5月8日，谷歌召開一年一度的Google I/O大會。谷歌CEO直接祭出了這次大會的王牌AI，這個智能過人的Al讓人看完不禁倒吸一口涼氣……

在現場演示的整段對話中，Google Assistant表現的自然流暢，理發店那頭絲毫沒有察覺到自己竟然是在和AI對話！有人認為：AI將越來越快顛覆人類社會秩序，Google Assistant這樣可怕的人工智能將會逐步掌控我們的生活。

阿里的王堅博士曾在一次主題演講里談到：「不要擔心 AI 毀滅人類，要相信人們能夠設計出一個好的架構讓 AI 好好為人類工作」。

要讓AI好好為人類工作，離不開AI 工程師和科學家。騰訊近期發布的報告顯示，目前人工智能領域合格的研究人員數量僅為30萬，其中包括相關研究領域的學生。然而，全國范圍內，人工智能的人才缺口卻為一百萬甚至更多。因此，2018年及未來的幾年內，“搶得到人才”絕對是人工智能企業發展的前提及關鍵。

（圖片來源：騰訊研究院-全球人工智能人才白皮書）

巨大的人才缺口就意味著無數的潛在機會。在這波AI熱潮下，要不要踏入或轉型成為人工智能工程師，應該是很多人關心的問題。

與之前的云計算、移動互聯網相比，成為 AI 工程師，門檻相對較高，而且需要在現有技能樹的基礎上再有較長時間的積累才行。要成為一名合格的人工智能工程師，在掌握開發工程師的通用技能以外，還需要掌握一張不算小的知識網絡。

如果以機器學習算法工程師的技能圖譜為例，大概就是這樣子的 ↓

（文末告知如何獲取圖片清晰版）

?對于機器學習工程師來說，想要入門，先得解決以下三個基礎知識攔路虎。

基礎一：數學基礎

線性代數和微積分基礎

統計學相關基礎

相關線性分析

基礎二：編程基礎

掌握相關的編程語言，比如 C++ / Python / Go / Java 等，目前 Python 是機器學習深度學習領域最主流的編程語言，熱的發燙。

基礎三：機器學習的基礎

對基礎概念的理解，比如擬合、關聯規則（Apriori、FP-Growth）、回歸（Linear Regression、Logistics Regression）、決策樹（ID3、C4.5、CART、GBDT、RandomForest）、降維……等等。

在互聯網領域從事機器學習的人，有下列兩類背景的人比較多：

1.程序員出身，這類同學工程經驗相對會多一些

2.學數學統計領域出身，這部分同學理論基礎相對扎實一些。

因此對比上圖，2類同學入門機器學習，所欠缺和需要加強的部分是不一樣的。下面就上述圖中的部分，展開來分別扯幾句：

數學基礎

機器學習相對于其他開發工作更有門檻的根本原因就是數學。基本所有常見機器學習算法需要的數學基礎，都集中在微積分、線性代數和概率與統計當中。

典型算法

絕大多數問題用典型機器學習的算法都能解決，粗略地列舉一下這些方法如下：

機器學習里所說的“算法”與程序員所說的“數據結構與算法分析”里的“算法”略有區別。前者更關注結果數據的召回率、精確度、準確性等方面，后者更關注執行過程的時間復雜度、空間復雜度等方面。 當然，實際機器學習問題中，對效率和資源占用的考量是不可或缺的。

編程語言、工具和環境

看了無數的理論與知識，總歸要落到實際動手實現和解決問題上。對初學者而言，Python和R語言是很好的入門語言，很容易上手，同時有活躍的社區支持，豐富的工具包幫助我們完成想法。

基本工作流程

以上我們基本具備了機器學習的必要條件，剩下的就是怎么運用它們去做一個完整的機器學習項目。工作流程如下:抽象成數學問題——獲取數據——特征預處理與特征選擇——訓練模型與調優——模型診斷——模型融合——上線運行。

這些工作流程主要是工程實踐上總結出的一些經驗，并不是每個項目都包含完整的一個流程。只有大家自己多實踐，多積累項目經驗，才會有自己更深刻的認識。

說了這么多，你應該對機器學習都有了基本框架。如果覺得自個兒學習累，想找些引路人，可以聽一些免費的人工智能入門直播課，比如網易云課堂接下來的人工智能免費公開課。