毫无疑问，人工智能是目前整个互联网领域最火的行业，随着AlphaGo战胜世界围棋冠军，以及各种无人驾驶、智能家居项目的布道，人们已经意识到了AI就是下一个风口。当然，程序员是我见过对于新技术最敏感的一个人群，举一个例子：当TensorFlow刚刚面世的时候，几乎所有搞大数据的同学一见面就开始交流这方面的内容，仿佛所有人一夜之间成了“TFboys”（tensorflow_boys）。我觉得之所以程序员对于新技术很敏感有两个原因，其一是技术这碗饭会逼着你不停地去学习，不然很快会被淘汰；其二是程序员大多是理工男，对于新事物是充满好奇的。借着出版《机器学习实践应用》的机会 
，又是到了这样一个档口，就是很多程序员面临转型，需要去学习AI技术，在这一文我就简单谈谈我对学习AI的一些看法，我自己的肤浅想法，轻喷哈。
（先声明下我不是算法大神，我是阿里机器学习产品经理，不过我身边都是各种各样的算法大牛）首先讲下我个人的学习经历，我最先接触编程是在刚上大学的时候，2010年左右。最早的时候大家都信奉PHP是最牛的语言，当时觉得能做网站的人都是大仙。过了不到3年，移动互联网的浪潮来了，几乎所有人全部转去学Android开发、iOS开发，而且最初的时候做移动端开发是非常吃香的（这股浪潮很像现在的AI浪潮，我确信不到三年时间市面上的算法工程师会成指数性增长）。我自己当时是在做android开发，也是在一家大的手机公司实习，我当时觉得开发手机软件挺酷的，直到有一个契机让我见识到了AI。当时是有一次机会调用了某个以色列公司开发的眼球识别SDK，13年那时候看到眼球识别这总高端技术是觉得非常神奇的，后来我偷偷Google了下后端的技术，这才第一次认识到了世界上居然有机器学习算法这种东西。于是理工男的那种对新技术的好奇心就促使我去学习机器学习算法，刚一开始先认识了一些基础的算法，比如LR、KNN、RF这些，当时在国内没有这么多的视频课程可以学习，买了一本《机器学习实战》的书，是外国翻译过来的，把里面的很多代码都自己推敲了一遍，成长很大。但是学习机器学习，光知道算法是远远不够的，还需要数据和场景去操练。正好当时阿里举办第一届天池大赛，奖金记得有100万，于是就和几个小伙伴结队参赛，比赛比了两个月，当时真正的在TB级别的数据下实践了特征工程、调参、交叉验证、计算F1分等等。而且第一次体会了分布式集群的威力。当时比赛用的是阿里云的xlab，也就是机器学习PAI的前身。比赛的时候我就深深的爱上了这款云端的机器学习工具，导致后来我义无反顾的投身阿里云，做了PAI的产品经理，开启了我的机器学习业务实践之路。
讲了这么多我自己的经历，希望对大家有一些启发。总结归纳一下程序员如何转型成为AI工程师。首先，需要确立自己的职责，是算法开发还是算法应用，这两个差别很大。如果工作的性质是通过算法去解决一些实际的业务问题，偏算法应用，那我觉得需要更专注于了解业务以及算法的使用场景。如果工作性质是去开发算法，提升效率，那么需要更多的关注数学推导能力以及编程技巧。机器学习算法对数学的能力要求是非常高的，这就是为什么BAT很多算法开发工程师都是数学专业毕业的原因。 
当明确了自己的定位，还需要一个环境去实践，需要有大量的数据在特定的场景下去不断磨练自己对数据的认知，对数据认知的过程就是将业务抽象成数学公式，将数据转化为特征的过程，我觉得这个能力会比推导算法更重要。在这里给大家一些推荐：
1.首先学习算法可以去看一些书《机器学习实战》（强烈推荐）、《统计学习方法》（偏底层数学推导）、《机器学习实践应用》（偏业务）。也可以去看看吴恩达老师的关于机器学习的斯坦福公开课。
2.关于实践场景，可以去参加Kaggle的比赛或者天池大赛，在这里强烈推荐天池大赛，因为天池不光会提供真实的数据和比赛环境，最关键的是你可以获得许多与高手切磋交流的机会，这些交流会让人快速成长。
3.多多实践，其实市面上有很多现成的开源工具可以使用，有R、Spark-MLib、Sklearn等等，也有很多地方可以下载到开源数据集，推荐UCI数据集。下载好数据，选定一个场景，自己用代码去跑跑效果，比看100篇鸡汤都管用。
最后希望大家都能掌握算法技巧，即使不能从事AI工作，对于数据的认知能力也一定是未来最核心的竞争力。
我自己的一些小看法，仅代表个人哈。
作者微信公众号： 