如何脱坑转AI

  1. 学历要求
    • 虽然AI就业岗位体量大，但是要求相对较高，若无相关经验，本科难以入行，所以最好是能读研，工科我是很推荐大家读研的，和本科的待遇差距挺大，这个如果大家有兴趣，可以另外开帖再谈
    • 如果不是追求进互联网大厂，江大的硕士也足够找到一些中小厂的AI岗位，当然读研的学校越高越好
  2. 专业要求
    • 岗位对于专业的限制不大，所以不是说一定要学计算机、电子信息，从我呆过的几家大中小公司来看，科班出身的从业者的大约20%左右，不乏机械、材料、物理等专业的从业者，属实是学科交叉win麻了
    • 考研时切勿拘泥于专业(除非是要考公，但是要考公学啥技术都无所谓，也不用学AI)，应该更关注学校的title和上岸难易，即使是同等级学校，科班和非科班应聘时，也不会有太大差别，假如计算机要考380，机械只要考340，最后找AI岗位可能是相同的结果，所以同等难度下，考211的计算机不如考985的机械，后者的应聘时反而更有优势
    • 计算机≠AI，传统计算机方向如前后端和AI也没关系，科班的优势仅在于学习的计算机基础对于入门AI来说更快一些，但是这些非科班自学花3个月也足够弥补，在起点上达到一致
  3. 自学要求
    • 咱们江大在资源上确实和名校存在差距，但是能分配到我们大多数人的资源，在差距上是微乎其微的，而且学校里教的内容90%以上在你就业时是用不着的，或者说是和过时的，所以要在AI发展迭代如此快速的背景下，自学当下的前沿技术
    • 有人问要不要报班，这个是没必要的，很多是质量不高的水课，费钱费时，我就走过这样的弯路，不如找个有经验的从业者询问指点一下，如何快速掌握当前AI生态中最常用的技术

如何快速入门AI，有哪些知识点是需要知道的，有哪些工具是需要掌握的，以及大致的学习路线

  1. 科班基础：正如上面说到的科班的优势仅在于学习的计算机基础，这些我们非科班花费3月也足够掌握，其中大部分也是用不着的，所以只学有用的，时间分配如下
    • 计算机组成原理：知道CPU、GPU的概念，进程是如何执行(3 day)
    • 操作系统：知道进程、线程的概念，如何管理，最好是搭配着linux操作系统学习，掌握大约30个常用的linux命令(14 day)
    • 计算机网络：知道IP、Port、URL等概念，实现通信的原理，因为AI是做产品，产品就需要给人使用，所以一定要做成对外的服务，让人来访问(14 day)
    • 数据结构：学这个纯粹是为了应付面试，手撕代码，实际工作用不上，把leetcode hot 100刷熟即可，但是也是最费时的(2 month)
  2. 开发工具：这部分内容比较多，只能说个大概，我有相关的全套整理笔记，后续会发
    • Python：设计语言学Python就够，C系列不做推理优化用不着，Python学习到会写类的程度即可，什么私有保护、继承多态知道就行，大多数代码只会用到最基本的类
    • Pytorch：框架就学Pytorch，其余的难用框架都被淘汰了，可以自己看官方文档学习，把torch的属性、变形、运算，自定义数据集、模型等学会
    • Linux操作系统：最常用的开发系统，掌握常用的大约30个Linux命令，知道如何管理进程，配置环境等
    • docker：轻量化的虚拟机，在开发和搭建服务时很有用，可以快速的搭建环境，常用命令大概10多个
  3. 理论基础：机器学习不用去学，浪费时间，直接从深度学习入手，以及现在建立的很好的生态，一些常用的工具
    • 模型结构：MLP、CNN、GNN、Transformer
    • 模型架构：ResNet、DenseNet、MOE，Encoder-Decoder、Backbone-Neck-Head等要知道
    • 生态工具：huggingface中的Transformers、Diffusers、Accelerate、Peft等库，ModelScope社区和MMLAB社区的封装工具
    • 方向选择：目前发展的最好的都是生成模型，分语言、图像、视频的生成，都大有可为，又可以讲出很多的内容，像是Lora、Position Embedding等，这里实在讲不下了，可以看我后续笔记，自行理解

学习资源

  1. 视频就看B站的视频就看B站的，什么吴恩达，李沐的那些课，工具书就看官方文档，除此之外都是水货浪费时间的