向AI转行——人工智能工程师必学的数学基础
数学使人工智能成为一门规范的科学，是人工智能发展必不可少的基础，在人工智能的各个发展阶段都起着关键的作用。
虽然数学一向是被认为独立性最强的纯科学，但是在AI时代，数学已经咸鱼翻身。
现代电子计算机的运算已经不只是简单的运算，而是有逻辑和推理能力，这就是人工智能。而这种运算的基础，仍然是数学。由此可见基础数学教育的重要。数字化时代也正是在这个意义上命名的。
数学使人工智能成为一门规范的科学，是人工智能发展必不可少的基础，在人工智能的各个发展阶段都起着关键的作用。
概率论与数理统计，矩阵分析，最优化理论，凸优化，数学分析，泛函分析等等，是人工智能科学必学的数学基础学科。
人工智能要解决各种不确定问题，这需要数学为其提供不确定推理的基础，概率理论则是实现不确定推理的数学基础。概率论、随机过程、数理统计构成了概率理论，为人工智能处理各种不确定问题奠定了基础。
支持向量机是人工智能的主要分类方法之一，其数学基础为核函数。可计算理论是人工智能的重要理论基础和工具，为了回答是否存在不可判定的问题，数理逻辑学家提出了关于算法的定义（把一般数学推理形式化为逻辑演绎）。可以被计算，就是要找到一个解决问题的算法。在不可计算性以外，如果解决一个问题需要的计算时间随着实例规模呈指数级增长，则该问题被称为不可操作的，对这个问题的研究产生了计算复杂性。可计算性和计算复杂性为人工智能判断问题求解可能性奠定了数学基础。
人工智能学科诞生的时候，在概率论的基础上，出现了条件概率及贝叶斯定理，奠定了大多数人工智能系统中不确定推理的现代方法基础。
贝叶斯网络起源于条件概率，是一种描述变量间不确定因果关系的图形网络模型，是目前人工智能，典型用于各种推理的数学工具。传递算法为贝叶斯网提供了一个有效算法，为其进入实用领域奠定了数学基础。后来，面向对象的思想引入贝叶斯网，用于解决大型复杂系统的建模问题。将时间量引入贝叶斯网则形成了动态贝叶斯网，动态贝叶斯网提供了随时间变化的建模和推理工具。贝叶斯网络节点兼容离散变量和连续数字变量则形成了混合贝叶斯网，混合贝叶斯网在海量数据的挖掘和推理上有较大优势。贝叶斯在人工智能领域的应用主要包括故障诊断，系统可靠性分析，航空交通管理，车辆类型分类等。
相信想要转行人工智能的小伙伴们，对所要学习的数学基础课程已经有了一个大概的范围概念。下面我们为大家推荐一门人工智能学科数学基础系列课程，课程从机器学习用到的概率与统计推断、矩阵、凸优化三个方面来详述相关需要用到数学知识，为您的人工智能转行之路打下基础：
作者：CSDNedu来源：CSDN原文：https://blog.csdn.net/csdnedu/article/details/78458660版权声明：本文为博主原创文章，转载请附上博文链接！
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，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，每周六19：00，20：10开课，直播回放随时随地回看。
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）。
大龄人员转行人工智能的一点小感悟From交大人工智能中心
一路学习下来，我的感言是：其实，看到很多人都发表了感言、晒offer、分享经历，虽然我也蛮想得到去做的，但是总是动力不足，因为跟大家比，我的成就并不算什么，但是有一点，我可能是交大人工智能中心最老的一个学员啦，哈哈，所以还是决定分享一下，给大龄的学员们一个鼓励吧。
做了七年的开发，期间明白一个道理，打败你的从来就不是身心的劳累，而是自我的丧失，尤其是与未来的疏离。当我终于痛下决心的时候，我最大的敌人是原本的行业的自我怀疑以及焦虑和纠结。
5月14日，我在本子上开始了第一次笔记，接下来的每一天我都5点起床学习2个小时，晚上9点继续，一直保持到学习完，是的，期间完全都没停下来，所以当我一轮一轮筛选公司和职位时，焦虑中带着疲惫，但又有着期待，可以说当时我心仪的机会很多，由于受限于独自照顾孩子的身份，我给自己的定位就是公司离家一小时以内车程，越近越好，岗位有空间，公司有发展，待遇不挑剔。
本着认真对待每一个面试的原则，我把选出来的几家分别作了文件夹，去搜索进入这类行业后，应该先考虑的事情，以及这类行业的环境，不知道是不是时机未到，总是前面异常顺利，最后没有结果。经过了三家公司的沟通之后，我陷入了第一次巨大的焦虑中，几乎让我觉得自己是否考虑清楚这样转行。
多年来一直在岗位内做开发，且未曾面试过的经历，已然让我忘却了主要的面试交流方式，在老师听了我面试的录音后，发现了我最大的问题，也就是能说的没说，有些项目描述有点匆匆而过，若对方没有互动或继续细节下去，很可能我的回答，根本没在对方的需求点上。
这也跟我对自己有过工作经历而过于自信有关，上完实践课后，我便忙于一些琐事，没去听关于面试方面的内容，导致了前面的失策。第四次的面试，整体感觉好了很多，我开始把在项目实践课中，在企业内部做的那些项目一一的做细节描述。而这样的结果便是，我在一周内，获得了这个offer，并且基本上符合我对新工作的全部要求。
所以我来写了这个分享，只是想告诉每一个想要通过学习改变一些什么的你，或者像我这样已工作7年想要转行的你，不管你的经历是怎样的，也不管你的年龄多大，这个社会能提供的机会真的很多很多，你首先要做的便是选择一个能够真正帮助到你的平台，一个真实的场景环境，然后接下来，狠狠的去学，进入项目后狠狠的去做，因为只有这样，在这里你能一举改变自己。