5月8日，谷歌召开一年一度的Google I/O大会。在现场演示的演示中，Google Assistant表现得自然流畅，电话那头的理发店员工丝毫没有察觉到自己竟然是在和AI对话！
阿里的王坚博士曾在一次主题演讲里谈到：「不要担心 AI 毁灭人类，要相信人们能够设计出一个好的架构让 AI 好好为人类工作」。
要让AI好好为人类工作，离不开 AI 工程师和科学家。腾讯近期发布的报告显示，目前人工智能领域合格的研究人员数量仅为30万，其中包括相关研究领域的学生。然而，全国范围内，人工智能的人才缺口却为一百万甚至更多。因此，2018年及未来的几年内，“抢得到人才”绝对是人工智能企业发展的前提及关键。
（图片来源：腾讯研究院-全球人工智能人才白皮书）
与之前的云计算、移动互联网相比，成为 AI 工程师，门槛相对较高，而且需要在现有技能树的基础上再有较长时间的积累才行。要成为一名合格的人工智能工程师，在掌握开发工程师的通用技能以外，还需要掌握一张不算小的知识网络。
如果以机器学习算法工程师的技能图谱为例，大概就是这样子的 ↓
（文末告知如何获取图片清晰版）
对于机器学习工程师来说，想要入门，先得解决以下三个基础知识拦路虎。
基础一：数学基础
线性代数和微积分基础
统计学相关基础
相关线性分析
基础二：编程基础
掌握相关的编程语言，比如 C++ / Python / Go / Java 等，目前 Python 是机器学习深度学习领域最主流的编程语言，热的发烫。
基础三：机器学习的基础
对基础概念的理解，比如拟合、关联规则（Apriori、FP-Growth）、回归（Linear Regression、Logistics Regression）、决策树（ID3、C4.5、CART、GBDT、RandomForest）、降维……等等。
在互联网领域从事机器学习的人，有下列两类背景的人比较多：
1.程序员出身，这类同学工程经验相对会多一些
2.学数学统计领域出身，这部分同学理论基础相对扎实一些。
因此对比上图，2类同学入门机器学习，所欠缺和需要加强的部分是不一样的。下面就上述图中的部分，展开来分别扯几句：
数学基础
机器学习相对于其他开发工作更有门槛的根本原因就是数学。基本所有常见机器学习算法需要的数学基础，都集中在微积分、线性代数和概率与统计当中。
典型算法
绝大多数问题用典型机器学习的算法都能解决，粗略地列举一下这些方法如下：
机器学习里所说的“算法”与程序员所说的“数据结构与算法分析”里的“算法”略有区别。前者更关注结果数据的召回率、精确度、准确性等方面，后者更关注执行过程的时间复杂度、空间复杂度等方面。 当然，实际机器学习问题中，对效率和资源占用的考量是不可或缺的。
编程语言、工具和环境
看了无数的理论与知识，总归要落到实际动手实现和解决问题上。对初学者而言，Python和R语言是很好的入门语言，很容易上手，同时有活跃的社区支持，丰富的工具包帮助我们完成想法。
基本工作流程
以上我们基本具备了机器学习的必要条件，剩下的就是怎么运用它们去做一个完整的机器学习项目。工作流程如下: 抽象成数学问题—— 获取数据——特征预处理与特征选择——训练模型与调优——模型诊断——模型融合——上线运行。
这些工作流程主要是工程实践上总结出的一些经验，并不是每个项目都包含完整的一个流程。只有大家自己多实践，多积累项目经验，才会有自己更深刻的认识。
说了这么多，你应该对机器学习都有了基本框架。如果觉得自个儿学习累，想找些引路人，可以听一些免费的人工智能入门直播课，比如网易云课堂接下来的人工智能免费公开课。
直播分享
带你快速入门人工智能
分享人：郑林峰 | 国内某知名券商大数据工程师
直播时间：5月15日 20:00
直播大纲：了解AI的行业前景和学习方向；从价值观和方法论的角度，帮你获得快速入门AI和长期提升技术能力的方式；
参加方式：长按扫描下方二维码，加入网易人工智能学习群，即可收听直播~
为了保证学习体验，
本次“人工智能学习群"限时开放
数量有限，欲报从速
除了免费直播，进群还有人工智能学习资料和源代码待领取~ ↓↓