2017年是正经的人工智能元年，也是在这一年，人工智能穿上华丽的外衣，正式走到了所有人的面前，几乎每个学校的计算机学院都在搞人工智能，每个计算机专业的学生都在训练模型、调参。自然而然地，从去年开始，所谓算法工程师、AI研究员这些岗位也成为意料之中的当红炸子鸡，今年更是直接给出30万起步年薪，简直丧心病狂、令人发指。更好笑的是，街头巷尾的大妈都知道，以后她们将拥有一个聪明的机器人，可以帮她们分担所有的家务。所以，人工智能在未来的5-10年不再是梦想，而是真正地会走入千家万户，我们每个人都将成为这巨大浪潮中的一份子，提前备战是至关重要的。
本科时上人工智能课，还年轻，也不懂事，所以只依稀记得老师总是在讲一些听不懂的算法，或者一面黑板一面黑板地推到公式。而因为本科毕业的那年（2016年）大数据及大数据挖掘很火，程度约等于今天的人工智能吧，所以当时毕设就选择做大数据灾难预测。懵懵懂懂地对照别人的教程，然后展开了数据预处理、特征提取然后再到最后的分析和提取，也因为这个毕设，我对人工智能有了一个新的认知和理解--依靠强大的大脑（计算机存储），从数据中找寻规律，等到新的数据到来时，就按照以往学习的经验进行预测。通俗一点，就是考试前拼命地记忆题目，等到新题目来临的时候，自然就大概知道怎么做，这是一种弱的人工智能。
然后就开始读研了，因为导师是计算机视觉方向的，所以研究生入学后，学习也基本围绕着人工智能。而关于机器学习的研究，路径基本是这样的。首先，基础部分。对于机器学习而言，数学基础还是比较重要的，所以还在上学的孩子们，好好珍惜你的高数课、线代课还有概率论，这些都是学习算法的基础啊，千万不要等到站在人工智能门口哭的时候才后悔。有了数学基础，就可以展开对机器学习常用算法的学习了。一般地，比较常规的做法就是看书+看视频。看的书主要是李航老师的《统计学习方法》及周志华老师的《西瓜书》，这两本书在内容上有些重叠，但是都写的比较通俗易懂，还是比较适合入门的。李航老师的过程推导比较详细，适合于数学基础比较好的孩子。而周志华老师的西瓜书就是举实例的味道重一些，所以理解起来相对要容易一些。建议是两本都看一看，最好那些常用算法都自己推导一遍（好像要求有点高了。。。，但是对于要搞技术的同学来说，看一遍还不够的，我当时看两三遍呢，捂脸哭）。至于视频的话，当然还是首推吴恩达大牛的《machine learning》，听完感觉整个人都很美妙，而且莫名地会觉得自己萌萌哒。我当时三者是同步展开的，大概整个研一都在做这件事情，总结来说就是看书+看视频+看一些视觉方向的论文（导师给的，让我开开狗眼）。对了，当时我还买了一本《机器学习实战》，这个主要是锻炼实战能力的，而且对于计算机算法这种东西而言，它本身是比较抽象的，所以我们要结合一些实际的项目来理解算法的原理和效果，这本书恰好了就满足了这个需求。
看到这里，产品狗别慌，其实对于做产品而言，我肤浅地认为，其实你只要大概理解这些算法的原理，然后更重要的是你要知道它可以怎么应用，可以迁移到哪些场景中帮助用户解决问题，这样你就能理解产品的逻辑，和研发的沟通或者理解需求时就够了。具体一点，就是产品狗可以看《统计学习方法》、《西瓜书》（主要理解算法原理）、《机器学习实战》（结合书里的小项目，理解算法的实际应用），再听一听吴恩达的课，基本就算入门了。
但是在实际的找工作过程中，我开始逐渐地认识到，即便我们胸中装着无数个算法，然后你也可以秒写出那些算法的公式，对于一个产品狗来说都还远远不足够，因为，人工智能所有的产品都处于落地初期。这意味着，我们没有一套成熟的体系和参考，让我们知道怎么能把过往用户的一些需求场景，换一种思维，去思考它们和人工智能可以产生的新的结合点，让算法真正落地成为产品。总体上来说，就是你需要认识到整个人工智能产业发展到哪一种阶段？和哪些产业有了结合？用户的场景是怎样的？未来还可以怎么样突破？这是我觉得现阶段的人工智能产品狗需要思考的问题！！！
但在这种行业的认知上，我这种小白狗肯定是菜的不行，但是我在机器学习研讨会的公众号上恰好看到了一个很不错的课程--北大AI课，这就是天上掉馅饼了，更重要的是，这馅饼还是我喜欢的口味，正好课程里的讲师都是人工智能领域比较前沿的大佬。俗话说，好记性不如烂笔头，所以我打算听完课程了把笔记整理一下，提醒自己把握好方向，用心追逐自己想要的梦想。
今天立个flag吧。从下周开始，每天更新一节课的笔记，希望不仅是自己听到的内筒的客观呈现，更重要的是用脑用心的思考，但愿flag不倒，每天都会提醒自己扶好flag的，加油吧，智能的产品狗，学习使我快乐！
