我们就来深入看看，转型AI相关岗位到底需要学习什么知识，有没有我们想象得那样“高大上”
提到AI都会觉得就是学python，实际上呢，AI不等于python，我们来听听北大硕士、医疗CTO李晓华老师对于AI与python之间关系的解读。
AI当中的数学并不是在咱们接触的那种应试数学，而是需要配合着应用场景来学习的，需要解决业务场景的实际问题。
3）学习能力-机器学习怎么让机器有学习能力？我们需要AI的核心算法来实现
① 机器学习通俗来说，例子：我们输入大量的车的图片给机器去“学习”，训练的多了，它就会知道这些图片代表的是车。那么在训练之后呢，我们希望再来一辆机器没见过的车，它也能判断出来这是车，这就是预测功能。“机器学习”是要基于大量数据的，也就是说它的“智能”是用大量数据喂出来的。
机器的学习模式：分为监督学习、无监督学习、强化学习按照学习方法：分为传统机器学习、深度学习常见算法：迁移学习、主动学习、演化学习
可以用于预测、分析、分类等产品的场景例如：信息检索、文本挖掘、开元体育垃圾邮件辨别、反欺诈等；
① 通俗来说，深度学习是模拟的人类的大脑，让机器可以主动进行学习。谷歌的阿尔法狗战胜人类顶尖围棋选手，大家肯定听说过吧？用的就是深度学习算法。
我们扔给猫主子一个毛线球，识别出这是毛线步？而深度学习就是模拟的人类的大脑。
可以用于图像识别、语音识别、自动驾驶、声纹识别等产品的场景。例如：幼教机器人产品、智能车载产品、金融保险识别等领域；
②计算机视觉-应用场景安防领域：安防布控、视频监控、交通安全智能医疗：食道痛检测、临床医学医疗图像的提取金融领域 ：卡证识别、物体检测、远程业务等交通领域：车辆对比、辅助无人驾驶
④自然语言处理-应用场景语音识别：科大讯飞、百度等企业的录音笔、办公本等产品语音合成：高德地图、苹果Siri等语义识别：智能客服的普通话优化
上面我们总共分享了3大技术，机器学习（包含深度学习）/计算机视觉/自然语言处理除了以上3类，还有知识图谱、人机交互这2类技术，也可以作用于传统的产品，形成行业+AI
