数学是普通程序员入门人工智能的最大障碍

人工智能的浪潮已经席卷全球，成为各国经济发展的重要驱动力，但人才缺乏现已成为制约其发展的最关键因素。据腾讯研究院发布的《2017全球人工智能人才白皮书》，国内目前有39200位AI从业人员，但是对于AI人才的需求数量已经突破百万，供需严重失衡。仅在2017年的前10个月内，AI人才需求量已经达到了2016年的近两倍，人才需求直线上升年复合增长率超200%。

当下，人工智能人才的巨大缺口，主要通过三种方式缓解：海外人才引进、高校加大培养、传统人才转行。

海外人才引进，一定程度上缓解了AI顶尖人才的极度匮乏情况，但无法满足社会对普通AI人才更为广泛的需求。

高校对AI人才的培养，是解决问题的根本，但通常需要6-8年的筹备与探索期，才会逐渐形成稳定的人才输出。今年4月，教育部为响应国务院号召，发布《高等学校人工智能创新行动计划》，计划中明确提出：加强人工智能领域专业建设，到2020年建立50家人工智能学院、研究院或交叉研究中心。但是由于国内高校的AI起步较晚，师资力量较为欠缺，目前还未形成系统的课程培养体系，难以很快填平AI人才缺口。

上述两种方式的尴尬现状，均不能在短期内缓解AI人才市场的需求。供需严重不平衡的现状，使得AI从业者薪水普遍数倍于传统行业！

同时，入门AI并非难以企及之事（具备扎实的数学和编程基础，掌握好入门方式），使得传统行业人才纷纷转行人工智能。据调查统计，高达48%的程序员打算在2018年学习人工智能，为转行做准备。

转行人工智能的第一步：机器学习

人工智能是一门多学科交叉的综合性前沿学科，包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等诸多领域，每个领域都对应诸多垂直方向的招聘岗位。

图为人工智能研究分支

机器学习是当下实现人工智能的主流方法，因此“入门人工智能”可以先从入门机器学习入手。在我们学习机器学习算法时，往往会遇到以下两种情况：（1）算法的数学推导吃力，无法理解具体核心参数表示的物理意义；（2）弄懂算法原理后，面对实际问题，依然不知道如何利用算法解决。久而久之，学习积极性消失殆尽，从入门变为放弃。

造成这种普遍现象的原因在于，学习者数学基础不扎实、实践经验不足。数学基础不扎实，无法推导算法的数学公式，进而不能深入理解算法的核心思想。

数学对于机器学习的重要性

学习机器学习最重要的基础是数学和编程。对于普通程序员，C++/Python等编程能力比较强，但数学基础比较薄弱。恰恰，数学作为表达与刻画机器学习模型的工具，是深入理解机器学习算法原理的基石，也是算法创新的基础技能。

当下，无论是科研院校AI方向的研究生招生，还是AI企业技术岗位招聘，都明确说明数学专业的优先，可见数学之重要。

图为企业招聘机器学习工程师对数学的明确要求

近期，专注于人工智能在线教育的深蓝学院，联合南京大学计算机科学与技术系博士生、中科院自动化所博士、清华大学博士，共同推出《机器学习数学基础》课程，力争让大家学有所成、真正掌握机器学习模型以及算法背后的原理，为入门人工智能打下坚实的基础。

《机器学习数学基础》课程内容主要包括引言、函数求导、矩阵论、凸优化、概率论与数理统计、信息论六部分，并辅以线性回归及其应用、SVM及其应用、BP算法及其应用、朴素贝叶斯及其应用、决策树及其应用等五个实践案例。课程将机器学习算法与数学知识点高度融合，做到从人工智能中来，到人工智能中去，而不是单纯地讲解数学知识点。

课程服务包括：

1. 全新撰写的课程讲义（全网独家）；

2. 微信群/讨论区实时答疑；

3. 精心设计作业题目，并及时批改；

4. 机器学习算法均代码实现，而不是直接调用函数库；

5. 前五位优秀学员，将分别获得2000元现金奖学金。

『机器学习数学基础』课程讲师简介

钱鸿

南京大学计算机科学与技术系博士生

主要研究兴趣为：机器学习、优化、博弈学习等。在AAAI、IJCAI、IEEE/ACM ASE等国际顶级/重要会议上发表论文9篇，曾担任IEEE Transactions on Evolutionary Computation、ICML、NIPS、IJCAI等期刊和会议的审稿人，并获得国家奖学金、百度奖学金提名、江苏省三好学生、南京大学优秀研究生标兵等荣誉称号。

肖鸿飞，中科院自动化所博士，主要研究方向是目标检测、语义分割、三维重建等。具有8年计算机视觉领域的科研工作经历，在计算机视觉领域国际期刊会议发表论文多篇，在视觉会议上发表并获得最佳论文（Selected Best Papers）。

课程大纲—引言部分

第一节：数学之于机器学习的必要性和重要性

课程大纲—函数求导

第一节：背景介绍（以误差逆传播算法为例）

第二节：函数的极限

第三节：偏导数、方向导数、梯度

第四节：复合函数求导的链式法则

第五节：案例分析（BP算法及其应用）

课程大纲—矩阵论

第一节：背景介绍（以线性回归为例）

第二节：矩阵概念与运算

第三节：矩阵范数

第四节：矩阵的行列式、逆、秩和逆

第五节：矩阵的特征值和特征向量

第六节：奇异值分解

第七节：矩阵导数

第八节：矩阵二次型与半正定

第九节：案例分析（线性回归及其应用）

课程大纲—凸优化

第一节：背景介绍（以支持向量机（SVM）算法为例）

第二节：优化问题与极值

第三节：凸优化基础

第四节：对偶理论

第五节：案例分析（SVM及其应用）

课程大纲—概率论与数理统计

第一节：背景介绍（以朴素贝叶斯算法为例）

第二节：随机变量及概率分布

第三节：联合概率，边缘概率，条件概率，贝叶斯定理

第四节：期望、方差/标准差、协方差

第五节：不等式（切比雪夫不等式等）

第六节：独立性，条件独立性，相关性

第七节：常用分布及特例

第八节：KL散度

第九节：极大似然估计

第十节：案例分析（朴素贝叶斯及其应用）

课程大纲—信息论基础

第一节：背景介绍（以决策树算法为例）

第二节：信息论中的基本概念（上）

第三节：信息论中的基本概念（下）

第四节：案例分析：决策树及其应用

课程特色

❈ 讲义新颖：全新撰写课程的配套讲义，全网独家

❈ 方式独特：数学知识与人工智能案例紧密结合

❈ 实践认真：根据课程算法案例，手把手代码实践

❈ 答疑及时：课程讨论区、微信答疑群及时答疑

❈ 作业细致：根据每章节知识点，精心设计作业

实践案例

❈  线性回归及其应用：以前列腺癌发病率预测为例

❈  SVM及其应用：以Iris数据集分类为例

❈  BP算法及其应用：以手写数字识别为例

❈  朴素贝叶斯及其应用：以乳腺癌诊断和信用风险评级为例

❈  决策树及其应用：以乳腺癌诊断和信用风险评级为例

课程福利

❈ 深蓝学院为本门课程提供了一万元的奖学金，奖励作业排行前五名的同学；

❈ 课程优秀学员，将获得深蓝学院“优秀学员”证书。

Q&A

Q:课程是录播还是直播？是否可以试听？

课程采取录播+课程讨论区 / 微信群答疑的学习形式，大家可以灵活安排时间学习。记得在规定的时间内按时完成并提交作业哦！

我们邀请讲师钱鸿博士录制了课程介绍视频，点击“阅读原文”，即可试听！

Q:课程视频是否可以一直学习？

本门课程长期有效，以便于大家随时观看视频回放和复习课件，切实掌握入门人工智能的数学知识。

Q:课程是否提供代码实践？

    本课程的全部实践环节都将由专职助教带领进行代码实践，并手把手示范指导。

    助教简介：张阳阳，清华大学博士生，主要研究方向为机器学习，现为创业公司 CTO，擅长 Python语言、Tensorflow和Pytorch框架，熟悉常用的机器学习算法。

Q:课程适合哪类人群学习？

    本门课程适合想转行至人工智能领域，但是数学不扎实或者已经忘记的小伙伴。同时，因为知识储备不够，感觉机器学习难以理解，或者看机器学习书一头雾水的人，也适合学习这门课程。  

Q:如何报名课程？

    点击“阅读原文”，即可进入报名页面。前100位报名者可享受300元的优惠，优惠券请添加宇轩微信领取（微信号：shenlanedu）。

课程寄语  

   深蓝学院课程组

机器学习数学基础这门课，课程组筹备长达半年之久，从前期调研、选取讲师到制定课程大纲，历经数次的修改、推翻和完善，力求有用而实际。我们有自信，大家学完这门课，可以更加顺利地转行至人工智能领域。

学如春起之苗，不见其增，日有所长，我们会陪大家一起学习、共同成长。

添加宇轩好友，领取300元优惠券

↙点击“阅读原文”，试听课程。