最近朋友圈时不时让人工智能，深度学习，机器学习的文章刷屏，时不时冒出一些论调，算法工程师年薪百万耶，我也要当！以前没学会？没关系啊，我现在开始学，这就把工作辞了脱产学机器学习、深度学习、用 Python 调库、给 TensorFlow 调参去，学会了我也年薪百万了！

各大广告商以及各种自媒体顺势造势，仿佛如果现在不学习人工智能明天就得去要饭了。那么人工智能是什么？人工智能脱掉华丽的外衣后还有什么？

◆ ◆ ◆ ◆ ◆

机器学习的定义是：“在没有明确编程指令的情况下让计算机采取行动的科学。”目前我所了解的商业化的机器学习包含三类，一类是算法，二类是算法应用，三类是大数据。如果对这样一个概念不是很清楚，我可以给大家来一个类比（当然这样的类比不是很准确，只是让不了解的人理解这样一个概念），一个大家都很熟悉的圆的面积计算公式的类比。圆的公式大家都明白，

这里我们假设圆的算法公式不知道，需要通过深度学习的方式来求导，那么圆的面积假设成S=A*R*R+B（R是半径，A和B是未知）,这样一个公式就相当于算法的公式。

接下来登场的就是大数据，大数据是怎样一个角色呢，大数据就是你用大量的数据去纠错去验证，得到A和B的值。那么应用呢？

应用就是拿着推导出来的这样一个圆的公式进行实际的应用，比如去计算一个蛋糕的编辑，比如去计算眼镜的镜片的大小等等。（以下岗位只是大方向，每家公司会有自己的定义，本人所在的公司就是算法和算法应用统称机器算法工程师）

算法

诚然，真实的算法岗位没有我上面讲的圆的面积公式那么简单，目前商业化的机器学习中的算法岗位的人少之又少，这是一群什么样的人？这是一群喝茶看论文，喝茶研究论文，喝茶验证论文的岗位。他们需要保持足够的思维去探索隐藏着的那些公式。去参加各种高深的知识论坛，去点燃头脑里的那颗小宇宙。

这是一群高精尖的群体，少之又少的群体。

必备能力

1.英语能力：首先要能读懂国内外的各种论文。有兴趣的同学可以去https://arxiv.org 看看。

2.数学能力：微积分，统计学，概率论一个都不能少。

3.编写工具的能力：如果你不能自己创造算法，至少能够用各种工具验证算法的正确性。

4.理论联系实际：哲学大师出场了，要耐得住寂寞，要结合实际，不能弄一个完全不能落地的算法。

大数据

我所了解的好几个公司的有关大数据采集的岗位就有点类似于我上面讲的例子，虽然有点夸张，但确实是难度要求比较低的岗位，他需要做的就是把采集来的数据进行分类，整理，供他人所用。我之前的机器自动定位的项目中，找工程师提供了上万张需要定位的产品的图片。

上面那个例子中明确哪些数据是属于面积，哪些数据是属于半径，对数据明确的分类，然后将这些数据库存储。

必备能力：

1.收集各种数据，并对数据进行分类。

2.提取大量数据的能力，有些数据不会自动跑过来，你需要自己去获取，比如利用爬虫去各大网站去获取。

算法应用（外面需求度最高的也是这样的岗位）

如果说大数据岗位是难度低的岗位，那么算法应用就是难度稍微高一点，但是范围更广的岗位，目前广为大家所知的人脸识别，无人驾驶很大一部分都属于这样一个范畴。本人之前就做过这方面的工作，利用机器去读取大量的图片，来达到机器自动化设备的自动定位功能（此处大牛不要挑刺，用常规的方案也是可以实现的）。

上面那个例子中去试出更接近真实情况的A和B，甚至是算出A=3.14之后，再往后推算出3.1415926之后的几千位，获得那能够战胜人类的A值。这种叫做调参。

必备能力：

1.编码能力：既然是程序员，自然丢不了编码

2.数据操作能力：链、树、图的构建、删除、遍历、查找、排序。

3.逻辑分析能力：在日常工作中找出数据间的规律是常事。

4.在一些公司没有算法工程师的时候，承接一些算法的活也是常态。

◆ ◆ ◆ ◆ ◆

悄悄的机器学习的时代已经来临，脱掉那些华丽的衣衫之后，你看到了啥？认清时代现状，找准自己的位置，在广阔无边中找到属于自己的那抹朝阳。