源代碼和arxiv新工作滿天飛，入門越來越容易。迭代速度越來越快帶來的問題是，前浪如何提升競爭力減緩自己死在沙灘上。。

視覺不懂，NLP似乎是越來越簡單了。

BERT+Fine tune能搞定很多基礎問題（分類、序列標註等），效果好還不需要很多的監督語料。

然後很多新提出的模型，其實就是在反覆的玩各種Attention。機器翻譯這種比較複雜的任務不敢妄言，僅拿最近在看的 Aspect Sentiment Classification 這個小領域的文章來說，創新點真的就是LSTM、Attention、BERT三者的排列組合。

不負責任的說，了解下詞向量、LSTM、Transformer、Self-Attention、BERT，近兩年的NLP頂會論文基本能看懂個大概了。比如最近火熱的預訓練模型，各種預訓練模型的本質就是使用Transfrmer的編碼端or解碼端或者使用Transformer的變體再或者改改訓練目標。歸根結底都是個大大的Self-Attention。

現在的 ai 並沒什麼高深的東西，入門很容易，精通需要經驗

發展快，是在暗示入門容易啊

自古曲高和寡，太複雜太晦澀的東西沒幾個人懂，很難發展快的

技術越來越標準化，門檻應該越來越低呀，入門應該是越來越容易

理論上應該是越來越困難，但就NLP而言深度學習領域其實並沒有出現顛覆性的革新，反而BERT讓這個領域也開始進入大力出奇蹟的狀態了。而基礎的NLP統計演算法比如TF-IDF，textrank等等已經足夠成熟了不會再更新了，所以也不會越來越困難。

深度學習發展快，源代碼和arxiv新工作也是鋪天蓋地，是在暗示入門容易，應用也會越來越簡單。tutorial和API helpbook簡單易懂,Tensorflow，Pytorch， AutoML 和 NAS 相關的方便好用的工具，debug用的軟體更是層出不窮，這些對於入門都是非常便利的資源。現在 CVPR, ICML, NIPS 之類的熱門會議年年投稿破新高，現在讀DL/ML博士的申請難度也是連年提升，競爭越來越激烈，而在業界的話，這種情況將會導致機器學習工程師的淘汰更替速度越來越高。入門的標準是可以看懂代碼，復現項目，甚至有所改進，那麼精通就是要做出顛覆性的成果，頂會發文。真正分辨哪些工作有用並且能獨立研究才是困難的，深入研究或顛覆性創新會困難。自古曲高和寡，太複雜太晦澀的東西沒幾個人懂，很難發展快的.入門很容易，入門是工程師，精通需要經驗，不斷的學習，會變成科學家。迭代速度越來越快帶來的問題是，前浪如何提升競爭力減緩自己死在沙灘上。九層之台，起於累土。如果想要在這些領域做出成就，就靜下心來，不斷努力，一定可以實現自己的目標的。

附上計算機視覺和自然語言處理入門的一些資料：

計算機視覺和自然語言處理入門的基礎：

編程語言 ：C++,Python, 了解一些庫：numpy、pandas、matplotlib等。

數學基礎：線性代數, 概率統計，微積分，資訊理論，最優化，隨機過程，矩陣計算，數據分析，

演算法:數據結構，機器學習演算法，深度學習演算法

工具：MATLAB,Tensorflow,PyTorch，Caffe，ffmpeg，Maxnet

計算機視覺的應用：-無人駕駛 - 無人安防 - 人臉識別 - 文字識別 - 車輛車牌識別 - 以圖搜圖 - VR/AR - 3D重構 - 醫學圖像分析 - 無人機

書籍推薦：《Computer Vision : Models,Learning and Inference》，《Learning OpenCV》，《Computer Vision : Algorithms and Applications》，《Deep Learning》，《Computer Vision：Models, Learning and Inference》，《Computer Vision：Algorithms and Applications》， 《OpenCV3編程入門》，李飛飛計算機視覺系列課程，斯坦福公開課：

Stanford CS223B，Stanford CS231N；

網站推薦：Visionbib， vision.stanford

計算視覺的頂會：

ICCV：國際計算機視覺大會

CVPR：國際計算機視覺與模式識別大會

ECCV：歐洲計算機視覺大會

計算機視覺的頂刊：

PAMI：IEEE 模式分析與機器智能雜誌

IJCV：國際計算機視覺雜誌

NLP需要學習的基礎知識：分詞，詞幹、關係、特徵提取，命名實體識別和消歧，詞性標註，句法、語義、篇章、情感分析，詞形還原，停用詞過濾，詞向量化，降維，文本理解

NLP中常用的模型：馬爾可夫模型、隱馬爾可夫模型、層次化隱馬爾可夫模型、馬爾可夫網路，條件隨機場（CRF），貝葉斯網路，

NLP語言模型：

（1）詞的獨熱表示（one-hot representation）,（2）Bag of Words, （3）Bi-gram 和 N-gram, （4）詞的分散式表示（distributed representation）,（5）共現矩陣（Cocurrence martrix）,（6）神經網路語言模型（Neural Networ Language model，NNLM）,（7）word2vec

NLP常用工具: Anaconda, Scikit-learn, TensorFlow, Keras, Gensim, NLTK, Jieba, 百度LAC,

NLP書籍推薦：統計自然語言處理（宗成慶第二版）、《自然語言處理綜論》，Python自然語言處理、數學之美（第二版），《自然語言處理的形式模型》，《自然語言處理中的模式識別》，《EM演算法及其擴展》，《自然語言理解》，《Fundamentals of Speech Recognition》，《Learning Python第三版》，

NLP研究內容：機器翻譯、機器寫作、文稿機器校對、文檔分類、文本挖掘、問答系統、信息檢索，信息過濾、信息提取、信息抽取、自動文摘、輿情分析、推薦系統、語音識別

NLP推薦網址：

中國中文信息學會http://www.cipsc.org.cn/

中國計算機學會http://www.ccf.org.cn/

IEEE https://www.ieee.org/

ACL Wiki https://aclweb.org/aclwiki/Main_Page

ACL Anthology https://aclanthology.coli.uni-saarland.de/

List of Issues of Computational Linguistics in the MIT Press Journals

https://www.mitpressjournals.org/loi/coli

Transactions of the Association for Computational Linguistics

https://www.transacl.org/ojs/index.php/tacl

斯坦福大學自然語言處理實驗室整理的NLP資源https://nlp.stanford.edu/links/statnlp.html

Google Research Blog https://research.googleblog.com/

Best Paper Awards in Computer Science http://jeffhuang.com/best_paper_awards.html

我愛自然語言處理http://www.52nlp.cn/

http://www.52nlp.cn/resources

natural language processing blog https://nlpers.blogspot.tw/

火光搖曳http://www.flickering.cn/

自然語言處理(NLP)入門學習資源清單https://cloud.tencent.com/developer/article/1075692

語料庫語言學在線 http://www.corpus4u.org/

Lecture Collection | Natural Language Processing with Deep Learning

https://www.youtube.com/playlist?list=PL3FW7Lu3i5Jsnh1rnUwq_TcylNr7EkRe6

video lectures http://videolectures.net/

課程圖譜 http://coursegraph.com/

自然語言處理領域國內外著名會議和期刊：

ACL、EMNLP、NAACL 和 COLING 可以說是 NLP 領域的四大頂會。

SemEval （International Workshop on Semantic Evaluation），

LREC 全（International Conference on Language Resources and Evaluation）

信息檢索和數據挖掘領域的學術會議：SIGIR、CIKM、WWW、WSDM等。

人工智慧領域的兩大國際頂會： AAAI 和 IJCAI。

機器學習領域的學術會議主要包括 ICML、NIPS、UAI、AISTATS等。

相關期刊: AI （ Artificial Intelligence）， JAIR （ Journal of AI Research）， JMLR （ Journal of Machine Learning Research）。

計算機的知識結構是圖狀的，不是樹狀的。沒有明確的起始節點，你可以任選一個節點按BFS或者DFS慢慢吃掉一個子圖（神仙才能把整張圖吃完）。

容易入門是好事也是壞事，技術迭代太快，對於已經在行業內的人來說太容易溫水煮青蛙了。畢竟雖然沒有哪個節點規定了是起始節點，但每條邊卻清清楚楚的有著權值。

入門不困難，真正分辨哪些工作有用並且能獨立研究才是困難的

大哥，是不是問反了？現在論文滿天飛，恨不得發文的時候把源代碼給你一併帶上，就這哪來的門檻，現在各種調包俠調參俠，門檻怎麼反而高了？恕我理解不能

其實深度學習和其它學科也沒什麼特別不一樣的地方，都是入門不算難，精通很難，如果說入門的標準是可以看懂代碼，復現項目，甚至有所改進，那麼精通就是要做出顛覆性的成果，頂會發文。如果只是想入門：

1、首先掌握python

2、學會找最新論文，並且會復現代碼。

3、如果是CV領域用GPU復現代碼的技能是一定要有的，如果自己沒有GPU，也可以租用智星雲的GPU，我們現在用的就智星雲的GPU，環境都是配置好的，用起來很方便。價格也合理。

最後，我想說，九層之台，起於累土。

如果想要在這些領域做出成就，就靜下心來，不斷努力，一定可以實現自己的目標的。

反倒覺得入門門檻變低了，隨便做點兒實驗，論文好好寫寫，吹個點子就能中頂會，然而想混出點兒樣子太難了，領域太大，大神太多

入門是越來越容易的。但是「入圈」是越來越難了。

入門容易是因為現在好用的輪子越來越多了，從擼c擼源碼，到後來用python調tensorflow/pytorch，現在連 AutoML 和 NAS 都開始有方便好用的工具了，debug用的軟體更是層出不窮，tutorial和API helpbook 又寫得簡單易懂。老實說，初中畢業的學生現在都能很快上手了。

但是相應地，「入圈」越來越難了，具體有多難，你看看現在 CVPR, ICML, NIPS 之類的熱門會議年年投稿破新高，再看看現在讀DL/ML博士的申請難度也是連年提升就知道了。這裡早已不是流著奶與蜜之地了，競爭之激烈，更新換代速度之快，註定了你在學界圈子裡混出頭的難度相較以前其實更大。

而在業界的話，這種情況將會導致機器學習工程師的汰換速度越來越高，最終演算法的汰換速度比開發快已經基本是未來可預見的情況了，畢竟入門門檻低，大家都是人肉CPU拼體力的，演算法的供應人數又比開發多，需求卻遠比不上開發。

不會的。就我了解雖然現有的文章很多，但是顛覆性的貢獻幾乎很少，總的來說這兩個領域入門容易，做深很難

應該說想做出點東西比以前難多了。入門的話，主要還是一些基礎的理論和實踐。

這個領域，入門是工程師，而不斷的學習，你會變成科學家。

牛頓提出萬有引力公式和微積分這麼久了，你覺得現在學容易還是當年跟他學容易？

有一個方法就是盡量先粗淺的了解一下前沿的趨勢，然後把精力集中的新技術上。這就有後發優勢了。比如說現在可以多研究transformer和注意力機制，而不是lstm

恰恰相反，現在輪子太多導致滑板車都能上200邁了，這誰受的了

技術的更新迭代周期都比較短，入門則是越來越容易。應用也會越來越簡單，研究透就需要花點時間

推薦閱讀：
相关文章