转行AI产品经理，第一步怎么走
想要转行做AI产品经理，没有技术基础，没有产品经验，如何迈出第一步呢？从一个有趣的实验说起，笔者给出了转行AI产品经理的可行建议，进入最优企业，才能更好学习这个行业。
昨天知乎收到一条私信：应届毕业生，打算转行到AI行业，做不了技术工程师；因为大学学的是金融，没有技术基础，做AI产品经理的话可行吗？要怎么规划呢？
虽然已经在私信上回复了，但是感觉还是要展开说一说。
小糖人游戏不知道你有没有听说过小糖人游戏。
一个人成为穷人或者富人，到底是天注定还是靠打拼？天赋秉异和杰出才能在财富累积中，到底能起到什么作用？
为了找到这两个问题的答案，1996年，美国布鲁金斯学会（BrookingsInstitution）的Epstein和Axtell一起用计算机模拟开发出来了一个人工社会财富积累的模型，他们称之为“Sugarscape”，通常翻译为“糖域”，我在这里将其翻译为“糖人国”。
游戏很简单：
在一个二维的虚拟世界中分布着固定的“糖”资源，而随机分布的Agent（可以翻译为“小糖人”）在二维世界中游走，并通过不断的收集身边的“糖”来增加自身资源。
游戏设定每个小糖人都会在一个周期中消耗一定单位的糖，当自身的糖消耗光的时候，这个小糖人就会死去。
计算机模拟出来大概就是下图这个样子。
这个游戏中的“糖”就相当于财富，而每个Agent就相当于社会中的人。
上图左侧是糖人国的糖资源分布情况，由50×50的单元格组成，深色的格子含糖高，浅色的格子含糖少，白色格子的不含糖。
由图可以看出：糖人国境内西南和东北有两座深色的糖山，是糖资源富裕区。与此同时，棋盘上有大片浅色地带（糖资源稀少区域）和白色无糖区（糖资源贫瘠区）。
上图右侧，是250个小糖人（黑点）被随机的播撒在这个棋盘的各个角落，它们在棋盘上漫游，寻找和积累糖资源。每个小糖人都是单独的个体，它们有能力吸收信息，观察四周，并做出行动和选择。
Epstein和Axtell给这些小糖人设置了类似于人的简单决策规则：
小糖人的视力可在东西南北四个方向观测，目标是发现含糖最高的地块并积累糖，一旦单元格里的糖被吃掉后，过一段时间能重新长回来；小糖人所积累到的糖如果跟不上自身新陈代谢消耗，那么小糖人将会饿死，计算机会将其清除出局；250个小糖人被随机分配不同的禀赋：一个禀赋是视力的好坏（有人能看到6格之外，有人只能看到眼前的1格）；二是新陈代谢的能力（有人代谢一次只消耗1单位的糖，有人则需消耗4单位的糖）。一切设定完毕，计算机按下“启动”按钮。实验进行了189次之后，里面10%的糖人获得了比较多的“糖”，特别是其中2个糖人，他们获得了惊人的250个糖资源；而很多糖人要么垂死挣扎，要么已经死去。
189次“糖人的选择”之后，王健林和马云出现了。
上图的横轴是表示小糖人们所拥有的糖量（财富量），左侧少的是穷人（PoorerAgents），右侧多的是富人（RicherAgents），纵轴则是糖人国中穷人和富人的人数。
根据Epstein和Axtell在程序中的设置，我们可随意调整小糖人的各种初始参数，瞧瞧到底哪个参数引发了糖人国的贫富分化。
首先我们都可以想得到，应该是每个人的禀赋不同导致了贫富差距。比方说，有的小糖人视力6倍好于同类，能看到更大的棋盘，更容易找到富糖点；同样的，有的小糖人新陈代谢只有同类的1/4，更易于积蓄余糖，抵御饥荒……
是否这些拥有天赋秉异的小糖人最终演变成了富人？
答案是“No！”
因为，小糖人的个人能力差异是计算机随机分配，按照逻辑来推算，最终财富的分布也应该近似于均匀的随机状态。
但模拟结果并非如此，有些有着很好的视力和很低代谢消耗的小糖人照样分布在穷光蛋的那一群人里——天赋秉异只是增大了你致富的一点儿几率，但并不能完全保障你就能够变成糖人国的富人。
那是不是小糖人降生于糖山，毫不费力就可大捞特捞，瞬间致富；有的小糖人生在贫瘠之地，历尽辛酸找到含糖区算是命大，个别糖人在寻找途中就被饿死——这与巴菲特强调他的运气和其相似，他说自己如果出生在索马里，也许刚刚出生没多久就被饿死了，哪里还有机会成为世界首富？
答案自然也是“No”！
因为，一个小糖人占有资源的优劣也是计算机自动给予的，诞于糖山或诞于荒漠，完全遵循随机原则。按照这个逻辑推算下来，假如天生资源决定了贫富差距，那么最终富人人数和穷人人数应该差不多才对。
但模拟出来的结果却完全不是，这就否认了“出身决定一切”是贫富分化产生的全部原因。
说到底，你是穷人他是富人，真实而又符合逻辑的原因究竟是什么呢？
正确的答案是——天赋秉异+出身位置+随机的运气。
天赋秉异和出身位置很好理解，那么什么叫做“随机的运气”？
我们不妨假定有两个小糖人，A和B——程序一开始，两人的视力、新陈代谢、出生地的含糖资源，各方面条件都一样。
这个时候，在视力所及范围内，A偶然随机向东北方的糖山迈出了一步，真是凑巧，这里居然没有小糖人占领，于是他占领了这个格子，财富开始快速累积，变成了富人，然后越来越富；
B同样四处张望，同样出于偶然，它向东南移动了一步，结果渐渐开始远离富糖区，当它意识到方向错误之时，其它糖人早已围满了通往北方糖山的路径，于是它再无机会，只得随机漫游，在资源贫乏区域拼命采集，却也只能仅顾温饱，最后变为最贫穷的那122个小糖人之一。
就这样，两个天赋秉异和出身都差不多的人，一个微不足道的选择差异，最终导致了其社会财富积累出现了天壤之别，这也可以称之为所谓的“蝴蝶效应”——初始条件极为微小的改变，最终引发结果的巨大差异。
找到糖山只说要聊一聊这个小游戏，并不是讨论贫穷和富裕的的形成原因，而是和大家讨论一下，这个小游戏是否对我们的工作和决策有没有指导意义。
天赋禀异和随机运气我们无法左右，但出身位置是我们可以选择的。
根据以往技术演化，我们可以把公司发展分为三个阶段：
第一阶段，在技术发展的早期，技术不成熟，以研发为主，需要投入大量科研经费，且结果不确定；这一阶段的玩家主要是资金雄厚的大公司，他们有财力投入，注重科研。这一阶段的公司多以技术驱动。
第二阶段，技术已经相对成熟，应用广泛，掌握该技术的人才不再稀缺，中小公司很容易应用到自家产品之上；这一阶段竞争者众多，大家比拼的不再是技术能力，而是产品能力。谁能够把技术和场景更好地结合起来，做出优秀的产品，谁就能快速占领市场。
第三阶段，随着优秀产品的出现，场景和技术结合的路径的出现，大家都明白了应该在什么场景下做什么样的产品；各家的产品都已经成熟，大家无非是抄来抄去，在优化用户体验上已经没有太多的空间。这个时候，大家比拼的就不再是产品能力，而是运营能力。谁能够把营销做好，把运营做得更顺畅，谁就能更持久地获取和留存用户。
而现在，AI的发展还处在第一阶段。研发占主导地位，技术还未扩散，所以寻找糖山就显得尤为重要。
2019年8月28日中国人工智能计算大会的主办方发布了《2019中国人工智能计算力城市排名》，那么这些上榜城市，就是“糖山”。去一个三四线城市做人工智能显然是没有发展空间的，要想做人工智能就去北上广深杭。
但是这只是说去这些城市工作，那么去大公司还是小公司呢？我的建议是去知识密度大的地方。
现在人工智能还处于发展阶段，各项技术方案还没有成熟，一个项目的不确定性要大于确定性。更因为算力和数据的门槛，决定了做人工智能必须要有足够的资金支持，也只有大公司才玩得起人工智能。
根据《2018年中国企业人工智能技术发明专利排行榜（前100名）》，这些企业的专利方向主要包括计算机视觉、智能语音技术、自然语言理解和数据挖掘等领域。围绕人工智能算法的技术应用，主要涉及自动驾驶算法、智能影像辅助诊疗、人脸识别相关应用、智能音箱等语音交互、AI芯片的IC设计等领域。对我们来说这些公司就是糖山的山峰。
总结孟母三迁的故事大家都听说过，耳闻目染的原理大家也都知道，对于打算转行的朋友来说，这些公司是不错的选择。
因为去这些公司知识密度要更大，能更快接触到AI前沿知识和科研成果，第一手的资料和先机，当获取到更多的信息后，你就会比其他人能看的更远。对想转行做AI的小伙伴来说，去北上广深杭的AI大公司，是最优选择。
作者：老张，宜信集团保险事业部智能保险产品负责人，运营军师联盟创始人之一，《运营实战手册》作者之一。
本文由@老张原创发布于人人都是产品经理。未经许可，禁止转载。
题图来自Unsplash，基于CC0协议。
想转行人工智能高效学习路径来了！！！入职第一天即产生价值。
1.强就业导向的学习路线
贪心科技已为数百家企业输送IT与AI技术人才，深切知晓企业对于人才的需求和筛选标准，因此提供的学习路线以强就业为导向。学习计划经过资深教研团队严格打磨，由浅入深，层层递进，专为0基础学员设计。在学习路上拥有明确的方向，一路打怪升级，目标就业。
2.真实企业项目实训
学员参与真实企业项目，将学习的理论变为实际，让掌握的知识和技术变成实际的项目，完成从方案设计到测试部署的全流程，理解企业开发的真实情景。同时在项目中进一步拓展，锤炼自己的业务理解、快速学习，代码实操，问题解决等核心能力，从而在求职的过程中脱颖而出。
3.经验丰富的工程师指导
无论是课程讲师还是实训工程师均为一线大厂工程师，有非常丰富的技术开发经验，通过言传身教，让学员能够近距离理解在真实的企业中如何利用知识和技术解决问题，学会解决问题的方法论。
4.丰富的扩展学习内容
贪心科技基于长期的技术和教学沉淀，拥有丰富的系列课程库、真实企业项目库和技术案例库，可供学员学习和练习，拓展对于行业和技术的理解深度和广度，在短时间内扩充自己的项目精力，提升求职竞争力。
5.智能的实训项目平台
贪心科技实训平台的设计基于先进的教育理念，依托于智能化技术，可以实现项目管理、技能学习、实时会议、代码测试等一站式功能，使学员可以高效地完成实训项目。
6.个性化的求职服务
依托于贪心科技的专业人才服务团队，将由一线大厂工程师为学员提供一对一的简历精修和面试辅导，让学员的简历保持最佳的状态，让面试的准备更有针对性。同时由专业团队将学员简历对接企业，确保简历投递均有反馈，提升整体求职效率。
算法工程师上岸计划
助你成为企业需要的AI人才
对课程有意向的同学
你将收获
完善的知识体系：从Python编程到机器学习的常见算法，到人工智能的专项应用，循序渐进，逐渐掌握完备的知识和技能拥有真实企业AI项目经历：真实企业来源、真实需求场景、真实项目实践，面试时更加从容自信提升工程师核心竞争力：从方案、开发到部署全程实践，全面提升算法、编程、人工智能的综合能力丰富课程资源辅助：可以在项目中学习贪心科技的精品课程，快速补充AI知识和技术，保障项目完成，丰富自己的技能储备专业求职服务助力：提供导师咨询、岗位推荐、简历精修、简历直推和面试辅导，助力拿到心仪的Offer志同道合的伙伴：认识一群拥有相同目标的人，大家项目交流、相互学习、相互鼓励，搭建自己的AI人脉适合人群
在校学生/应届生
日后后想成为算法工程师本科一批次在读及以上，理工科相关专业基础较差或0基础在职人士
想转型成为算法工程师本科毕业及以上学历，理工科相关专业本岗位与人工智能关系较弱或非技术岗计划内容
算法工程师上岸计划通过补充通用基础，学习专项知识、参与真实企业项目实训、面试与求职辅导等一体化和个性化服务，帮助学员筑牢基础的知识和技能，并在真实企业项目中实践和提升，最终成功成为一名算法工程师，由此开启人工智能的职业生涯。本计划共分为3个阶段。
阶段一：基础补充：完善的课程体系
经过验证的课程体系：经过贪心科技xxx名学员的亲身体验，专家教研团队长期打磨，业内领先的人工智能课程内容。友好的学习路线：零基础亦可学习，难度循序渐进，只要想学都能学会讲透核心算法：覆盖核心的机器学习和自然语言处理的知识点，手推重要算法，理解原理，拒绝做“调参侠”。理论与实际结合：区别于只讲理论的课程，每一项技术都配备实战案例，数十个案例来自于医疗、生物、金融、社会科学等十几个不同领域。项目团队监督辅助：项目经理监督进度，助教群内答疑，全方辅助学习阶段二：背景提升：真实企业AI项目
根据自身情况选择项目参加
告别Demo项目，参与真实企业项目真实的需求、场景和数据，从方案到部署进行全程实践实战中全面提升算法、编程、人工智能等核心竞争力，丰富简历背景真实项目经历增加面试谈资完成全部实训项目任务，且通过评测可以获得实训项目证书认证，为项目经历背书根据项目需要，使用贪心科技的课程资源，在项目开始前和进行中对于必要的AI知识和技术进行补充或回顾实训项目1:简历信息分析系统
ResumeInformationAnalysisSystem
简介：在这个项目中，学员将搭建简历信息分析系统，实现精确地解析简历中的核心信息，组合形成候选人画像，从而为企业决策人才获取提供有力支持。
项目来源：一家大型人力资源公司
技术关键词：实体抽取、关系抽取、实体消歧、标签设计等
实训项目2:搭建企业知识图谱
EnterpriseKnowledgeGraph
简介：在这个项目中，学员将搭建一个企业关系知识图谱，整合并展示企业间的相互关系，从而高效整合商业信息，帮助企业的2B业务进行商机的挖掘和快速的决策。
项目来源：一家2B企业的销售部门
技术关键词：实体抽取、关系抽取、实体消歧、知识图谱、标签设计等
实训项目3:智能文本生成系统
SmartTextGenerationSystem
简介：在这个项目中，学员将搭建一个智能文本生成系统，可以根据输入的文章内容在短短数秒之内得到与文章相匹的多条标题，用户可以根据自己的需求选择合适的标题进行运用，同时还可以一键生成摘要，帮助用户快速提取文章重点，浓缩精华，节省大量的人力成本。
项目来源：一家MCN机构
技术关键词：文本生成、预训练等
实训项目完成颁发认证证书
我们会为完成全部实训项目任务，且通过评测的学员颁发实训项目证书，以证明学员在项目中完成的工作和具备的技能，证书具有唯一编号，可支持本人及用人单位进行查询。
阶段三：求职辅导：助力拿到心仪的Offer
导师咨询：基于学员求职方向，邀请导师进行小班/一对一职业发展路径咨询，帮助学员更好地了解行业、岗位，为后续的求职打好基础。岗位推荐：根据学员具体情况与需求，定制化推荐多个合作岗位作为投递备选。简历精修：由专业导师或HR对于学员简历进行精修，确保简历在投递前处于最佳的状态。简历直推：由GreedyAI集团的工作人员直接内推到合作企业，保证简历地准确送达，每次投递都有反馈，告别简历石沉大海。面试辅导：由专业导师在面试前进行指导，或在面试后协助进行复盘，帮助学员改进面试效果。研发团队介绍
李文哲
课程研发负责人
贪心科技CEO
美国南加州大学博士
曾任独角兽金科集团首席数据科学家、美国亚马逊和高盛的高级工程师
先后在AAAI、KDD、AISTATS、CHI等国际会议上发表过15篇以上论文
张老师
实训项目工程师
贪心科技高级算法工程师
清华大学计算机科学与技术硕士
曾任搜狗算法工程师、项目负责人等岗位
谭老师
实训项目工程师
现互联网大厂高级算法工程师
阿拉巴马大学硕士
曾任职网易，华为，平安算法工程师，数据分析师等
发表一篇论文，拥有三个专利
高老师
求职辅导导师
头部金融科技公司资深算法专家
中国科学院博士
专注于对话机器人、语言情感分析、语料挖掘等领域
已发表学术论文7篇，申请专利2篇
周景阳
课程研发顾问
贪心科技教学副总裁
百度资深AI工程师
国美金融技术负责人/架构师
8年以上AI开发经验
多家教育平台金牌讲师，学员10W+
学习方式
基础知识系统补充小组讨论相互学习在项目范围内探索相关技术论文研读以项目落地为目标的综合实践算法工程师上岸计划
助你成为企业需要的AI人才
对课程有意向的同学返回搜狐，查看更多
想转行人工智能机会来了！
一个坏消息：
2018年1月教育部印发的《普通高中课程方案和语文等学科课程标准》新加入了数据结构、人工智能、开源硬件设计等AI相关的课程。
这意味着职场新人和准备找工作的同学们，为了在今后十年内不被淘汰，你们要补课了，从初中开始。
一个好消息：
人工智能尖端人才远远不能满足需求。行业风口的人工智能，在中国人才缺口将超过500万人，而中国人工智能人才数量目前只有5万（数据来自工信部教育考试中心）。
并且目前岗位溢价相当严重，2017年人工智能在互联网岗位薪酬中位列第三，月薪20.1k，如果按照普遍的16月薪酬计算，那么人工智能在2017年一年的薪酬就是2.01*16=32.16万。那么再来看一组2018的薪酬数据： 所以如果你对自己的专业/工作不满意，现在正是进入人工智能领域学习就业/转业的最佳时机。
在面对众多的数学知识和编程知识里，自学会让大家耗费大量的时间金钱。因此，中国科学院计算技术研究所人工智能博士团队开发推出了人工智能《机器学习365天特训营》课程。
为了保证大家的学习效果和就业情况，幂次学院提供7项课程服务，从发展历程、概念、基本名词、术语、评估方法讲起，到算法模型与实战演练：
1、名校大牛讲师授课：中国科学院计算技术研究所人工智能博士团队开发课程，名校大牛授课；
2、365天的系统学习：跟老师直播学习，在线答疑，并完成课后作业；3、优质的售后答疑：全天24小时课程问答与社群交流服务，让你的每一个问题都能够得到解答，课程资料随时下载；4、颁发培训结业证书：通过幂次学院的阶段测试和毕业测试，并颁发幂次学院人工智能培训结业证书，在人工智能领域享有幂次学院中科院团队培训背景；5、直推中型人工智能企业及世界500强工作：对阶段阶段测试成绩优秀者直推中型人工智能企业及世界500强实习或工作，并对毕业测试成绩优秀者保证就业；（详细实习企业资料，请联系客服进行咨询）6、定期人工智能创业者投资者分享会：定期在北京市中科院、中关村、五道口及国贸等地进行人工智能创业者投资者分享会；
7、优质线下活动和人工智能社群链接500位行业优质人脉。
2018年5月19日起365天，每周两次直播，365天100+小时（理论+实战）课程（讲师直播答疑，课程72*4小时问答服务，学院社群72*4小时交流，课程资料随时下载）
购买课程另赠送2门辅助课程：
1. 现在报名免费赠送售价899元的《机器学习之Python编程基础与数据分析》课程，课程内容由清华大学python大牛与美国普渡大学算法工程师主讲，课程内容包括：python基础，python数据分析，python机器学习基础与python在机器学习中的实践案例（详细课程大纲见幂次学院主页）。
2. 现在报名免费赠送售价899元的《人工智能数学基础8天集训营》课程，由中国科学院计算技术研究所博士团队主讲，课程内容包括：矩阵论基础，概率与信息论，数值计算三部分（详细课程大纲见幂次学院主页）。
助力您解决人工智能学习中所需要用到的数学知识、Python编程知识。
立即开始体系化学习，所有知识一步到位！
直播+回放：2018年5月19日开始365天，每周六19：00，20：10开课，直播回放随时随地回看。
报名费用及优惠详情：1、原价16800元：折后特惠价：2999元。2、限时优惠： 添加助教微信进行咨询，领取100元优惠券。 （助教微信见下方二维码）3、团购优惠券： 每人可领取报名人数*100元的优惠券，上限团购3人，eg:两人团购，每人减免200元，三人团购以及超三人每人减免300元；
说明：以上优惠可叠加使用。
长按二维码进入报名页面
长按二维码咨询助教微信
讲师团队介绍（更多讲师详情请关注幂次学院主页：https://mici.jiqishidai.com)
张老师，中国科学院计算技术研究所机器学习方向博士
专注于人机交互、机器学习等领域研究。曾在国内外知名会议期刊发表多篇论文，并荣获人工智能领域会议“最佳论文提名奖”，目前拥有国家发明专利2项、软件著作权1项。拥有机器学习、数据挖掘领域实战经验，曾参与项目：
1、面向病症的多模态在线预警方法研究—国家自然科学基金;2、基于人机交互技术的安全驾驶映射系统—国家国际科技合作专项;3、散发性病症风险基因图谱与预警评估方法研究—北京市科学技术委员会北京脑科学研究项目;4、广东省大数据科学中心项目“基于多模态大数据的复杂疾病临床诊断标准及应用”—广东省科技计划项目NSFC等国家级项目。
李金老师，清华大学机器学习方向本硕双清华毕业生，阿里巴巴机器学习方向算法工程师；
研究方向为：推荐系统，计算机视觉，自然语言处理，深度学习等，在TNNLS，PR等杂志上发表过多篇论文，著有《自学Python—编程基础科学计算及数据分析》一书，Python笔记3K+Star，知乎python及机器学习板块12K+zan，幂次学院签约讲师。
赵朗老师，美国普渡大学硕士毕业生，机器学习工程师/算法工程师，曾参与研究：
1.参与克莱斯勒公司“合金发展”项目，应用机器学习分析产品合格率与合金成分等因素之间的关系；
2.参与浙江大学关于研究材料渗透率的项目，应用机器学习分析材料渗透率与材料结构之间的关系；
3.应用机器学习研究各大风场的风机故障问题，在机器学习，数据挖掘等方面有丰富的实战经验，善于用简单的例子来描述复杂的机器学习概念，善于对学生进行启发，帮助学生掌握机器学习的核心概念与算法。
附：《机器学习365天特训营》课程大纲：
第一部分基础篇
第1章
1.1引言
1.2基本术语
1.3假设空间
1.4归纳偏好
1.5发展历程
1.6应用现状
第2章模型评估与选择
2.1经验误差与过拟合
2.2评估方法
2.2.1留出法
2.2.2交叉验证法
2.2.3自助法
2.2.4调参与最终模型
2.3性能度量
2.3.1错误率与精度
2.3.2查准率、查全率与F1
2.3.3ROC与AUC
2.3.4代价敏感错误率与代价曲线
2.4比较检验
2.4.1假设检验
2.4.2交叉验证t检验
2.4.3McNemar检验
2.4.4Friedman检验与后续检验
2.5偏差与方差
第3章线性模型
3.1基本形式
3.2线性回归
3.3对数几率回归
3.4线性判别分析
3.5多分类学习
3.6类别不平衡问题
第4章决策树
4.1基本流程
4.2划分选择
4.2.1信息增益
4.2.2增益率
4.2.3基尼指数
4.3剪枝处理
4.3.1预剪枝
4.3.2后剪枝
4.4连续与缺失值
4.4.1连续值处理
4.4.2缺失值处理
4.5多变量决策树
第5章神经网络
5.1神经元模型
5.2感知机与多层网络
5.3误差逆传播算法
5.4全局最小与局部极小
5.5其他常见神经网络
5.5.1RBF网络
5.5.2ART网络
5.5.3SOM网络
5.5.4级联相关网络
5.5.5Elman网络
5.5.6Boltzmann机
5.6深度学习
第6章支持向量机
6.1间隔与支持向量
6.2对偶问题
6.3核函数
6.4软间隔与正则化
6.5支持向量回归
6.6核方法
第7章贝叶斯分类器
7.1贝叶斯决策论
7.2极大似然估计
7.3朴素贝叶斯分类器
7.4半朴素贝叶斯分类器
7.5贝叶斯网
7.5.1结构
7.5.2学习
7.5.3推断
7.6EM算法
第8章集成学习
8.1个体与集成
8.2Boosting
8.3Bagging与随机森林
8.3.1Bagging
8.3.2随机森林
8.4结合策略
8.4.1平均法
8.4.2投票法
8.4.3学习法
8.5多样性
8.5.1误差--分歧分解
8.5.2多样性度量
8.5.3多样性增强
第9章聚类
9.1聚类任务
9.2性能度量
9.3距离计算
9.4原型聚类
9.4.1k均值算法
9.4.2学习向量量化
9.4.3高斯混合聚类
9.5密度聚类
9.6层次聚类
第10章降维与度量学习
10.1k近邻学习
10.2低维嵌入
10.3主成分分析
10.4核化线性降维
10.5流形学习
10.5.1等度量映射
10.5.2局部线性嵌入
10.6度量学习
第二部分进阶篇
第11章特征选择与稀疏学习
11.1子集搜索与评价
11.2过滤式选择
11.3包裹式选择
11.4嵌入式选择与L_1正则化
11.5稀疏表示与字典学习
11.6压缩感知
第12章计算学习理论
12.1基础知识
12.2PAC学习
12.3有限假设空间
12.3.1可分情形
12.3.2不可分情形
12.4VC维
12.5Rademacher复杂度
12.6稳定性
第13章半监督学习
13.1未标记样本
13.2生成式方法
13.3半监督SVM
13.4图半监督学习
13.5基于分歧的方法
13.6半监督聚类
第14章概率图模型
14.1隐马尔可夫模型
14.2马尔可夫随机场
14.3条件随机场
14.4学习与推断
14.4.1变量消去
14.4.2信念传播
14.5近似推断
14.5.1MCMC采样
14.5.2变分推断
14.6话题模型
第15章规则学习
15.1基本概念
15.2序贯覆盖
15.3剪枝优化
15.4一阶规则学习
15.5归纳逻辑程序设计
15.5.1最小一般泛化
15.5.2逆归结
第16章强化学习
16.1任务与奖赏
16.2K-摇臂赌博机
16.2.1探索与利用
16.2.2ε-贪心
16.2.3Softmax
16.3有模型学习
16.3.1策略评估
16.3.2策略改进
16.3.3策略迭代与值迭代
16.4免模型学习
16.4.1蒙特卡罗强化学习
16.4.2时序差分学习
16.5值函数近似
16.6模仿学习
16.6.1直接模仿学习
16.6.2逆强化学习
第17章增量学习
17.1被动攻击学习
17.1.1梯度下降量的抑制
17.1.2被动攻击分类
17.1.3被动攻击回归
17.2适应正则化学习
17.2.1参数分布的学习
17.2.2适应正则化分类
17.2.3适应正则化回归
17.3增量随机森林
第18章迁移学习
18.1迁移学习简介
18.1.1什么是迁移学习
18.1.2迁移学习VS传统机器学习
18.1.3应用领域
18.2迁移学习的分类方法
18.2.1按迁移情境
18.2.2按特征空间
18.2.3按迁移方法
18.3代表性研究成果
18.2.1域适配问题
18.2.2多源迁移学习
18.2.3深度迁移学习
第19章主动学习
19.1主动学习简介
19.2主动学习思想
19.3主动学习VS半监督学习
19.4主动学习VSSelf-Learning
第20章多任务学习
20.1使用最小二乘回归的多任务学习
20.2使用最小二乘概率分类器的多任务学习
20.3多次维输出函数的学习
第三部分实战篇
第21章机器学习应用场景介绍
21.1机器学习经典应用场景
21.2头脑风暴：挖掘身边的应用场景
第22章数据预处理
22.1数据降噪
22.2数据分割
第23章特征提取
23.1时域特征
23.2频域特征
23.3自动特征提取
第24章机器学习方法应用
24.1应用机器学习方法之前的处理
24.2使用机器学习分类
24.3机器学习调参
24.4分类结果展示
还在等什么？快邀请自己的小伙伴一起来加入《机器学习365天特训营》吧！未来将是属于我们的时代！点击“阅读原文”进行报名！如有疑问，请随时联系客服（上方二维码）。
想转行人工智能机会来了！！！
一个坏消息：
2018年1月教育部印发的《普通高中课程方案和语文等学科课程标准》新加入了数据结构、人工智能、开源硬件设计等AI相关的课程。
这意味着职场新人和准备找工作的同学们，为了在今后十年内不被淘汰，你们要补课了，从初中开始。
一个好消息：
人工智能尖端人才远远不能满足需求。行业风口的人工智能，在中国人才缺口将超过500万人，而中国人工智能人才数量目前只有5万（数据来自工信部教育考试中心）。
并且目前岗位溢价相当严重，2017年人工智能在互联网岗位薪酬中位列第三，月薪20.1k，如果按照普遍的16月薪酬计算，那么人工智能在2017年一年的薪酬就是2.01*16=32.16万。那么再来看一组2018的薪酬数据：
所以如果你对自己的专业/工作不满意，现在正是进入人工智能领域学习就业/转业的最佳时机。
在面对众多的数学知识和编程知识里，自学会让大家耗费大量的时间金钱。因此，中国科学院计算技术研究所人工智能博士团队开发推出了人工智能机器学习365天特训营课程。（扫描最底部二维码联系助教）
为了保证大家的学习效果和就业情况，幂次学院提供4项课程服务，从发展历程、概念、基本名词、术语、评估方法讲起，到算法模型与实战演练：
1、名校大牛讲师授课：中国科学院计算技术研究所人工智能博士团队开发课程，名校大牛授课；
2、365天的系统学习：跟老师直播学习，直播回放4年内随时随地回看，在线答疑，并完成课后作业；
3、优质的售后答疑：全天24小时课程问答与社群交流服务，让你的每一个问题都能够得到解答，课程资料随时下载；
4、颁发培训结业证书：通过幂次学院的阶段测试和毕业测试，并颁发幂次学院人工智能培训结业证书。
合计365+天，每周两次直播，365天100+小时（理论+实战）课程（讲师直播答疑，课程7*24小时问答服务，学院社群7*24小时交流，课程资料随时下载）
购买课程另赠送2门辅助课程：
1. 现在报名免费赠送售价899元的机器学习之Python编程基础与数据分析课程，课程内容由清华大学python大牛与美国普渡大学算法工程师主讲，课程内容包括：python基础，python数据分析，python机器学习基础与python在机器学习中的实践案例（详细课程大纲见幂次学院主页）。
2. 现在报名免费赠送售价899元的人工智能数学基础8天集训营课程，由中国科学院计算技术研究所博士团队主讲，课程内容包括：矩阵论基础，概率与信息论，数值计算三部分（详细课程大纲见幂次学院主页）。
助力您解决人工智能学习中所需要用到的数学知识、Python编程知识。
立即开始体系化学习，所有知识一步到位！
直播+回放：合计365+天，每周六19：00-21：00开课，直播回放随时随地回看。
讲师团队介绍（更多讲师详情请关注幂次学院主页：https://mici.jiqishidai.com)
张老师，中国科学院计算技术研究所机器学习方向博士
专注于人机交互、机器学习等领域研究。曾在国内外知名会议期刊发表多篇论文，并荣获人工智能领域会议“最佳论文提名奖”，目前拥有国家发明专利2项、软件著作权1项。拥有机器学习、数据挖掘领域实战经验，曾参与项目：
1、面向病症的多模态在线预警方法研究—国家自然科学基金;2、基于人机交互技术的安全驾驶映射系统—国家国际科技合作专项;3、散发性病症风险基因图谱与预警评估方法研究—北京市科学技术委员会北京脑科学研究项目;4、广东省大数据科学中心项目“基于多模态大数据的复杂疾病临床诊断标准及应用”—广东省科技计划项目NSFC等国家级项目。
李金老师，清华大学机器学习方向本硕双清华毕业生，阿里巴巴机器学习方向算法工程师；
研究方向为：推荐系统，计算机视觉，自然语言处理，深度学习等，在TNNLS，PR等杂志上发表过多篇论文，著有《自学Python—编程基础科学计算及数据分析》一书，Python笔记3K+Star，知乎python及机器学习板块12K+zan，幂次学院签约讲师。
赵朗老师，美国普渡大学硕士毕业生，机器学习工程师/算法工程师，曾参与研究：
1.参与克莱斯勒公司“合金发展”项目，应用机器学习分析产品合格率与合金成分等因素之间的关系；
2.参与浙江大学关于研究材料渗透率的项目，应用机器学习分析材料渗透率与材料结构之间的关系；
3.应用机器学习研究各大风场的风机故障问题，在机器学习，数据挖掘等方面有丰富的实战经验，善于用简单的例子来描述复杂的机器学习概念，善于对学生进行启发，帮助学生掌握机器学习的核心概念与算法。
附：机器学习365天特训营-课程大纲：
第一部分基础篇
第1章
1.1引言
1.2基本术语
1.3假设空间
1.4归纳偏好
1.5发展历程
1.6应用现状
第2章模型评估与选择
2.1经验误差与过拟合
2.2评估方法
2.2.1留出法
2.2.2交叉验证法
2.2.3自助法
2.2.4调参与最终模型
2.3性能度量
2.3.1错误率与精度
2.3.2查准率、查全率与F1
2.3.3ROC与AUC
2.3.4代价敏感错误率与代价曲线
2.4比较检验
2.4.1假设检验
2.4.2交叉验证t检验
2.4.3McNemar检验
2.4.4Friedman检验与后续检验
2.5偏差与方差
第3章线性模型
3.1基本形式
3.2线性回归
3.3对数几率回归
3.4线性判别分析
3.5多分类学习
3.6类别不平衡问题
第4章决策树
4.1基本流程
4.2划分选择
4.2.1信息增益
4.2.2增益率
4.2.3基尼指数
4.3剪枝处理
4.3.1预剪枝
4.3.2后剪枝
4.4连续与缺失值
4.4.1连续值处理
4.4.2缺失值处理
4.5多变量决策树
第5章神经网络
5.1神经元模型
5.2感知机与多层网络
5.3误差逆传播算法
5.4全局最小与局部极小
5.5其他常见神经网络
5.5.1RBF网络
5.5.2ART网络
5.5.3SOM网络
5.5.4级联相关网络
5.5.5Elman网络
5.5.6Boltzmann机
5.6深度学习
第6章支持向量机
6.1间隔与支持向量
6.2对偶问题
6.3核函数
6.4软间隔与正则化
6.5支持向量回归
6.6核方法
第7章贝叶斯分类器
7.1贝叶斯决策论
7.2极大似然估计
7.3朴素贝叶斯分类器
7.4半朴素贝叶斯分类器
7.5贝叶斯网
7.5.1结构
7.5.2学习
7.5.3推断
7.6EM算法
第8章集成学习
8.1个体与集成
8.2Boosting
8.3Bagging与随机森林
8.3.1Bagging
8.3.2随机森林
8.4结合策略
8.4.1平均法
8.4.2投票法
8.4.3学习法
8.5多样性
8.5.1误差--分歧分解
8.5.2多样性度量
8.5.3多样性增强
第9章聚类
9.1聚类任务
9.2性能度量
9.3距离计算
9.4原型聚类
9.4.1k均值算法
9.4.2学习向量量化
9.4.3高斯混合聚类
9.5密度聚类
9.6层次聚类
第10章降维与度量学习
10.1k近邻学习
10.2低维嵌入
10.3主成分分析
10.4核化线性降维
10.5流形学习
10.5.1等度量映射
10.5.2局部线性嵌入
10.6度量学习
第二部分进阶篇
第11章特征选择与稀疏学习
11.1子集搜索与评价
11.2过滤式选择
11.3包裹式选择
11.4嵌入式选择与L_1正则化
11.5稀疏表示与字典学习
11.6压缩感知
第12章计算学习理论
12.1基础知识
12.2PAC学习
12.3有限假设空间
12.3.1可分情形
12.3.2不可分情形
12.4VC维
12.5Rademacher复杂度
12.6稳定性
第13章半监督学习
13.1未标记样本
13.2生成式方法
13.3半监督SVM
13.4图半监督学习
13.5基于分歧的方法
13.6半监督聚类
第14章概率图模型
14.1隐马尔可夫模型
14.2马尔可夫随机场
14.3条件随机场
14.4学习与推断
14.4.1变量消去
14.4.2信念传播
14.5近似推断
14.5.1MCMC采样
14.5.2变分推断
14.6话题模型
第15章规则学习
15.1基本概念
15.2序贯覆盖
15.3剪枝优化
15.4一阶规则学习
15.5归纳逻辑程序设计
15.5.1最小一般泛化
15.5.2逆归结
第16章强化学习
16.1任务与奖赏
16.2K-摇臂赌博机
16.2.1探索与利用
16.2.2ε-贪心
16.2.3Softmax
16.3有模型学习
16.3.1策略评估
16.3.2策略改进
16.3.3策略迭代与值迭代
16.4免模型学习
16.4.1蒙特卡罗强化学习
16.4.2时序差分学习
16.5值函数近似
16.6模仿学习
16.6.1直接模仿学习
16.6.2逆强化学习
第17章增量学习
17.1被动攻击学习
17.1.1梯度下降量的抑制
17.1.2被动攻击分类
17.1.3被动攻击回归
17.2适应正则化学习
17.2.1参数分布的学习
17.2.2适应正则化分类
17.2.3适应正则化回归
17.3增量随机森林
第18章迁移学习
18.1迁移学习简介
18.1.1什么是迁移学习
18.1.2迁移学习VS传统机器学习
18.1.3应用领域
18.2迁移学习的分类方法
18.2.1按迁移情境
18.2.2按特征空间
18.2.3按迁移方法
18.3代表性研究成果
18.2.1域适配问题
18.2.2多源迁移学习
18.2.3深度迁移学习
第19章主动学习
19.1主动学习简介
19.2主动学习思想
19.3主动学习VS半监督学习
19.4主动学习VSSelf-Learning
第20章多任务学习
20.1使用最小二乘回归的多任务学习
20.2使用最小二乘概率分类器的多任务学习
20.3多次维输出函数的学习
第三部分实战篇
第21章机器学习应用场景介绍
21.1机器学习经典应用场景
21.2头脑风暴：挖掘身边的应用场景
第22章数据预处理
22.1数据降噪
22.2数据分割
第23章特征提取
23.1时域特征
23.2频域特征
23.3自动特征提取
第24章机器学习方法应用
24.1应用机器学习方法之前的处理
24.2使用机器学习分类
24.3机器学习调参
24.4分类结果展示
报名费用及优惠详情：原价16800元：折后特惠价：2999元。
长按二维码咨询助教微信
长按二维码进入报名页面