关于人工智能培训课程的一些思考

楔子

昨日返沪，2019年正式开工。

回顾去年，印象最深的，便是人工智能的大火，以及雨后春笋般涌现的大量培训课程。

多，真的多。内容五花八门，不过也遵循一定规律。

一直想写点什么，拖了很久。因为某些契机，终于提笔，写一写，关于人工智能培训课程的思考。

内容

一般而言，课程主要会涉及四个阶段。

第一是基础层面，面向小白。一方面包括数学基础，例如微积分、线性代数、概率论、最优化的一些必要知识点。

另一方面包括编程基础，例如Python语法、如何写代码然后运行。

第二是数据层面，目标是做点东西出来。从数据的采集、存储、分析、可视化等角度切入，从数据中挖掘价值、得出结论。

以Python为例，这一阶段会涉及大量工具包，体验调包侠的快乐。

忍不住从心底里感叹，Python真好用。

不过逐渐感觉，每次差不多都是，来个数据集，预处理一下，弄点统计，调几个包，再搞些图。

要不再来点别的？

第三是机器学习，偏重模型。其一包括理论概念，例如分类和回归、特征和标签、训练集和测试集、欠拟合和过拟合等术语。

其二包括线性回归、决策树、随机森林、支持向量机等经典模型。

当然，以上绝大部分内容，都能在一本卖西瓜的书中找到。

其三包括实战应用，又可以调包了，数据加sklearn，做分类、搞回归。

第四是深度学习，近几年大火，最方便唬人和割韭菜的卖点。

其一包括深度学习理论，例如神经元、激活函数、全连接层、卷积神经网络、循环神经网络、初始化方法、优化方法、正则化方法等。

其二包括代码实现，TensorFlow和PyTorch来一发？

其三包括实际应用，和具体研究领域的子任务相结合。

计算机视觉：图片分类、物体检测、语义分割、实例分割、关键点定位、目标追踪、图片生成、图片超分辨率、图片翻译等。

自然语言处理：语言模型、文本分类、中文分词、词性标注、命名实体识别、摘要生成、机器翻译、阅读理解、自动问答、聊天机器人等。

智能语音：自动语音识别、文本转语音、同声传译、声纹识别等。

总之，人工智能培训课程大多围绕以上四个阶段，但不同课程的受众未必相同。

区别

培训课程那么多，有啥区别？

首先从制作方来看，主要可以分为四类。

第一是神级大佬，个人实力过硬，课程质量高且大多免费，例如吴恩达深度学习微专业、李飞飞计算机视觉、李宏毅机器学习。

第二是学术团队，由一线大学的老师和博士组成，课程质量多有保障。

第三是培训机构，数量占比最大，目的当然主要是盈利。

第四是个人出品，出于个人兴趣或盈利，将一些相关内容整理成课。

其次从内容上看，和之前讨论的四阶段相结合，可以是基础课、入门课、进阶课、理论课、实战课等。

最后从价格来看，可以分为免费课和收费课。

但收费课未必一定比免费课好，收费课的价格从几十到几百再到几千不等，不同收费课的性价比有可能天差地别。

当然，课程内容到底好不好、性价比到底高不高，主要看，课程制作方的实力，以及良心。

利弊

接下来，聊一下培训机构的利弊。

出于盈利的最终目的，培训机构会选择当下热点，寻找合适讲师，快速打造内容，通过系统运营，捕获大量学员，完成培训周期。

从几百的单门课程，到几千的微专业，甚至几万的包就业培训班，种类繁多、性质各异。

优点很明显，冲着培训某种技术而去，因此能短时间内了解到较为系统的相关内容。

最大的缺点，质量良莠不齐，效果无法保证，仅有培训背景未必能被业界认可。

选择

那么，如何正确选择课程？尤其是并不便宜的收费课？

首先，对自己有清晰的定位和规划，结合之前讨论的四阶段，想明白，自己从哪来、现在在哪、以后到哪去。

其次，保持正确的心态，功利心不可太强。学习是不断完善和提高自我的过程，千万别抱着学完这门课就能怎样的想法，例如拿到多少钱的offer。

接下来，详细了解课程信息。属于基础、入门还是进阶？包括四阶段中的哪些？偏理论还是重实战？制作方背景和实力如何？勿盲目跟风，适合自己，才值得一学。

最后，仔细过一遍课程目录，最好三分之一的章节已经掌握，另外三分之一知道大概，剩下三分之一尚未了解。

学习一门全新课程大多不容易一次性掌握，相比之下，一边温故一边知新，既轻松不少，也能获得更多成就感。

当然，学习永远是自我驱动，选择感兴趣的内容，兴趣是最好的老师。

最后

保持好学之心，学得越多，越发明白世界之大、自身不足。

人外有人、天外有天。

但唯一能掌控在手心里的，就是努力成为更好的自己。