在当前社会，技术日新月异，一个全栈工程师不及时学习新知识，掌握AI技能，再过两年就算不上“全栈”了。
产品发烧友、前端小哥Shival Gupta在意识到这一点后，通过两个多月的探索，掌握了基本的AI技能，并在Hackernoon上发文分享了自己的学习历程。
量子位搬运过来，各位可以参考他的学习思路。
建立第一个神经网络
大家给初学者的建议，通常是通过吴恩达的Coursera课程来入门。
这样开始很好，但是我在听课时很难保持专注。不是说这个课程不好或存在其他问题，而是我真的非常讨厌专心听课。我习惯于通过实践来学习，所以为什么不这么做呢？
让我们开始动手实现神经网络吧。
我没有直接跳到神经网络，因为还需要熟悉一些基础内容。我先尝试熟悉这个领域的所有专有名词，为下一步的语言学习作铺垫。
也就是说，第一项任务不是学习，而是熟悉这个领域。
我是个用JavaScript和Nodejs做开发的前端工程师，暂时也不想转后端，于是就找到了一个叫做nn的简单神经网络模块，并用它来实现一个带有虚拟输入的“与”门。
我选择了这样一个问题：对于任意三个输入X、Y和Z，输出为X和Y的“与”运算结果。
以下是实现代码：
var nn = require('nn')
var opts = {
layers: [ 4 ],
iterations: 300000,
errorThresh: 0.0000005,
activation: 'logistic',
learningRate: 0.4,
momentum: 0.5,
log: 100
}
var net = nn(opts)
net.train([
{ input: [ 0,0,1 ], output: [ 0 ] },
{ input: [ 0,1,1 ], output: [ 0 ] },
{ input: [ 1,0,1 ], output: [ 0 ] },
{ input: [ 0,1,0 ], output: [ 0 ] },
{ input: [ 1,0,0 ], output: [ 0 ] },
{ input: [ 1,1,1 ], output: [ 1 ] },
{ input: [ 0,0,0 ], output: [ 0 ] }
])
// send it a new input to see its trained output
var output = net.send([ 1,1,0])
console.log(output); //0.9971279763719718选择这个问题，是受一份9行代码构建神经网络教程的启发。地址：https://medium.com/technology-invention-and-more/how-to-build-a-simple-neural-network-in-9-lines-of-python-code-cc8f23647ca1
在我看来，上面的构建过程让我对接下来的学习充满了信心。当输出值为0.9971时，我意识到这个网络学会了如何实现一个“与”运算，并忽略无关的额外输入。
这正是机器学习的主旨。通过向计算机程序输入一组数据，并调整程序的内部参数，使它能够以从训练集观察到的误差减小方式，来得到对新问题的答案。
后来我才知道，这种方法也被称为梯度下降（gradient descent）。
△ 梯度下降示意图
开始AI之路
在我实现了我的第一个AI程序后，我充满信心，想知道作为一个开发人员，还可以用机器学习来做什么。
1. 我解决了若干个关于监督学习的问题，如回归和分类。
2. 基于非常有限的数据集，我尝试使用多变量线性回归来预测哪个团队将赢得某场给定的IPL电子竞技比赛，实际的预测效果很差，但是我觉得很酷。
3. 我试用了Google机器学习云的一些demo，了解当前AI可以做什么。
地址：https://cloud.google.com/products/machine-learning/
4. 我偶然发现了AI Playbook（文末链接5），这是一个由安德森-霍洛维茨风险基金整理的干货网站，确实是针对开发人员和创业者的最方便资源之一。
△ AI Playbook。地址：http://aiplaybook.a16z.com/
5. 我开始在Youtube上观看Siraj Rawal的精彩视频，这是一个以深度学习和机器学习为核心的专栏。
视频地址：
https://www.youtube.com/channel/UCWN3xxRkmTPmbKwht9FuE5A
6. 我读了HackerNoon上一篇讲《硅谷》剧组怎样用Tensorflow做剧中那个Not Hotdog应用的。这是深度学习中我们最容易上手的一个例子。
HBO真的做了这个App（限美国、加拿大）：
https://www.seefoodtechnologies.com/nothotdog/
文章地址：
https://medium.com/@timanglade/how-hbos-silicon-valley-built-not-hotdog-with-mobile-tensorflow-keras-react-native-ef03260747f3
7. 我读了Andrej Karpathy的博客（https://karpathy.github.io/），他是特斯拉的AI主管。虽然我无法理解里面的一些内容，这让我很头疼，但是我发现，在多花一些时间以后，我对这些概念有了一定理解。
8. 带着信心，我开始通过复制和粘贴来逐行实现一些深度学习教程中的代码，并在我自己的电脑上运行代码，尝试训练相关模型。很卡……因为大多数模型需要很长的训练时间，我也没有GPU。
渐渐地，我将编程语言从Javascript转换到了Python，并在Windows机器上安装了Tensorflow。
这整个过程集中在被动地接受知识和建立知识库上，因此当我遇到一个实际的用户问题时，可以利用已有知识来解决。
正如乔布斯说过，你只能通过回溯过去理解其中的关联。
抓住chatbot的热潮
作为电影“Her”的狂热粉丝，我想构建一个聊天机器人。我设法在两个小时内学会了Tensorflow的使用，并将这个经历和我对用户需求的理解整理成了一篇文章。
在做这个聊天机器人之前，我对NLP的了解仅仅限于概念层面。
尝试了市面上众多聊天机器人之后，我发现，它们在本质上只是图形用户界面的替代品。如果在图形用户界面上操作超过两步点击，用聊天机器人的用户体验会比较好，反之，用聊天的形式就显得多余了。
开始构建聊天机器人的时候，我先给自己确定了两条原则：
1. 聊天机器人应该说人话，也就是说它得理解自然语言；
2. 要用聊天机器人解决图形UI中需要两步以上操作的问题。
经过分析，我选择构建一个通过自然语言命令找到正确日期的聊天机器人。比如说你可以问它“6天以后是几号？”、“下个9月过完之后再过5周”之类的。
架构是这样的：
然后，我跟着网上的一份教程，（地址：https://chatbotsmagazine.com/contextual-chat-bots-with-tensorflow-4391749d0077），用基础的NLP技能和基于softmax的神经网络，不到两小时就构建了一个查询意图分类器。
在确定了用户的意图之后，系统会对字符串进行语法分析并输入，然后返回我想要查询的日期。
说真的，并不难。如果你用Facebook Messenger Platform、Telegram的Bot Platform，或者api.ai、wit.ai、recast.ai等等工具，可能比我还快。
更多关于构建聊天机器人的心得，见这个链接：：
https://hackernoon.com/i-built-a-chatbot-in-2-hours-and-this-is-what-i-learned-f5dbb4ba5fcc
在我的AI学习之旅中，这篇文章具有里程碑式的意义。
它让我在Twitter和LinkedIn上交到了很多朋友，他们长期深入地和我讨论AI技术的发展，甚至可以在我遇到困难时帮我一把。我收到了一些关于咨询项目的Offer，更让我开心是，开始有一些年轻的开发人员和AI初学者来问我是如何入门AI的。
这也促使了我写下这篇文章，希望能帮助更多的人从我的经历中得到线索，并开始他们的学习之路。
万事开头难。
一些理解
这绝不是一件简单的事。
我最开始时用的是Javascript，后来突然换成Python，并学会如何用Python编程。
当我的模型在i7电脑无法训练，或是经过数小时训练，只返回一个无用结果时，我会感到烦躁。
学习AI的过程与学习一个Web框架不同。
这项技能要求你明白在微观层面计算是如何进行的，并确定最为影响输出结果的内容是代码还是数据。
AI也不只是一个学科。这是一个总括性术语，其适用范围可从简单的回归问题到未来的杀手机器人。与其他学科一样，你可能要选择AI中比较热门的领域，如计算机视觉、自然语言处理，或者其他具有潜在发展空间的方向。
在和AI金融公司Atlantis Capital的Gaurav Sharma的交流中，他对我说：
在人工智能时代，“聪明”意味着某些完全不同的东西。我们要求人们去完成非常关键、具备创造性和有个人见解的任务，和那些需要高情感投入的工作。
对于计算机是如何突然学会自主决策的，你要为之着迷。你应该坚持的两个关键原则是耐心和求知欲。
这是一个非常漫长的旅程，很累也很刺激。
但最重要的是，所有旅程都是相同的，千里之行始于足下，想上手AI就开始动手吧。
原文地址：https://hackernoon.com/how-i-started-with-learning-ai-in-the-last-2-months-251d19b23597
— 完 —
