從蘋果零售店的職員到創業失敗、到 Uber 的司機，再到機器學習工程師，我找到了自己真正的興趣。

我曾經在 Apple Store 里工作，但我想換一份工作，因為我想製作我每天都在維修的東西。

於是我開始研究機器學習和人工智慧。

發現這個領域的東西太多了。

似乎每個星期 Google 或 Facebook 都會發布一種新的 AI 方面的技術，讓它變得更快，或者改進我們的體驗。

更不用說有多少自動駕駛汽車公司了。這是件好事，我不喜歡開車，路上太危險了。

雖然發生了這一切，但人們對於 AI 是什麼依然沒有一致的定義。

一些人認為深度學習是 AI，另一些人認為它們不是，因為它們還沒有通過圖靈測試。

缺乏準確的定義一開始真讓我迷惘。想學這種定義五花八門的東西太難了。

所以別再提定義了。

怎樣入門？

我和我的朋友創建了一個 Web 創業公司，但最後失敗了。我們放棄的原因是因為缺乏意義。但同時，我開始聽到越來越多關於 ML 和 AI 的事情。

我不敢相信：「計算機代替你學習東西？」

我被 Udacity 的深度學習微學位吸引了。它的廣告上有個很滑稽的角色叫 Siraj Raval，他能量滿滿，非常有感染力。儘管我不滿足課程的基本要求（我從來沒寫過一行 Python 代碼），我還是註冊了。

結果在課程開始前三周，我給 Udacity 發郵件詢問怎樣退款。我很怕我沒辦法完成課程。

但最後我沒有退款。我在規定的時間進度內完成了課程。課程很難，是我學過的最難的東西。我最初的兩個項目都是晚了 4 天才提交的。但參與世界上最重要的技術之一的興奮感推動著我繼續前進。

完成深度學習的微學位之後，我可以繼續學習 Udacity 的 AI 微學位、自動駕駛汽車微學位或者機器人微學位。無論哪個方向似乎都不錯。

我有點迷失了，「我該選哪個呢？」

我需要一份課程計劃。我在深度學習領域打下了一點基礎，現在是時候想想接下來要幹什麼了。

我自己拼湊的 AI 碩士學位

我從來沒打算回到大學裡去。反正我也沒有碩士學位所需要的 10 萬美元。

所以我又重複了我最初做過的事情：問 Google。

我進入深度學習領域時還沒有任何前提知識。我不是自己爬上AI的冰山的，而是找了個直升機把我扔到山頂了。

在研究了一堆課程之後，我把我最感興趣的課程都放到了 Trello 上。

Trello 是我的個人助理和課程表。

我知道在線課程的退課率很高。我不能成為退課率中的一個數字，因為我有我的任務。

為了讓我對自己的行為負責，我開始在網上分享我的學習之旅。我發現這樣可以練習我學過的東西，還能找到對我所學的東西同樣感興趣的人。不過在我冒險嘗試 AI 時，我的朋友們仍然認為我是個外星人。

我公開了這個 Trello 看板（https://trello.com/b/tyHAvpcY）並且寫了篇關於我的努力的文章。

我的課程計劃在我第一次完成之後稍稍改動了一些，但基本方向沒變，而且我每周都會看幾次，同時更新我的進度。

找工作

我買了張到美國的單程機票。我已經學習了一年，我覺得是時候把我所學的付諸實踐了。

我的計劃是去美國找份工作。

結果 Ashlee 在 LinkedIn 上發了個消息：「我看到你寫的文章了，非常酷，我覺得你應該跟 Mike 談談。」

我找到了 Mike。

我告訴 Mike 我在網上學習的事情，我對醫療科技的熱愛，以及我去美國的計劃。

「你最好還是在這裡再呆一年看看能幹點什麼。我覺得你肯定想見一見 Cameron。」

我見到了 Cameron。

我跟他說了與 Mike 類似的話。醫療，科技，在線學習，還有美國。

「我們正在解決一些醫療上的問題。你周四過來看看怎麼樣？」

周四到了。我有點緊張。不過有人說，緊張是興奮的同義詞。所以我感覺很興奮。

那天我見到了 Max Kelsen（http://maxkelsen.com/）的團隊和他們致力解決的問題。

兩周後的一個周四，他們的 CEO Nick 和首席機器學習工程師 Athon 邀請我去喝咖啡。

Nick 問我：「加入我們怎麼樣？」

我說：「好。」

所以，我的美國機票只好推遲了幾個月，並且我得買一張返程機票了。

分享你的工作

我知道在線學習並非正統。所有我申請過的角色都要求擁有碩士學位，或者至少擁有某種技術學位。

哪個學位我都沒有。但我的確有從在線課程里學到的技能。

一路走來，我一直在網上分享我的共走。我的 GitHub 包含我所有完成的項目，我的 LinkedIn 聯繫人也很多，而且我一直在 YouTube 和 Medium 上交流我學到的知識。

我從來沒給 Max Kelsen 提交過簡歷。「我們看了你的 LinkedIn 就知道了。」

我的工作就是我的簡歷。

不管你是在線學習還是通過碩士學位學習，自己的作品集就是展示自己的最好方式。

ML 和 AI 的技能需求量很大，但這並不意味著你不需要展示。即使是最好的產品，不上架也賣不出去。

GitHub 也好、Kaggle 也好、或者 LinkedIn 甚至博客都可以，你得有個地方讓別人找得到你。再說，在互聯網上擁有自己的一隅也很有意思。

怎樣入門？

那麼，你該怎樣開始學習這些東西？哪些課程入門最合適？

實際上沒有正確答案。每個人的路都是不同的。一些人更適合通過書本學習，一些人更適合通過視頻學習。

與怎樣入門相比，更重要的是為什麼要學習。

所以先問自己為什麼。

• 為什麼要學這些技能？
• 想掙錢嗎？
• 想做東西嗎？
• 想改變現狀嗎？

同樣，沒有正確答案。任何答案都有道理。

先問為什麼，是原因比方法更重要。有了原因，在遇到越來越大的困難時才有理由堅持下去。原因能提醒你這樣做的初衷。

有答案了嗎？好。現在開始推薦一些乾貨。

我只能推薦我嘗試過的。

我完成了這些課程（按照時間順序）：

• TreeHouse - Python 入門（http://teamtreehouse.com/）
• Udacity - 深度學習和 AI 的微學位（http://udacity.com/）
• Coursera - Andrew Ng 的深度學習（http://bit.ly/CourseraDanielBourke）
• fast.ai - 第一部分，馬上要開始學第二部分（http://fast.ai/）

這些都是世界聞名的課程。我喜歡看視頻學習。視頻要比講解容易得多，所以這些課程都是以視頻演示為主。

如果你習慣於邏輯，那麼可以從 Python 入門課程開始，等有了信心之後，可以去學習數據科學、機器學習和 AI。

需要很多數學知識嗎？

我的數學水平還是高中程度。其餘的數學知識都是在需要時在可汗學院學的。

關於機器學習和 AI 所需的數學知識，不同的人有不同的看法。我只說一下我的看法。

如果你想用機器學習和 AI 技術解決實際問題，那麼你不需要深入理解數學就能獲得很好的結果。TensorFlow、PyTorch 等庫只需要一點點 Python 經驗就可以做出世界領先的模型，這些庫會負責背後的一切數學的東西。

如果你想做機器學習和 AI 方面的研究，通過博士課程或類似的什麼東西，那麼深入的數學知識是必須的。

對於我來說，我沒打算深入數學並改進演算法性能等。這些事情還是交給比我更聰明的人去做吧。

相反，我更喜歡用這些庫來解決我遇到的問題。

機器學習工程師的工作

機器學習工程師的實際工作並不像你想像的那樣。

雖然許多文章的封面圖片都用機器人，但實際上機器學習工程師跟紅眼睛的機器人並沒有太大關係。

下面是 ML 工程師需要每天考慮的事情：

• 環境——ML怎樣才能更了解你的問題？
• 數據——你需要更多數據嗎？數據需要以什麼格式呈現？如果缺少數據該怎麼辦？
• 建模——應該用哪個模型？模型是否對數據匹配得太好（過擬合）？或者是否不太好（欠擬合）？
• 生產環境——怎樣才能將模型放到生產環境中？是應該使用在線模型，還是應該定期更新？
• 持續性——如果模型不工作了該怎麼辦？怎樣用更多數據改善它？有沒有更好的解決問題的辦法？

這些條目是我從 Rachel Thomas 的一篇優秀的文章（http://www.fast.ai/2018/07/12/auto-ml-1/）中借鑒的，她是fast.ai（http://fast.ai/）的聯合創始人之一，她的原文講解得更詳細。

關於更多信息，我做了個視頻來介紹我們在 Max Kelsen（http://www.maxkelsen.com/）每周一的工作內容。

沒有固定的方法

進入 ML 或 AI 沒有正確或錯誤之分。

該領域之美在於，我們可以使用全世界最優秀的一些技術，我們只需要學習怎樣使用。

你可以從學習 Python 代碼開始。

你可以從學習微積分和統計學開始。

你可以從學習決策的哲學開始。

機器學習和人工智慧讓我著迷，因為它們是這些領域的交集。

我學得越多，就越能認識到我有更多東西要學。這讓我更興奮。

有時候代碼不能運行，或者無法理解某個概念，我也感到很沮喪。這時我會暫時放棄。我暫時離開問題去睡一會兒，或者去散散步。等我回來後，就能用不同的角度去看問題，於是興奮的感覺就回來了，就可以繼續學習了。

這個領域每天都有太多東西發生，所以可能會讓人望而止步。太多選擇等於沒有選擇。所以只需忽略就好。

從你最感興趣的開始並堅持下去。如果走到了死胡同，很好，你找到了你不感興趣的東西。重新規劃路線，找另一條路走。

計算機很聰明，但它們自己依然不能學習。它們需要你的幫助。

原文：https://hackernoon.com/i-want-to-learn-artificial-intelligence-and-machine-learning-where-can-i-start-7a392a3086ec

作者：Daniel

譯者：彎月，責編：屠敏

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！