※ 引述《noodle3574 (拉麵)》之銘言：
: 幫朋友發文代問
: ————————————————————
: 大家好，小弟最近下定決心要轉行，對AI的部分有點興趣
: 大概了解之後發現AI是用Python寫的，但做程式相關的朋友說轉行的話不太建議用Python
: 當起手
: 因為是新東西，目前就業機會相較其他語言比較少建議從別的學起，也建議我上來問問各
: 位前輩
: 想問有做AI相關工作還有使用Python的前輩們，學Python的出路相對其他語言真的比較少
: 嗎?或是有其他更推薦做為入門的語言?
: 在網路上搜尋相關課程發現資策會和巨匠電腦有在賣Python的課程，看了一下有點想報名
: ，畢竟有老師教
: 好奇他們的課程在職場上是真的實用且有幫助的嗎?還是有其他更推薦的教材或教學方面
: 的資源可以使用呢?
: 最後想走AI方面的話前面可以做什麼類型的工作來累積經驗跟技術呢
: 我知道程式語言的水很深，所以想問問有經驗的前輩們的看法和建議。謝謝大家
這篇應該算是AI勸世文
如果你之前沒有任何工程背景，想要直接轉入AI的話，那真的是建議放棄。
AI發展至今，其實要入手真的非常容易，某種程度上只要知道如何呼叫API
(Python為介面)就可以完成很多事情。
我經歷過幾個用deep learning的實際例子，都是要解決既定的工程問題，
然後現有的工具不夠，所以才會選擇使用deep learning來解決
但是請注意，這些都是已經對該領域具備一定程度的domain knowledge，然後發現或許太
難惹，之後才使用deep learning來解決。
1.使用AI來解決影像快速對焦的問題
對於這案子我沒辦法談得太細，我會參與這個案子是因為嵌入式系統是由我來開發的。
做這個演算法的是一個光學博士，他使用了大量影像前處理演算法，然後再把資料餵到
神經網路裡面，他因為前處理做得很好，所以他建構的神經網路只有5層的樣子，用Keras
輕鬆完成，但其實說真的，這個最有價值的部分就在於"影像前處理演算法"，因為那位光
學博士"懂影像"，所以"前處理"做得很好，資料跑出來後，其實用傳統的機器學習
演算法就可以做完的事情，只是現在AI很夯，所以套一下神經網路就降。
這個案子最有價值的是影像前處理演算法。
2. 使用AI來預測機器故障的可能性
這個部份我有參與部分的演算法跟系統開發，這個案子主要是利用IMU去偵測機器的震動
，然後利用得到的振動頻率去預測機器損耗的可能性。但問題是要做這個東西，
就要先懂得DSP的訊號處理，像是要用甚麼類型的窗函數，然後要怎麼濾波，是用要IIR
還是FIR還是Adaptive Filter，那是要看一維time domain的訊號就好，
還是要看spectrogram? 這裡就有很多dsp的東西要去處理，我那時的經驗是，沒有做這
些訊號的前處理，就丟到神經網路去之後，那個正確率低到不可思議(30%左右)，但有
做這些dsp前處理之後，正確率就高達90%以上
這個案子最有價值的就是訊號的DSP前處理。
其實我還有陸續碰過類似這樣的案子，套路都是差不多這樣。倘若你今天已經做影像處理
一段時間惹，想要讓自己變得更有價值，OK，那去學deep learning是絕對舉雙手贊成
，因為不是只有辨識才會需要deep learning，在影像方面還有很多的東西會需要
用到deep learning，會用AI真的是如虎添翼!
再來，其實理工的要學deep learning根本就是無痛上手，像案例一的光學博士，
他從0開始自學只花了2個月就可以建構出跑得動的神經網路，如果他手上的案子會需要
非常複雜的神經網路，而他處理不來的話，我相信也應該會找CS或是數學畢業的碩士生
來弄，而不會找一個"中途轉行"的人來處理這個事情。
所以沒有任何理工背景，然後只是因為對AI感興趣想要轉行到這邊的話...這個...恩
ㄎㄎ~~~~~三思後行吧