我是C软件工程师，也学习人工智能。 分享我是怎么学习的。 不一定不适合你。 请作为参考。 错误的地方请期待批评和指正。

谢谢你读

1、编程与维护参考文献格式，软件工程师如何转行做人工智能？

我是C软件工程师，也学习人工智能。 分享我是怎么学习的。 不一定不适合你。 请作为参考。 错误的地方请期待批评和指正。

研究生研究模式识别方向、图像处理领域。 我上过Shuming hao123、Shuming hao123等类似的课程，对我学习AI有帮助，但学习AI也很难。 我的学习过程是这样的：

学习Python Python是跳槽到人工智能的基础，这是一定要学的。 如果是C或Java的工程师，因为是面向对象的语言，所以学习python很快。 基本上一周就可以看到机器学习的开源代码。 学习编程语言对程序员来说是easy，这里不再多说了。

轻松学习numpy、scikit-learn、Theano、Tensorflow、Caffe2等机器学习的基本Python库。 选择是用于再学习！

从02项目到机器学习，分为图像识别、语音识别、自然语言处理等方向，选择一个自己感兴趣的方向，寻找对应的项目。 从项目出发并不意味着开始项目。 对于没有领域知识的程序员，写代码很辛苦。 从项目出发的意图如下

不要从学习概率论、高等数学等基本理论开始。 我的第一阶段从这些基本理论开始，效果不好。 这些理论枯燥无味，没有针对性，无法理解这些理论与AI有何关系。 因此，很容易放弃。

从项目开始：找到GitHub上的开源项目OpenFace等开源项目，阅读源代码，看看如何实现人脸识别。 阅读源代码时一定会遇到各种机器学习的Python库，一些机器学习算法。 以此为出发点，熟悉Python库的使用方法。 碰到的机器学习算法是开始学习AI的契机。

从项目开始的好处是理论和实践可以结合，比起单纯地学习理论更能理解理论的美妙！

03为了学习遇到的理论在项目中遇到的机器学习算法，明确理解它们是怎么来的，在论文中要追根溯源，学习算法的使用环境、算法的实施过程、算法的数学推导。 这个时候是学习数学基础的时机。 只学习对应的章节，不能用的暂时不用学习。

学习算法，借用介绍机器学习算法的基础，彻底理解算法。 系统地学习卷积人工神经网络、反向传播、线性回归、贝叶斯网络、支持向量机SVM、决策树等基本算法基础。 这个也很有用！

04请一定要出手！ 算法着手：

学习理论知识、机器学习算法时，会遇到算法的实现过程。 一般现在很多Python库已经提供了算法的实现，直接调用就可以了。 但是，如果自己有时间的话，可以实现算法，加深理解。 作为程序员，我知道只有在自己动手的时候才能发现问题。

应用着手：

学习机器学习，一定要自己动手，真正靠机器学习解决一个问题。 但目前机器学习相对于硬件来说球较高，训练时间也较高。 因此，如果可以说明流程的话，我建议您不要使用巨大的数据集，而使用非常小的就可以了。

05坚持，坚持！ 对于上班族来说，时间很宝贵，所以从996的时间以外抽出时间学习很困难。 因此，需要有耐心，有恒心。 既然开始了，就不能轻易放弃。 请养成在规定时间学习的习惯，比如每晚10点学习2个小时。 那个每天晚上学习，不管状态不好还是看以前的东西都学习。 像这样，在固定的时间做固定的事情，继续下去的概率就会变高！

成为程序员不容易，跳槽的程序员更难！ 随时都是健康第一！ 还有，保重！ 如果有需要的资料，请私信。 我在向你求助。

2、科学与科技怎样划分？

一.科学和技术的区别是什么

要理解这个问题，我们需要知道什么是科学。 从古至今，关于科学的定义，已经有人说过了。 举几个例子：

科学就是整理事实，从中发现规律，得出结论——达尔文

科学：运用范畴、定理、规律等思维形式，反映现实世界各种现象本质的规律知识体系。 —— 《模式识别》

文章来源：《电脑编程技巧与维护》 网址: http://www.dnbcjqywh.cn/zonghexinwen/2022/1207/1478.html