※ 引述《noodle3574 (拉面)》之铭言：
: 帮朋友发文代问
: ————————————————————
: 大家好，小弟最近下定决心要转行，对AI的部分有点兴趣
: 大概了解之后发现AI是用Python写的，但做程式相关的朋友说转行的话不太建议用Python
: 当起手
: 因为是新东西，目前就业机会相较其他语言比较少建议从别的学起，也建议我上来问问各
: 位前辈
: 想问有做AI相关工作还有使用Python的前辈们，学Python的出路相对其他语言真的比较少
: 吗?或是有其他更推荐做为入门的语言?
: 在网络上搜寻相关课程发现资策会和巨匠电脑有在卖Python的课程，看了一下有点想报名
: ，毕竟有老师教
: 好奇他们的课程在职场上是真的实用且有帮助的吗?还是有其他更推荐的教材或教学方面
: 的资源可以使用呢?
: 最后想走AI方面的话前面可以做什么类型的工作来累积经验跟技术呢
: 我知道程式语言的水很深，所以想问问有经验的前辈们的看法和建议。谢谢大家
这篇应该算是AI劝世文
如果你之前没有任何工程背景，想要直接转入AI的话，那真的是建议放弃。
AI发展至今，其实要入手真的非常容易，某种程度上只要知道如何呼叫API
(Python为接口)就可以完成很多事情。
我经历过几个用deep learning的实际例子，都是要解决既定的工程问题，
然后现有的工具不够，所以才会选择使用deep learning来解决
但是请注意，这些都是已经对该领域具备一定程度的domain knowledge，然后发现或许太
难惹，之后才使用deep learning来解决。
1.使用AI来解决影像快速对焦的问题
对于这案子我没办法谈得太细，我会参与这个案子是因为嵌入式系统是由我来开发的。
做这个算法的是一个光学博士，他使用了大量影像前处理算法，然后再把资料喂到
神经网络里面，他因为前处理做得很好，所以他建构的神经网络只有5层的样子，用Keras
轻松完成，但其实说真的，这个最有价值的部分就在于"影像前处理算法"，因为那位光
学博士"懂影像"，所以"前处理"做得很好，资料跑出来后，其实用传统的机器学习
算法就可以做完的事情，只是现在AI很夯，所以套一下神经网络就降。
这个案子最有价值的是影像前处理算法。
2. 使用AI来预测机器故障的可能性
这个部份我有参与部分的算法跟系统开发，这个案子主要是利用IMU去侦测机器的震动
，然后利用得到的振动频率去预测机器损耗的可能性。但问题是要做这个东西，
就要先懂得DSP的讯号处理，像是要用什么类型的窗函数，然后要怎么滤波，是用要IIR
还是FIR还是Adaptive Filter，那是要看一维time domain的讯号就好，
还是要看spectrogram? 这里就有很多dsp的东西要去处理，我那时的经验是，没有做这
些讯号的前处理，就丢到神经网络去之后，那个正确率低到不可思议(30%左右)，但有
做这些dsp前处理之后，正确率就高达90%以上
这个案子最有价值的就是讯号的DSP前处理。
其实我还有陆续碰过类似这样的案子，套路都是差不多这样。倘若你今天已经做影像处理
一段时间惹，想要让自己变得更有价值，OK，那去学deep learning是绝对举双手赞成
，因为不是只有辨识才会需要deep learning，在影像方面还有很多的东西会需要
用到deep learning，会用AI真的是如虎添翼!
再来，其实理工的要学deep learning根本就是无痛上手，像案例一的光学博士，
他从0开始自学只花了2个月就可以建构出跑得动的神经网络，如果他手上的案子会需要
非常复杂的神经网络，而他处理不来的话，我相信也应该会找CS或是数学毕业的硕士生
来弄，而不会找一个"中途转行"的人来处理这个事情。
所以没有任何理工背景，然后只是因为对AI感兴趣想要转行到这边的话...这个...恩
ㄎㄎ~~~~~三思后行吧