掘选手的大门还是洞开着的。
kaggle上有专门给数据挖掘入门者的练习场。
干系的比赛还有很多，包括腾讯、阿里等大厂也时时时会发布算法大赛，目测这样的算法大赛只会越来越多，你坚持做完一个项目，你在平台上还可以得到干系名次，名次越靠前越有利哈哈哈这是废话。

BAT常见的口试题（不分先后）

自我介绍/项目先容

种别不屈衡如何处理

数据标准化有哪些方法/正则化如何实现/onehot事理

为什么XGB比GBDT好

数据洗濯的方法有哪些/数据洗濯步骤

缺失落值添补办法有哪些

变量筛选有哪些方法

信息增益的打算公式

样本量很少情形下如何建模

交叉考验的实现

决策树如何剪枝

WOE/IV值打算公式

分箱有哪些方法/分箱事理是什么

手推SVM：目标函数，打算逻辑，公式都写出来，平面与非平面

核函数有哪些

XGB事理先容/参数先容/决策树事理先容/决策树的优点

Linux/C/Java熟习程度

过拟合如何办理

平时通过什么渠道学习机器学习（好问题值得好好准备）

决策树先剪枝还是后剪枝好

丢失函数有哪些

倾向做数据挖掘还是算法研究（好问题）

bagging与boosting的差异

模型评估指标有哪些

阐明模型繁芜度/模型繁芜度与什么有关

说出一个聚类算法

ROC打算逻辑

如何判断一个模型中的变量太多

决策树与其他模型的丢失函数、繁芜度的比较

决策树能否有非数值型变量

决策树与神经网络的差异与优缺陷比拟

数据构造有哪些

model ensembling的方法有哪些

小结

问题是散的，知识是有关联的，学习的时候要从大框架学到小细节。

没事多走走招聘网站看看招聘需求，理解市场的需求到底是什么样的。
时期变革很快，捕捉信息的能力要磨炼出来。
你可以关注的点有：职业名/职业方向/须要会什么编程措辞/须要会什么算法/薪资/...

每个口试的结尾，口试官会问你有没有什么想问的，请把稳这个问题也很关键。

比如：这个小组目前在做什么项目/实现项目紧张用什么措辞和算法/…

只管即便不要问加不加班，有没有加班费之类的，别问我为什么这么说（摊手）

在口试中碰着不理解的，比如C++语法不懂，可以问这个C++详细在项目中实现什么功能。
如果你提出好问题，能再次引起口试官对你的兴趣，那就能增加口试成功率。

应届生就好好准备校招，别

虽然是做技能的，但是日常social一下还是收益很大的。
演习的时候，也要与周围同事和平相处，尤其是老大哥们，大概哪天他就帮你内推大厂去了。
内推你能知道意想不到的信息，口试官，岗位需求，最近在做什么项目之类的。

挑选给你机会的公司，不要摧残浪费蹂躏自己的韶光。
不要每家都去，去之前理解这家公司与你的匹配度。

尤其社招，你一改动简历就很多人给你打电话，你要有策略的去进行口试，把握总结每个机会。
像我便是东一榔头西一榔头的，好多都是止步于第一壁，就没复书儿了，由于每次面完没有好好反思总结，等下次再碰着这问题还是抓瞎，十分花费自己的韶光和信心。

一碗鸡汤

统统才刚刚开始，别焦急

AI才刚刚起步，为什么呢？由于上数学课的时候，教材上都是柯西，牛顿，高斯等等，觉得他们活在迢遥的时期，很有陌生感。
但是现在，我每天用的模型是比我没大几岁的陈天奇创造出来的，我乃至follow他的社交账号，他就鲜活在我的天下里，这种觉得，很奇妙。
每次查论文查文献的时候，看2017年出来的都以为晚了，懊悔自己怎么学的这么慢，看2018年2月出来的才心里有点安慰。
这个证明，你在时期发展的浪潮上，也是统统刚刚起步的证明。
机遇与寻衅并肩涌现的时候，是你离创造历史最近的时候。
而所谓的风口所谓的浪尖都不主要，主要的是，由于你喜好。

找一件可以坚持的事，不要停滞去探求的脚步

当人做喜好的事情时，会发光呀！

当你由于真的热爱某件事，而不断靠近它的时候，你的灵魂像是被上帝指示了迷津，受到了指示，受到了召唤。
你会很自然的知道该做什么，你想做什么，彷佛生而为了这件事而来。
你有时候自己都想不明白为什么做这件事。
看过玉轮与六便士的该当懂这种义务感~

我不是属于聪明的那类人，我是属于比较倔的那种。
便是只要我认定的，我认定到底。
天知道我有多少次疑惑过自己，有多少次想放弃，但我还是选择咬牙向前，选择相信自己。
坚持的意义就在这里。