《世嘉人类》远古时代好用AI选择推荐

机器学习
Programming Collective Intelligence
本书以机器学习与计算统计为主题背景，专门讲述如何挖掘和分析Web上的数据和资源，如何分析用户体验、市场营销、个人品味等诸多信息，并得出有用的结论，通过复杂的算法来从Web网站获取、收集并分析用户的数据和反馈信息，以便创造新的用户价值和商业价值。
全书内容翔实，包括协作过滤技术（实现关联产品推荐功能）、集群数据分析（在大规模数据集中发掘相似的数据子集）、搜索引擎核心技术（爬虫、索引、查询引擎、PageRank算法等）、搜索海量信息并进行分析统计得出结论的优化算法、贝叶斯过滤技术（垃圾邮件过滤、文本过滤）、用决策树技术实现预测和决策建模功能、社交网络的信息匹配技术、机器学习和人工智能应用等。本书是Web开发者、架构师、应用工程师等的绝佳选择。
Machine Learning for Hackers
Machine Learning for Hackers （中文译名：机器学习-实用案例解析）通过实例讲解机器学习算法，用R实现的，可以一边学习机器学习一边学习R。这是一本实操型的书，重点放在讲怎么用R做数据挖掘，机器学习的算法更多的是通过黑箱的方式来讲，强调input,output含义，弱化机器学习算法细节。文中基本都是通过case来讲述怎么去解决问题，并且提供了原始数据供自己分析。适合两种人：
（1）有过机器学习的一些理论，缺少案例练习
（2）只需掌握怎么用通用的机器学习解决问题的人，只希望知道机器学习算法的大致思想，不想详细学习机器学习中的算法。
Machine Learning by Tom M Mitchell
《Machine Learning》展示了机器学习中核心的算法和理论，并阐明了算法的运行过程。《Machine Learning》综合了许多的研究成果，例如统计学、人工智能、哲学、信息论、生物学、认知科学、计算复杂性和控制论等，并以此来理解问题的背景、算法和其中的隐含假定。《机器学习》可作为计算机专业 本科生、研究生教材，也可作为相关领域研究人员、教师的参考书。
The Elements of Statistical Learning
《The Elements of Statistical Learning》介绍了这些领域的一些重要概念。尽管应用的是统计学方法，但强调的是概念，而不是数学。许多例子附以彩图。《The Elements of Statistical Learning》内容广泛，从有指导的学习（预测）到无指导的学习，应有尽有。包括神经网络、支持向量机、分类树和提升等主题，是同类书籍中介绍得最全面的。
计算和信息技术的飞速发展带来了医学、生物学、财经和营销等诸多领域的海量数据。理解这些数据是一种挑战，这导致了统计学领域新工具的发展，并延伸到诸如数据挖掘、机器学习和生物信息学等新领域。许多工具都具有共同的基础，但常常用不同的术语来表达。
Learning from Data
这是一门机器学习（ML）的入门课程，涵盖其基本理论、算法及应用。机器学习是大数据及金融、医药、商业及科研应用的关键技术。机器学习使得计算系统能够自动学习如何通过数据中提取的信息执行目标任务。机器学习现已成为当下最热门的研究领域之一，也是加州理工学院15个不同专业的本科生和研究生的研修课程。本课程在理论和实践中保持平衡，并涵盖了数学与启发式方法。
Pattern Recognition and Machine Learning
这本书是机器学习的神作之一，必读经典！
人工智能
Artificial Intelligence: A Modern Approach
《Artificial Intelligence: A Modern Approach》以详尽和丰富的资料，从理性智能体的角度，全面阐述了人工智能领域的核心内容，并深入介绍了各个主要的研究方向，是一本难得的综合性教材。
Artificial Intelligence for Humans
这本书阐释了基本的人工智能算法，如维度、距离度量、聚类、误差计算和线性回归等，用了丰富的案例进行阐释。需要较好的数学基础。
Paradigm of Artificial Intelligence Programming
本书介绍了出色的编程范式和基本的AI理论，是致力于人工智能领域的小伙伴的必读之作。
Artificial Intelligence: A New Synthesis
本书提出了统一人工智能理论的新的集成方法，涵盖了诸如神经网络，计算机视觉，启发式搜索，贝叶斯网络等。进阶选手必读。
The Emotion Machine: Commonsense Thinking, Artificial Intelligence and the Future of Human Mind
在这部让人脑洞大开的图书中，科技先锋马文·明斯基继续了他极具创造力的研究，给我们呈现了一个全新的不可思议的人类大脑运转模式。
Artificial Intelligence (3rd Edition)
这是一本关于人工智能的入门书。没有编程基础的人也可以很容易地理解其中的解释和概念。化繁为简，但也包含了高层次的人工智能领域的探讨。

1、虚拟个人助理

Siri，GoogleNow和Cortana都是各种渠道（iOS，Android和WindowsMobile）上的智能数字个人助理。

总归，当你用你的声响提出要求时，他们会协助你找到有用的信息;你能够说“最近的我国饭馆在哪里？”，“今日我的日程安排是什么？”，“提醒我八点打电话给杰里”，帮手会经过查找信息，转播手机中的信息或发送指令给其他应用程序。

人工智能在这些应用程序中十分重要，由于他们搜集有关恳求的信息并运用该信息更好地辨认您的言语并为您供给适合您偏好的结果。

微软标明Cortana“不断了解它的用户”，而且终究会开展出猜测用户需求的能力。虚拟个人助理处理来自各种来历的许多数据以了解用户，并更有效地协助他们组织和跟踪他们的信息。

2、视频游戏

事实上，自从第一次电子游戏以来，视频游戏AI现已被运用了很长一段时间-人工智能的一个实例，大多数人可能都很熟悉。

可是AI的复杂性和有效性在曩昔几十年中呈指数级添加，导致视频游戏人物了解您的行为，呼应刺激并以不行预知的方法做出反应。2014年的中心地球：魔多之影关于每个非玩家人物的个性特征，他们对曩昔互动的回想以及他们的可变方针都特别有目共睹。

“孤岛惊魂”和“使命呼唤”等第一人称射击游戏或许多运用人工智能，敌人能够剖析其环境，找到可能有利于其生存的物体或举动;他们会采纳保护，查询声响，运用侧翼演习，并与其他AI进行沟通，以添加取胜的时机。

就AI而言，视频游戏有点简略，但由于职业巨大的商场，每年都在投入许多精力和资金来完善这种类型的AI。

3、在线客服

现在，许多网站都提供用户与客服在线聊天的窗口，但其实并不是每个网站都有一个真人提供实时服务。在很多情况下，和你对话的仅仅只是一个初级AI。大多聊天机器人无异于自动应答器，但是其中一些能够从网站里学习知识，在用户有需求时将其呈现在用户面前。

最有趣也最困难的是，这些聊天机器人必须擅于理解自然语言。显然，与人沟通的方式和与电脑沟通的方式截然不同。所以这项技术十分依赖自然语言处理(NLP)技术，一旦这些机器人能够理解不同的语言表达方式中所包含的实际目的，那么很大程度上就可以用于代替人工服务。

4、购买预测

如果京东、天猫和亚马逊这样的大型零售商能够提前预见到客户的需求，那么收入一定有大幅度的增加。亚马逊目前正在研究这样一个的预期运输项目：在你下单之前就将商品运到送货车上，这样当你下单的时候甚至可以在几分钟内收到商品。

毫无疑问这项技术需要人工智能来参与，需要对每一位用户的地址、购买偏好、愿望清单等等数据进行深层次的分析之后才能够得出可靠性较高的结果。

虽然这项技术尚未实现，不过也表现了一种增加销量的思路，并且衍生了许多别的做法，包括送特定类型的优惠券、特殊的打折计划、有针对性的广告，在顾客住处附近的仓库存放他们可能购买的产品。

这种人工智能应用颇具争议性，毕竟使用预测分析存在隐私违规的嫌疑，许多人对此颇感忧虑。

5、音乐和电影推荐服务

与其他人工智能系统相比，这种服务比较简单。但是，这项技术会大幅度提高生活品质的改善。如果你用过网易云音乐这款产品，一定会惊叹于私人FM和每日音乐推荐与你喜欢的歌曲的契合度。

从前，想要听点好听的新歌很难，要么是从喜欢的歌手里找，要么是从朋友的歌单里去淘，但是往往未必有效。喜欢一个人的一首歌不代表喜欢这个人的所有歌，另外有的时候我们自己也不知道为什么会喜欢一首歌、讨厌一首歌。

而在有人工智能的介入之后，这一问题就有了解决办法。也许你自己不知道到底喜欢包含哪些元素的歌曲，但是人工智能通过分析你喜欢的音乐可以找到其中的共性，并且可以从庞大的歌曲库中筛选出来你所喜欢的部分，这比最资深的音乐人都要强大。

电影推荐也是相同的原理，对你过去喜欢的影片了解越多，就越了解你的偏好，从而推荐出你真正喜欢的电影。

扩展资料

人工智能应用领域

机器翻译，智能控制，专家系统，机器人学，语言和图像理解，遗传编程机器人工厂，自动程序设计，航天应用，庞大的信息处理，储存与管理，执行化合生命体无法执行的或复杂或规模庞大的任务等等。

值得一提的是，机器翻译是人工智能的重要分支和最先应用领域。不过就已有的机译成就来看，机译系统的译文质量离终极目标仍相差甚远；而机译质量是机译系统成败的关键。

中国数学家、语言学家周海中教授曾在论文《机器翻译五十年》中指出：要提高机译的质量，首先要解决的是语言本身问题而不是程序设计问题；单靠若干程序来做机译系统，肯定是无法提高机译质量的。

另外在人类尚未明了大脑是如何进行语言的模糊识别和逻辑判断的情况下，机译要想达到“信、达、雅”的程度是不可能的。智能家居之后，人工智能成为家电业的新风口，而长虹正成为将这一浪潮掀起的首个家电巨头。

长虹发布两款CHiQ智能电视新品，主打手机遥控器、带走看、随时看、分类看功能 。

参考资料 百度百科-人工智能

奥力：是付博士（付羊羊）创造的一位很贴心、善良的机器人。付博士去世后一直接受不了真相，一直在车站等着付博士，导致他被剔博士利用。

《喜羊羊与灰太狼》系列的新作《决战次时代》，聚焦于近未来和ai题材，是国漫里少有的科幻佳作。而《决战次时代》有一集让观众集体泪崩，机器人奥力为了守护主人付博士的车站，十五年来不离不弃，最终在和付博士的亲密回忆中停止了运作。和《决战次时代》相比，同样是ai题材的《假面骑士01》就显得太难看了。下面小编就为大家分析下，为什么《决战次时代》能够完爆《假面骑士01》，如下：

一个树立道德高标，另一个道德绑架‍

《决战次时代》里的奥力之所以感人至深，是因为它为了自己的主人甘愿献出性命，它和人一样拥有着忠诚的品质，所以收获了高度的赞誉。而《假面骑士01》则截然相反，01不断要求人类迁就机器人“修玛吉亚”们，即便修玛吉亚攻击人，即便修玛吉亚随时会暴走，人类都得原谅它们，都得为它们服务，不然就是自私自利。奥力是树立道德高标，赋予机器人高尚品质，引起人的共鸣。01则是道德绑架，要求人人都保持高尚品质，去对待机器人。

一个以人为本，另一个人奸

《假面骑士01》的主角飞电或人被嘲讽为人奸，是因为他口口声声喊着“要守护人类的笑容”，结果修玛吉亚伤人他护着，机器人“灭亡迅雷”要毁灭人类他选择原谅，是个实实在在的“人奸”，背叛了人类的利益。而《决战次时代》的沸羊羊等人，铲除攻击人类和机器人的ai，帮助维护和平的机器人。同是维护人类和机器人的利益，二者的立意高下立判。

一个三观正，另一个三观不正

《假面骑士01》在立意上就已经三观不正了。飞电或人想要帮助修玛吉亚没问题，但帮助修玛吉亚的前提是，修玛吉亚是热爱和平的、是拥有爱心的性格、是善良的，结果飞电或人连修玛吉亚里的恶人都一并维护，助纣为虐的事情没少见。《喜羊羊与灰太狼》系列的三观则一直很正，它很少帮反派洗白，即便洗白也花上大段篇幅，不像《假面骑士01》一样飞电或人口嗨两句就搞定。

一个一视同仁，另一个双标

《假面骑士01》的飞电或人比较双标，女主伊兹被反派灭杀死之前，飞电或人千方百计要挽救灭，阻碍不破对抗灭亡迅雷。但伊兹被灭杀死之后，飞电或人立刻黑化对灭下狠手。敢情灭值不值得维护，不是看他的行为，而是看他对飞电或人的老婆怎样。灭杀其他机器人行，杀伊兹不行，这不是双标吗？《决战次时代》倒没有类似的双标戏码，羊羊们对每个反派都一视同仁。

《决战次时代》作为科幻佳作，它最大的优点就是不整烂活，一直以来都是王道展开，不像《假面骑士01》一样，探讨ai题材，竟然弄出一个史上三观最不正的主角，太可惜了，你们觉得呢？

有编程能力和数据挖掘能力的工程师最火，包括：数据挖掘工程师、机器学习工程师，算法工程师。

今年3月份时，谷歌开发的人工智能AlphaGo打败了全球最顶尖的围棋高手，轰动全世界，AI时代正式拉开序幕。实际上，人工智能这一概念早在上世纪一大批科幻小说陆续发表时，就已被人们接受，而随着科技的发展，人工智能的发展前景更是日益清晰。一个人工智能的诞生需要无数个工程师挥洒汗水。其中，负责开发学习算法、使机器能像人类一样思考问题的数据挖掘工程师更是无比重要。什么人能完成人工智能的开发任务呢？必须指出，人工智能和一般的计算机程序有极大的差别，它应当具有“能够自主学习知识”这一特点，这一特点也被称为“机器学习”。而自学习模型(或者说机器学习能力开发)正是数据挖掘工程师的强项，人工智能的诞生和普及需要一大批数据挖掘工程师。

那么在AI时代，如何才能掌握相关的技能，成为企业需要的数据挖掘人才呢？

第一个门槛是数学
首先，机器学习的第一个门槛是数学知识。机器学习算法需要的数学知识集中在微积分、线性代数和概率与统计当中，具有本科理工科专业的同学对这些知识应该不陌生，如果你已经还给了老师，我还是建议你通过自学或大数据学习社区补充相关知识。所幸的是如果只是想合理应用机器学习算法，而不是做相关方向高精尖的研究，需要的数学知识啃一啃教科书还是基本能理解下来的。

第二个门槛是编程
跨过了第一步，就是如何动手解决问题。所谓工欲善其事必先利其器，如果没有工具，那么所有的材料和框架、逻辑、思路都给你，也寸步难行。因此我们还是得需要合适的编程语言、工具和环境帮助自己在数据集上应用机器学习算法。对于有计算机编程基础的初学者而言，Python是很好的入门语言，很容易上手，同时又活跃的社区支持，丰富的工具包帮助我们完成想法。没有编程基础的同学掌握R或者平台自带的一些脚本语言也是不错的选择。

Make your hands dirty
接下来就是了解机器学习的工作流程和掌握常见的算法。一般机器学习步骤包括：
数据建模：将业务问题抽象为数学问题；
数据获取：获取有代表性的数据，如果数据量太大，需要考虑分布式存储和管理；
特征工程：包括特征预处理与特征选择两个核心步骤，前者主要是做数据清洗，好的数据清洗过程可以使算法的效果和性能得到显著提高，这一步体力活多一些，也比较耗时，但也是非常关键的一个步骤。特征选择对业务理解有一定要求，好的特征工程会降低对算法和数据量的依赖。
模型调优：所谓的训练数据都是在这个环节处理的，简单的说就是通过迭代分析和参数优化使上述所建立的特征工程是最优的。
这些工作流程主要是工程实践上总结出的一些经验。并不是每个项目都包含完整的一个流程，只有大家自己多实践，多积累项目经验，才会有自己更深刻的认识。
翻过了数学和编程两座大山，就是如何实践的问题，其中一个捷径就是积极参加国内外各种数据挖掘竞赛。国外的Kaggle和国内的阿里天池比赛都是很好的平台，你可以在上面获取真实的数据和队友们一起学习和进行竞赛，尝试使用已经学过的所有知识来完成这个比赛本身也是一件很有乐趣的事情。
另外就是企业实习，可以先从简单的统计分析和数据清洗开始做起，积累自己对数据的感觉，同时了解企业的业务需求和生产环境。我们通常讲从事数据科学的要”Make your hands dirty”，就是说要通过多接触数据加深对数据和业务的理解，好厨子都是食材方面的专家，你不和你的“料”打交道，怎么能谈的上去应用好它。
摆脱学习的误区
初学机器学习可能有一个误区，就是一上来就陷入到对各种高大上算法的追逐当中。动不动就讨论我能不能用深度学习去解决这个问题啊？实际上脱离业务和数据的算法讨论是毫无意义的。上文中已经提到，好的特征工程会大大降低对算法和数据量的依赖，与其研究算法，不如先厘清业务问题。任何一个问题都可以用最传统的的算法，先完整的走完机器学习的整个工作流程，不断尝试各种算法深挖这些数据的价值，在运用过程中把数据、特征和算法搞透。真正积累出项目经验才是最快、最靠谱的学习路径。
自学还是培训
很多人在自学还是参加培训上比较纠结。我是这么理解的，上述过程中数学知识需要在本科及研究生阶段完成，离开学校的话基本上要靠自学才能补充这方面的知识，所以建议那些还在学校里读书并且有志于从事数据挖掘工作的同学在学校把数学基础打好，书到用时方恨少，希望大家珍惜在学校的学习时间。
除了数学以外，很多知识的确可以通过网络搜索的方式自学，但前提是你是否拥有超强的自主学习能力，通常拥有这种能力的多半是学霸，他们能够跟据自己的情况，找到最合适的学习资料和最快学习成长路径。如果你不属于这一类人，那么参加职业培训也许是个不错的选择，在老师的带领下可以走少很多弯路。另外任何学习不可能没有困难，也就是学习道路上的各种沟沟坎坎，通过老师的答疑解惑，可以让你轻松迈过这些障碍，尽快实现你的“小”目标。
机器学习这个领域想速成是不太可能的，但是就入门来说，如果能有人指点一二还是可以在短期内把这些经典算法都过一遍，这番学习可以对机器学习的整体有个基本的理解，从而尽快进入到这个领域。师傅领进门，修行靠个人，接下来就是如何钻进去了，好在现在很多开源库给我们提供了实现的方法，我们只需要构造基本的算法框架就可以了，大家在学习过程中应当尽可能广的学习机器学习的经典算法。
学习资料
至于机器学习的资料网上很多，大家可以找一下，我个人推荐李航老师的《统计机器学习》和周志华老师的《机器学习》这两门书，前者理论性较强，适合数学专业的同学，后者读起来相对轻松一些，适合大多数理工科专业的同学。

现在以人脸识别、自动付款为代表的AI技术已经深入到了我们寻常的生活当中，无人商店和自动驾驶也在逐步地尝试当中，在未来，基于AI的技术将会改变我们很多人的生活方式和工作方式。

由世界经济论坛WEF发布的《2018年未来工作报告》警告说，“像数据录入员、会计、秘书、审计员、银行出纳员和收银员等常规、中等技能的白领职位，将会面临着AI的威胁。”

可能你会说这些工作都是出卖时间的，没什么技术含量，那你再来看看这个案例：

摩根大通是美国最大金融服务机构之一，它利用AI技术开发了一款金融合同分析软件。经过测试，发现这个软件可以在几秒内完成原来贷款人员每年需要360000小时才能完成的工作。不仅做得又快又好(错误率大大降低)，而且还可以24小时工作。

对于想要出国留学的童鞋们，选择一个替代性差的专业势在必行，可以让你不至于面对花费了高额出国留学费用，回来却没有饭碗的窘境~

那首先我们就应该知道怎样的工作才避免与AI正面竞争，然后才能对应选择专业。

麻省理工学院和哈佛大学经济学家的联合研究发现，到目前为止，有两大类职业很难被科技取代。第一类需要动手的工作，也就是那些需要环境适应能力、视觉和语言辨识能力、人际交往能力的工作，比如护士、保姆、厨师、水泥工等等。

但我相信，大部分的童鞋更倾向于选择第二类职业：

也就是抽象职业，需要你有较强的解决问题的能力、直觉、创造力、说服力等，比如数据分析师、管理人员、教授、工程师等。

下面几类工作，可以进行参考。

　　数据分析师

都说现在是大数据时代，各行各业都存在着海量的数据，也就因此催生出了数据分析师。这项工作总的来说呢，就是收集大量结构化和非结构化的数据，经验证正确性后，再从中提取信息、加以解释或者分析趋势。

看这概述，你可能觉得不怎么难，其实要做好一个数据分析师，还是非常有难度滴。首先你得懂公司的业务啊，在不明白行业知识、公司业务、流程下的分析结果，没有实用价值。

其次你得懂分析本身，各种分析方法你该了如指掌吧?：对比分析法、相关分析法、交叉分析法、结构分析法、回归分析法…

然后你得懂工具，现在各种技术变革，各种工具层出不穷，掌握最好用的工具才是制胜之道啊。

　　人工智能AI和机器学习专家

老实讲，这是最推荐最心仪的工作，为什么呢?因为它就是去研究人工智能本身!通过学习并创造人工智能，你就可以反扼住人工智能的咽喉!

人工智能算得上是计算机科学的一个领域，它强调机器能够像人类一样工作、反应。而机器学习呢，则是一种“自动建立模型、分析模型的数据分析方法”，它是人工智能的一个分支，它就是要做到从数据中学习、识别模式，并在人为干预最少的情况下做出决策。

　　总经理等管理人员

管理岗位自然是很难消失的，毕竟有团队在的地方，就需要有一个领导者，不然都成了一盘散沙，怎么发挥最大的效益呢?

管理岗位的职责通常包括了制定政策、管理日常业务、规划物资和人力资源的使用。从这点上，你就可以看出，AI是很难威胁到管理岗的，毕竟一个AI领导还是很难和下属沟通的。

　　销售和市场营销专才

销售和市场营销都需要把握和揣摩人性，前者是指向那些潜在客户销售，比如个人或小团体，他们需要把线索和潜在客户直接转化为购买对象。

而后者呢，则是向更多的受众传播产品或者服务的价值，相当于建立一个品牌，需要的过程较长。

要做好销售类的工作，需要你有很强的变通力，虽然AI确实可以根据分类来做出反应，但毕竟没有我们人本身灵活。

　　牙科医生

麦肯锡的报告曾经显示，每个牙结石清除手术中只有13% 的工作可以实现自动化。类似的，在医疗其他领域，AI虽然有发挥作用的地方，但终归是有限的。

它只能作为辅助，而不能成为主导。所以我们人类的生命健康啊，还是得交给伟大的白衣天使~

　　教育

在所有的领域中，自动化在教育领域的可行性最低，虽然现在已经有很多数字化的教学工具、在线课程，但“教学的本质”仍然是深厚的专业知识和复杂的互动，而这些特点是人工智能目前无法做到的。

就和上面的医生一样，他们一个是保护我们的身体健康，一个是保护我们的心理成长，这两样非常个性化的需求，只能通过真实的人来满足，而不是AI。