“关于任何人都可以成为某一的专家”，这种话一定要是从此领域的大牛口中说出来才有效的！虽然老土一直认为这种话其实没有什么实际意义！
首先如果你真的想要成为某个领域的专家，任何时候都是来得及的，只是看你愿意付出多大代价，付出多少成本。是否要成为xx领域专家的决定其实并不难，从过程管理的角度看，就是要评估一下投入和产出而已。所谓“投入”指的是要花费何种代价，要对所需的时间、精力、金钱等成本加以评估；所谓“产出”指的是成为这个领域专家过程中和之后可以得到的回报。虽然这里对回报的评估往往并不准确，因为回报有长期和短期之分，有直接和间接之分。但请注意其实我们也无法精确的评估“投入”。因此这种评估点到为止即可，较真细节就没有意思了。而这种评估的最佳使用场景并不是对某个具体内容的评估，而是对多个类似内容的对比，比如：我究竟是要沿着基础架构工程师的路走的更加深入，还是成为深度学习领域的专家。实际上绝大部分面对的问题不是自己能不能成为某个领域的专家，而是自己成为哪个领域的专家的投入更小，回报更高的问题。
其次在真的决定成为某个领域的专家之后，方法论就变得十分重要。在这个方面老土有两个建议：
1、要花一些时间去了解相关领域的最新进展，要保证自己可以享有“后发优势”，即要“站在巨人的肩上”。但切记在这个阶段“思而不学”，往往开始进入一个新的领域，在经过了初期“无知者无畏”的阶段之后，在初步了解了相关领域的知识范畴的时候，往往会发现“要学习的东西太多了”，于是开始怀疑自己是否真的可能学会！针对这个问题，老土的建议是，虽然要花时间了解相关领域，但过犹不及，当进入到发现“要学习的东西太多了”的阶段时，一定要告诉自己停下拓展知识疆域的脚步，找一个具体的点开始学习！哪怕这个点的选择本身并没有太多理性。
2、要尽快动手。万事开头难，从老土的经验看，绝大部分人的信心和决心都被消磨在最初的启动阶段。启动阶段遇到的最常见的问题是：不知道做什么？或是觉得要做的事情太多了，不知道从何处下手。老土的建议是“从模仿开始，可以不求甚解，尽快达成为自己设定的“难度不高”的里程牌”。对于很多领域，模仿是最最简单的学习方式。固然我们都希望自己可以“独辟蹊径”，可以“事半功倍”，但是实际操作下来，最最有效的手段还是先从学习和复现大牛的成长路径或是遵循最最传统的学习路径！以编程为例，如果你找到了一个web操作数据库的案例，如果这个案例是针对查询通信录应用场景的，你完全可以要求自己将这个案例改为查询学生信息的。这样代码基本上可以全部照搬，只要调整一下数据库结构就可以了。而当我们对着自己开发的学生信息管理应用的时候，这个应用固然让我们多少学到了一些相关的开发技能，但是这个应用成功运行本身给学习者带来的信心才是最大的回报。
最近机器学习太火了，老土也不能免俗，这里推荐一篇来自人工智能和机器学习领域大牛的帖子。
吴恩达Quora最新问答：任何人都能成为机器学习专家（http://36kr.com/p/5093024.html）
编者按：本文来自微信公众号新智元（ID：AI_era），编译：文强。36氪经授权转载。
吴恩达刚刚在Quora做了一次最新session，重点回答了如何学习机器学习/深度学习，以及如何从事机器学习方向工作的问题。吴恩达认为，复现他人发表的结果是一个掌握机器学习非常有效但却被低估的方式；任何人都能成为机器学习专家，要做的只是不断学习，让自己越来越够格。
深度学习泡沫何时会破？
大约100年前关于电力也有很多炒作。那个泡沫现在也还没破，我们发现电力很有用！
讲真，深度学习已经创造了大量的价值——用于网络搜索，广告，语音识别，推荐系统等等——这些显然是不会消失的。深度学习，还有更广泛的其他AI工具（图模型，规划，KR等），现在都有一个明确的路径在引导行业转型。深度学习的影响将超越科技界。
话虽如此，我认为在核心技术界之外，有一些过分夸张的对“有感知力的AI”（sentient AI）的期望；我也和很多CEO交流过，他们似乎认为AI是所有技术问题的灵丹妙药。所以，在深度学习中是有一些不必要的泡沫，我希望这些较小的泡沫破掉——在它们有时间发展壮大之前，越早破掉越好。
学完你在Coursera上的机器学习课以后可以做些什么项目？
想新项目的一个好方法是花时间研究以前的老项目。
大脑很神奇。当你学习一类工作（例如ML项目）的许多例子后，你能学习概括并想出这类问题新的例子。这也是为什么很多艺术家通过复制大师作品来学习绘画——如果你参观美术馆，你有时会看到艺术生坐在地板上临摹墙上展示的艺术作品。同样，很多研究人员通过复现旧研究论文的结果来学习发明新的算法。对于我来说，正是因为在不同的公司看到了很多实际的ML案例，我现在才能定期为ML转型公司找到新的机会。
所以，如果你想知道如何做有趣的项目，阅读（也许复现）你喜欢的以前的旧项目，你会开始产生你自己的想法。你可以参考我斯坦福大学的学生最近的这个项目：CS 229机器学习最终项目，2016年秋（http://cs229.stanford.edu/projects2016.html）
最后，当你完成一个有趣的项目时，请写一篇Arxiv论文或博客文章，也许在Github上开源代码，并与社区分享！这样，其他人现在可以反过来学习你。此外，你还可以获得更多的反馈，从而加速你的学习。
除了研究以前的例子，我还花时间和人聊天，包括ML以外的领域专家（例如，我花费了大量时间与医疗保健专家进行交谈），这通常会激发新项目在ML和医疗保健等领域。
机器学习的初学者，学完了机器学习和深度学习MOOC，怎样才能更进一步，提升到一个新的水平，能够阅读研究论文，并在行业中有贡献？
课程是非常有效的学习方式，作为开始很好。学完以后，下面是你可以采取一些额外的步骤：
关注Twitter上的ML大V，看看他们关注哪些研究论文/博客文章等。去看这些论文和文章。
复现他人发表的结果。这是一个掌握ML非常有效但却被低估的方式。看到很多新的斯坦福大学博士生成长为很棒的研究人员，我可以自信地说，复现他人的成果（不只是阅读论文）是最有效的方式之一，这样能确保你了解最新的细节算法。许多人大步跃进试图发明新的东西，当然这也值得一试，但实际上发明新东西反而是学习和建立知识基础比较慢的方式。
当你看完足够多的论文/博客，并复现足够多的结果后，很奇妙地，你会开始产生自己的意见和想法。当你自己建立新的东西时，发表一篇论文或博客文章，并考虑开源代码，与社区分享！这将有助于你从社区获得更多反馈，并进一步加速你学习的过程。
参加任何其他帮助你学习的活动，如在线比赛，线下讨论会，参加（或观看在线视频）好的AI/ML/视觉/NLP/语音学术大会，比如ICML，NIPS和ICLR等会议。
找朋友跟你一起做。你可以自己取得很大的进步，但跟朋友交换意见和想法将有助于你学习，并使学习过程更有趣。如果你认识教授，博士生或优秀研究人员，也可以与他们多交流。有时候，我跟Geoff Hinton，Yoshua Bengio，Yann LeCun这些人交流5分钟就学到一大堆的东西，当然，跟来自我在斯坦福博士的博士生，deeplearning.ai的团队成员，还有我参观的各个公司的工程师交流，也能得到很多启发。
尽管跟朋友有合作很重要，但如果你朋友不同意你的想法，有时候你仍然应该去做，自己尝试去实现。Geoff Hinton在接受deeplearning.ai采访中说过类似的话。
我知道的每个世界级的ML研究员都花了很多时间来实现算法，调整超参数，阅读论文，以及自己找出什么有用什么不起作用。我觉得这种类型的工作也很有趣，希望你也会这样。
我想从事机器学习相关工作，但不知道自己是否够格。有什么检测的方法吗？
你肯定够格的！无论目前的知识水平如何，只要你不断努力，继续学习，你就可以成为机器学习的专家，并且有很好的职业发展。
任何对机器学习感兴趣的人，请从学习编程开始。当你掌握编程基础后，可以考虑机器学习课程（比如Coursera的机器学习），然后考虑深度学习专门课程（比如deeplearning.ai）。
再进一步，你可以阅读研究论文（关注Twitter上的ML大V，看看他们感兴趣的论文）。尝试复现研究论文的结果就更好了。试着去复现他人的结果是掌握AI最有效的方法之一，可惜很少有用。你还可以考虑参加在线ML竞赛和学术会议等活动，并继续阅读书籍/博客/论文。
你是不是有资格在机器学习领域工作真的不重要——我确定你肯定够资格！你要做的只是要去学习，让你越来越适合而已。
数学不好，该掌握哪些数学知识才能学好机器学习和AI？
我认为机器学习中最重要的数学依次是：
线性代数
概率和统计
微积分（包括多变量微积分）
优化
这以后其他的相关度都快速降低。我发现信息理论也有帮助。你可以在Coursera或大多数大学找到所有这些课程。
我认为有机会学习相关数学和机器学习的博士已经减少了，因为机器学习已经变得更偏向经验（基于实验），较少理论，特别是深度学习的兴起，让这一趋势更加明显。
我在读博士的时候，很喜欢真实的分析，也研究了微分几何，测量理论和代数几何。你如果能了解这些领域当然更好，但如果时间有限，你可以考虑用更多的时间学习机器学习本身，甚至研究一些建立AI系统的其他技术基础，例如正在建设大型数据系统和如何组织巨型数据库以及HPC（高性能计算）的算法。
AI该受管制吗？
AI作为基本技术不应受到管制。政府阻止你在笔记本电脑上实现神经网络也是不现实的。然而，有的AI应用，例如无人驾驶，是需要监管的。AI在国际对反垄断（监管垄断）领域也有新的影响，监管机构尚未对此有深入思考，但他们应该对此有深入探讨。
关于人工智能管制的讨论大部分来源于对“有智慧的AI”（sentient AI）或“邪恶杀手机器人”的不理性的恐惧，而不是更深入地了解自己能做和不能做的事情之后的结果。今天的AI还不成熟，处于迅速发展期，任何国家的强硬监管都会阻碍该国的AI发展。
然而，一些人工智能的应用需要监管来保护个人，并加速其采纳进程。汽车行业已受到严格监管来确保人的安全，这将有助于整个行业发展。其他领域也相同，包括制药，军控，金融市场等。但是，监管应该是针对某一个行业的，并且基于对用例的深思熟虑，以及我们在特定产业而不是基本技术上看到的结果。
政府也可以发挥重要的作用，帮助在不远的未来那些受AI影响而失去工作的人，例如提供基本收入和再培训。
最后，AI的兴起正在为公司竞争创造新的途径，各家竞相争夺占主导权，打击竞争对手。反垄断监管机构远远不如企业对这一点理解深刻，需要做的还有很多。
我女儿刚刚学会走路，我应该如何让她准备好迎接15年后的AI世界？我应该教她Python吗？
是的，请教她编码。更重要的是，培养她能够继续学习的能力。
在CS世界中，我们所有人都习惯于每5年就要跳到新技术和思维模式（互联网→云→移动→AI/机器学习），因为新技术以这样的速度发明。所以，CS人也一直习惯于不断学习新的事物。
现在CS几乎感染了所有其他的行业。所以，现在不仅仅是CS世界每几年都要改变。这就是为什么现在每个人都需要改变。这就是为什么能够持续学习将是你能教你女儿最重要的职业技能。
我也认为（差不多）每个人都应该学习编码。曾经我们以为是不是不需要每个人都会读书写字。是不是只有几个僧侣能诵经就好了，大多数人不需要读/写？是不是只要少数人写出畅销书就好了，其他人不需要会写？我们发现，随着读写能力的提高，人与人之间的沟通变得更好：我们能写电子邮件，即使读者只有一个人，这样也有价值。
今天我们处于一个很少人可以编码的时代。但是，如果每个人都可以编写代码，也许经营一家小商店的夫妻俩可以编写几行代码来定制他们的LCD显示屏，用于本周的促销活动；或许丈夫可以写一个简单的应用程序，唯一的观众将是他的妻子，就像他今天可以发送一封邮件，唯一的读者是他的妻子一样。
广泛的扫盲改变了人与人之间的交流。 现在，人机交流也变得越来越重要，编码能力将成为可以预见的未来最深层次的人机交流的基础。 所以，我不同意那些认为世界只需要几百万程序员的人；我认为几乎每个人都应该学习编程，就像几乎每个人都应该学习阅读/写作一样。
