1樓：Christoph
其實說實話，現在的演算法崗價效比並沒有特別高。我自己的話非科班出身，好在導師給的自由度比較大，我自己的閒暇時間較多，還是有幸轉過來了。
Christoph：非科班同學如何逆襲大廠演算法暑期實習？
2樓：永無止境
要轉行到AI行業，一些基礎的深層神經網路，是需要掌握的，例如① 卷積神經網路
卷積神經網路估計是目前最主流的AI演算法，幾乎無處不在。
卷積神經網路
② 深度殘差網路
深度殘差網路的主體部分是由下圖所示的殘差基本模組堆疊而成的，訓練難度較低。
殘差基本模組
③ 深度殘差收縮網路（面向強噪、高冗餘資料的）深度殘差收縮網路
3樓：
首先計算機專業並不是AI對口專業，對口專業是新設定的人工智慧專業。現在的科班生都是各個專業轉AI研究方向的導師帶的研究生。
另外，不建議轉行AI。每個行業都有混得好的和混得差的。
最後，非要轉的話，讀個研究生，跟個研究方向是AI的導師。
4樓：林高遠
我向以前領導打聽到的現況：現在人力市場上溢位一堆 AI/ML/演算法實習生出來沒人收。
絕大部分 AI/ML/演算法崗位也都不是必要，通常會希望後端為主，並且同時懂 AI/ML/演算法。
所以你若不是家裡有礦，可以做 100% 興趣的，不在乎收入慢慢磨，或許先從後端崗位開始比較好。
5樓：溪亭日暮
首先要澄清一下，為何「非計算機專業」就被稱作是「轉行」AI？實際情況是，恰恰是因為不同專業的學科背景，才更能帶給各個行業和崗位的人工智慧帶來新的方法和新思路。
人工智慧三大奠基人之一的Yann LeCun曾建議，如果想成為深度學習領域的研究者，除了學習程式設計，一定要盡所能把所有連續性的數學和物理課都上一遍。
為什麼物理學這麼重要？Yann的回答是：物理學發明了很多數學方法，來給真實世界建模。
比如，反向傳播演算法可以看作是經典力學裡拉格朗日算符的一種簡單應用；圖模型裡的前向演算法是一種廣泛應用於量子力學的路徑積分。
再如，人工智慧和資料科學、物聯網、軟體工程等等有著千絲萬縷的聯絡，它不是從無到有，而是依託前人或現有專業的基礎，然後加入新內容，加以創新，二者勾連得以產生。
我們不妨想象一下，人工智慧如果一天到晚就研究演算法，沒有人給他做資料，沒人給他做儲存，人工智慧到哪兒去呢？物聯網如果沒有給他採集資料，大資料沒有一系列的高效的分析方法，人工智慧的智慧型水平就很低了。
可以看一眼，現在正在學人工智慧的同學們學習的內容，包括前端開發、核心程式設計、爬蟲開發到最後的人工智慧終極專案實戰，都在學著。
所以換句話說，人工智慧是建立在其他學科基礎之上的，有了這些基礎來支撐，才能推動人工智慧的發展，少了這些基礎，人工智慧是沒有辦法往前走的。
西安交通大學人工智慧專業課程
而如果你本科畢業後就想從事人工智慧方向的工作，只要你的專業在工科範圍內，比如電子資訊、自動化這類，轉行AI會相對容易得多。當然 ，如果你想讀完研究生再工作，並且想有更好的機會，建議在研究生時選擇計算機專業，進行人工智慧方向的學習和研究。
雖然人工智慧離了計算機就不能工作，但要學習人工智慧，計算機專業並不能直接無縫對接，因為人工智慧需要深厚的理論支撐，而這些理論分散在多個學科裡。數學、電腦科學、神經生理學、心理學、自動化控制……
工科專業的本科生和計算機專業畢業的學生，其實處在AI的同一起跑線。AI更需要交叉學科基礎的同學。」我一位北航的教授朋友告訴我，「在我所帶的學生中，人工智慧學得最好的同學，其實並不是計算機專業畢業的，而是學物理專業的一位學生。
」網上檢索「人工智慧」，其中有這樣一句話「人工智慧是計算機學科的乙個分支」，但這個說法並不準確。人工智慧其實是各種各樣先進的優化的手段，而優化，它對應的是自動化專業。
如果追溯背景，這也是計算機專業的專家學者，開拓學科內的新領域，並努力耕耘的結果。在計算機還沒普及的時候，計算機專業一度吃緊，分專業時，學生都不願意去計算機，因為他們更多把計算機當成乙個工具，覺得計算機專業研究的內部體系、組成原理等內容用不太到，學了好像沒有什麼優勢。
於是計算機專業的專家教授拓寬思路，不能把專業研究的內容限於計算機內部，要對那些能夠用到計算機的領域進行研究，人工智慧就是其中之一，於是計算機參與到人工智慧的研究當中。
高等數學、線性代數、概率統計是人工智慧的核心理論部分（機器學習）的重要內容，但這些是幾乎所有工科專業本科的基礎必修課，並不只是「電腦科學與技術」專業的專享。專業課上，大多數工科在本科階段都少不了程式語言的學習，計算機專業也沒有太大的優勢。
雖然其他工科專業不一定像「電腦科學與技術」專業一樣，開設有機器學習、模式識別的選修課，但實際上，這些課程多開在大三大四，學生出於求職、考研的需要，聽課的效率不高。
可見，對人工智慧知識的吸收，計算機專業並沒有突顯優勢，拉開和其他專業的距離。
所以，要做與人工智慧相關的科學研究，或者在工業界能得到有效的應用，所需要的知識結構是什麼？電子資訊工程、電子科學技術、自動化、資訊保安、生物醫學工程等專業（或方向）裡面的知識，沒有哪個是和人工智慧一點都不相關的。
以中科大的人工智慧課程為例，涉及的腦與認知科學、模式識別、運籌學等，顯然都不是計算機專業的，而是生物醫學工程、自動化的內容。
最後一點建議，對於非常計算機專業的同學來說，要轉行AI，可以主動認識一下學校裡研究人工智慧方向的老師，在大二大三的時候提前跟著老師進實驗室，操作專案，積累經驗。
不過乙個現實是，你可能還是和受過系統訓練的研究生在知識的寬度和深度上有較大差距。
簡單地說，無論學校還是學生，應該基於自己既有的專業方向，然後根據新的發展趨勢，發現人工智慧和所學的專業之間的關聯，把自己的發展方向不斷進行調整，加入新的內容，不能什麼東西熱，就什麼東西都從頭來學，這樣才是負責的，且適合大多數人的。
6樓：CKLSniper
我是傳統工科出身，教育背景也一般，正兒八經的系統學習計算機與演算法相關只有在帝國理工的1年時間。今年校招還算走運地拿到多個SP Offer, 具體的面經可以看我之前的回答。
記得開始找工作的時候我也是非常不自信和慌張的，因為從當時牛客的情況上看，我無論是教育背景，實習，科研，工程能力都不突出。但後面入職以後和Mentor聊天以及參與面試幫忙的經歷來看，其實對於校招生，特別是轉專業的同學來說，最重要的就是2個字：「基礎」。
我覺得基礎就是對應著一種刨根問底的精神，我學習相關知識的時候，對於新的知識和概念會傾向於從更加底層的原理去掌握。我空餘時間大部分時間會去反覆刷PRML和Casella的那本書。不過說來慚愧，這幾本看了很多次了每一次翻都還會有一種學到新知識的感覺。
其他比較喜歡的還有Gelman, Morphy, Barber這些，雖然一次都只能看懂一點點，但是反覆看的話還是很有收穫的。
就我自己的體驗而言，拒絕浮躁抓住基礎，機會自然會來的，與大家共勉。
7樓：邵雨青
你可以自己去報班學習相應的內容，然後考取相應的資質證書，有了證書以後對於你找到aI或者是演算法的工作會有很大的幫助，因為在計算機這個行業更在意的是你學過什麼，對你們有什麼樣的證書及技能，而不是你的學歷。
8樓：Houye
感覺我是比較有資格回答這個問題的.
在知乎,一般生化環材是號稱4大填坑專業的, 而計算機尤其是演算法普遍受到追捧.
我個人先後在3個專業待過: 化學->通訊->計算機(演算法). 讀博之後才開始真正的搞演算法,基礎也比較差.
9樓：
沒有程式設計經驗，學歷211本科以下，不建議搞AI了，找工作很難。身邊一堆轉行AI找了一年還找不到工作的。稍微好點的公司招演算法都是985本科最低要求，還看專案經驗。
如果是學生的話，得趁早學，不過AI以後感覺門檻會越來越高吧，對計算機感興趣，做開發也挺好，現在感覺golang程式設計師需求還挺大的，選擇適合自己的比盲目追熱點好。
如果硬體條件還行，最快的方式就是報培訓班了。
10樓：
別逗了。
概率學了沒?圖論學了沒?博弈學了沒?線代學了精通嗎?高樹怎麼樣?程式語言會啥?演算法資料結構學好了嗎?線性模型精通了嗎?優化演算法理論如何?
上來就就學nn調參想拿演算法offer莫非石樂志?
11樓：
身邊轉專業、轉行到AI的人還是很多的，也許是倖存者偏差。結合所見所聞，大概有以下幾種操作：
本科轉專業到CS方向，身邊有從清華化學轉到清華CS的本科跨專業保研or考研，身邊有985非CS保研、考研到清華CS的出國留學讀研的，國外的碩士相對而言對本科專業限制不那麼多，三維達標，有CS、AI相關的專案、實習、科研經驗，一般都能申到不錯的專案
不轉專業，但是直接從事AI方向的工作，例如通過自學、刷題找到網際網路公司的AI實習機會，一開始公司可能是第二三梯隊的，但是通過一次次實習打怪公升級，逐步進入第一梯隊公司實習甚至轉正
在職人士，類似5，一步步往AI的方向、公司靠近以上。
12樓：東坡先生
為啥非要轉演算法，很多人連演算法做什麼的都不知道，最後做的都是資料分析的活，好好搞工程吧，我現在就有點後悔當初跟風入了演算法大類的坑
13樓：Litchi Academy
如果以演算法崗為目的的話，各種演算法的課程&書&競賽&Leetcode等該刷的要開始刷了。另外還需要你有紮實的數理統計程式設計的基礎。
基於我自己的經驗來說，真正的鑽研演算法的崗位只屬於科班出身，名校博士的大佬們。一般非科班出身的更加現實的是AI Engineer或者資料分析崗。
14樓：王迪
1.沒計算機，但是相關嗎？如應用數學等；如相關，門檻不大，沒問題；
2.如不想關，看你自己的興趣和天賦了，可以自己試著完成乙個小的演算法集訓練，或做乙個相關的程式，如爬蟲很簡單；
3.AI也會關注很多行業發展，看看你現在的是不是基礎科學，應用是否廣泛
15樓：jxie
leetcode 刷2遍medium，統計學習方法手推刷兩遍（最好能擼遍實現code），kaggle搞兩個牌子，然後先找個地方實習然後再去試大廠，親測有效
16樓：GCME
本人數學碩士，碩士期間自己花了一萬買了乙個GTX1070主機，效能算是中等，然後學習深度學習理論知識，參加了幾個影象類的競賽，雖然也沒有取得特別好的名次(實際上由於機器的限制，幾乎不可能取得好成績)，但是最後加入了一家AR公司做視覺類的深度學習演算法工作。
非計算機專業的學生如何入門深度學習？
knnay 一些常見的深度學習模型，應該是需要學習的，例如 卷積神經網路 深度殘差網路 2 深度殘差網路 深度殘差收縮網路 3 面向強噪 高冗餘資料的 深度殘差收縮網路 Christoph 好多好多大佬回答了這個問題，但是同作為乙個計算機小白，我覺得入門最重要的可能是一項學習計畫，在你什麼都不懂的情...
非計算機專業的大學生，如何自學程式設計？
氤氳 學習沒有捷徑，啃著啃著你就能達到以點破面的效果，然後就能輕鬆學習了，但是需要注意循序漸進，選擇學習先後順序很重要，也就是由簡到難，本人就是非計算機專業，而且還是乙個八竿子打不著的專業自學轉過來的 我躺好了 非計算機專業學習程式設計要考慮自己學習的目的。如果是為了轉行，早早看轉專業的要求對照著來...
計算機專業學生如何選擇自己工作
吃包子不吐皮 好好上課，什麼資料結構，計算機組成原理，微機原理，編譯原理，演算法導論，離散，線代專業課都好好學，不要等到要用了才後悔 課程設計自己做，平時多打碼練習，刷oj，leetcode，多聯絡，可以自己或者和團隊一起做一些專案，尤其是生產專案，聯絡協作，長期維護整合，同時鍛鍊編碼能力 會寫之後...