65 lines
4.0 KiB
Markdown
65 lines
4.0 KiB
Markdown
# FAQ：常见问题
|
||
|
||
## 我是非计算机专业的，感觉AI很火，可以看这篇内容吗
|
||
|
||
如果你不打算做相关研究的话，我觉得你最先应该考虑的是熟练掌握使用AI工具，本章内容更偏向于完善AI方面的知识体系架构
|
||
|
||
## 我对AI/CV/NLP/blabla研究方向很感兴趣可以看这篇内容吗？
|
||
|
||
目前的本章节的内容的定位仍在引导大家有更广阔的视野，在引导的同时给大家正确的学习/思考模式。
|
||
|
||
因此如果你想学某个知识体系，可以参考本章内容的路线，但是若你有足够强大的能力可以直接应对国外课程体系的困难，那么我非常推荐你去直接看英文内容
|
||
|
||
因为我们在降低门槛的时候也一定程度上让各位损失了一定的训练，在概括的过程中，信息量被稀释了，抽象地描述也许更能让你get到一些思想性的内容
|
||
|
||
## 我数学不好可以学吗
|
||
|
||
可以。我将在教程的脉络中引入数学的相关内容，帮助你正确认识数学和 AI 技术的相关性。
|
||
|
||
并且我希望你阅读这些文章
|
||
|
||
- [数学不好可以学机器学习吗](https://machinelearningmastery.com/what-if-im-not-good-at-mathematics/)
|
||
- [没有数学专业背景和理解机器学习算法的 5 种技巧](http://machinelearningmastery.com/techniques-to-understand-machine-learning-algorithms-without-the-background-in-mathematics/)
|
||
- [我是如何学习机器学习的？](https://www.quora.com/Machine-Learning/How-do-I-learn-machine-learning-1)
|
||
|
||
## 很多东西学校都没学
|
||
|
||
如果你完全依赖学校的进度，你可能一直都会有认为学校应该教但你没学到的东西
|
||
|
||
同时，这是一门前沿学科，学校学习的多数内容并不能达到掌握相关知识的要求。
|
||
|
||
你应该更多地依赖自己而不是学校
|
||
|
||
|
||
|
||
# [如果不是相关领域可以找到这个领域工作吗](https://www.quora.com/How-do-I-get-a-job-in-Machine-Learning-as-a-software-programmer-who-self-studies-Machine-Learning-but-never-has-a-chance-to-use-it-at-work)
|
||
|
||
> “我正在为团队招聘专家，但你的 MOOC 并没有给你带来工作学习机会。我大部分机器学习方向的硕士也并不会得到机会，因为他们（与大多数工作）上过 MOOC 的人一样）并没有深入地去理解。他们都无法帮助我的团队解决问题。” Ross C. Taylor
|
||
|
||
## 人工智能，深度学习，机器学习，数据分析，我该如何区分
|
||
|
||
人工智能包括机器学习
|
||
|
||
机器学习包括深度学习
|
||
|
||
|
||
|
||
[同时向你推荐这个 Data Analytics，Data Analysis，数据挖掘，数据科学，机器学习，大数据的区别是什么？](https://www.quora.com/What-is-the-difference-between-Data-Analytics-Data-Analysis-Data-Mining-Data-Science-Machine-Learning-and-Big-Data-1)
|
||
|
||
|
||
|
||
## 我没有任何相关概念
|
||
|
||
尝试阅读以下内容
|
||
|
||
- [形象的机器学习简介](http://www.r2d3.us/visual-intro-to-machine-learning-part-1/)
|
||
- [一份温柔的机器学习指南](https://blog.monkeylearn.com/a-gentle-guide-to-machine-learning/)
|
||
- [为开发者准备的机器学习简介](http://blog.algorithmia.com/introduction-machine-learning-developers/)
|
||
- [菜鸟的机器学习基础](https://www.analyticsvidhya.com/blog/2015/06/machine-learning-basics/)
|
||
- [你如何向非计算机专业的人来解释机器学习与数据挖掘？](https://www.quora.com/How-do-you-explain-Machine-Learning-and-Data-Mining-to-non-Computer-Science-people)
|
||
- [在罩子下的机器学习，博文简单明了地介绍了机器学习的原理](https://georgemdallas.wordpress.com/2013/06/11/big-data-data-mining-and-machine-learning-under-the-hood/)
|
||
- [机器学习是什么？它是如何工作的呢？](https://www.youtube.com/watch?v=elojMnjn4kk&list=PL5-da3qGB5ICeMbQuqbbCOQWcS6OYBr5A&index=1)
|
||
- [深度学习——一份非技术性的简介](http://www.slideshare.net/AlfredPong1/deep-learning-a-nontechnical-introduction-69385936)
|
||
|
||
|