谢谢邀请！
软件工程师转行做人工智能是一个不错的选择，但是要根据自身的知识结构进行相应的准备。对于研发级软件工程师（研发级程序员）来说，转行做人工智能是相对比较容易的，因为研发级工程师往往都有扎实的算法基础。对于应用级软件工程师（应用级程序员）来说，转行做人工智能需要一个系统的准备（学习）过程。
人工智能目前的研究方向比较多，比如自然语言处理、机器学习以及计算机视觉都是不错的研究方向，下面就以机器学习为例，说一下作为应用级软件工程师来说，都应该做好哪些准备。
首先，需要系统的学习一下算法知识。机器学习的研发是以算法为核心进行展开的，所以要有一个扎实的算法基础。这个过程需要了解一些比较经典的算法设计过程，逐步培养起解决问题的思路。这部分的学习内容包括随机算法、堆排序算法、快排、计数排序、贪心算法、核算法、势能法、图算法、多线程算法、数论算法和近似算法等，在学习算法的过程中也会连带着把数据结构一并学习一下，因为算法和数据结构本就不分家。
其次，了解机器学习的实现步骤。机器学习的流程包括数据收集、数据整理、算法设计、算法实现、验证算法和应用算法，数据收集是机器学习的第一步，目前可以用于机器学习的公共数据集并不少，对于实验来说已经够用了。接下来就是了解常见的机器学习算法，目前比较常见的机器学习算法包括NB、k-mean、kNN、SVM、Apriori、EM、PageRank、CART等算法，对于有算法基础的人来说，这些算法的学习并不困难。
最后，选择一门编程语言来实现这些算法并对其进行验证。对于软件工程师来说，这个步骤还是相对比较轻松的，目前使用Python做机器学习的算法实现是一个比较常见的做法。
人工智能是我的主要研究方向之一，目前我也在带相关方向的研究生，我会陆续在头条写一些关于人工智能方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。
如果有人工智能方面的问题，也可以咨询我，谢谢！
说说我的个人经历我亲身经历了从非AI软件开发到AI的转变。
我一直对AI感兴趣，也知道这是技术发展的一个大趋势。所以在2016年以前，陆陆续续地关注一些AI博客，断断续续地学习，但一直没有系统学习过。
在2016年，因为工作的变动，就开始系统地学习了AI。买了一些AI的书来读，在coursera在线学习网站上，参加了业界有名的Andrew Ng（吴恩达）的《机器学习》课程。
这是我是在2016年5月份获得的《机器学习》结业证书。
《机器学习》结业，只是入门。而AI分成好几个领域，比如图像识别、NLP等等，每一门的水都挺深。我选择进入NLP，因为其它领域都被大公司吃完了，而NLP相对不太成熟，小公司更有机会。
我学习了NLP的实用技术，并用来做产品。后来还是因为AI更是大公司的菜，加上其它的一些事情，就转向聚焦在区块链上了。
所以，我觉得我有资格来回答这个问题。
对于软件工程师，这种转变，不叫转行，而叫学习新技能。
首先，还是需要有扎实的数学知识对于很多软件工程师，数学知识平时用得少，软件功能都是调用这个库、那个API来实现的。这在AI之前，在很多公司还算是合格的，毕竟能完成工作。
但到AI领域后，你就会发现没有数学知识，碰到一些问题就懵了，很吃亏，效率会很低。
我的《微积分》是很多年钱学的，早就丢掉了。到了AI领域，发现有很多微积分内容，又得捡回来。
你至少需要准备这些数学知识：
线性代数。将会碰到有很多向量和矩阵，所有计算的基础，重要性不言而喻
概率与统计
微积分
刚开始入门，要推荐吴恩达的《机器学习》，这是一堂有名的课，评分高达4.9分。
这门课程难度为中等偏低，每期都有习题练习，习题需要一般的编程能力，全部通过才能获得结业证书。
https://www.coursera.org/learn/machine-learning
然后再深入一点，就是目前业界广泛使用的神经网络中的深度学习。
深度学习在Coursera上，是有一个专项课程。专项课程是几个相关课程的集合。深度学习专项内部包含了4个课程。如果有条件，最好把所有的课程学一遍：
https://www.coursera.org/specializations/deep-learning
如果没时间学完专项，那么其中的《神经网络和深度学习》是必学的：
https://www.coursera.org/learn/neural-networks-deep-learning?specialization=deep-learning
再次，根据具体的业务领域，选择适合的框架和语言，边学边做到了这一步，你就要开始实战了。
这里要看你从事的领域的需求，学习更具体的算法。比如公司搞图像识别，那CNN必须要精通；如果是NLP，要学word2vec、RNN等。
然后选择编程语言和AI框架。
如果公司没有硬性要求语言和框架。在语言方面，而你是新手，或者编程经验不多，最好就直接用Python；对于老手，存在存量绑架，也因为对某语言用得熟练，那要选择支持你的编程语言的框架。
一般来说，选择谷歌的TensorFlow更好，公司有技术实力保障，对语言支持能力强，连JavaScript都支持。
给码农的话最后，对于软件工程师，再过几年，AI将是所有公司所必备一项能力，那么的AI技能，也就是码农必备的技能，那就快点学起来，用起来。
和其它行业一样，码农要保持自己的职业竞争力，需要活到老，学到老。在软件技术这块，迭代周期别其它行业要快很多，就更需要坚持不断学习。
需要很深的数学功底，其它都不重要
有些答案实在看不下去了，来点干货
人工智能相关职位（各种叫法: 算法工程、NLP工程师, CV算法研发工程师，数据科学家，推荐算法工程师，机器学习工程师、人工智能工程师等）的要求基本如下：
职位关键词：算法层面为机器学习，深度学习，NLP, CV, 强化学习等，大数据层面: Hadoop, Hive, Spark等
实践：有实践经验 （转行的话，建议打比赛）
围绕着上面的职位要求，下面是可操作的建议:
夯实理论基础： 机器学习、深度学习先入门(坑)吧。coursera上很多课，Andrew Ng的课算是基础的, fast.ai上的课也可以看看。硬着头皮看吧，很多人从入门到放弃，能过这道坎，才有可能转行。
不建议参加培训机构，除非你钱多。人工智能是个很笼统、宽泛的概念，被吵得很热，很多机构打着大数据、人工智能的噱头来培训，什么人才缺口百万，什么年薪百万。参加这种培训的人，面试的时候，肯定会心虚，没有真正的项目实践。与其参加培训，不如省下钱来加块GPU。MIT, Stanford名校各种公开课程，没必要参加国内这些课程。
注意: 本文中的算法，指的是Machine Learning领域的算法(比如决策数, xgb, svm, rnn, cnn)，非Computer Science领域里的算法(比如quick sort)，不要搞混
PS: 转的话，需要花些精力的。现在很多学校都开设了相关的学院、课程。再过两年，搞不好会是下一个“本科遍地走，大专多如狗”，这个风险和机遇是并存的。确定要转的话，撸起袖子，加油干吧，相信自己！
欢迎交流
谢谢邀请！
首先人工智能肯定是未来的一个方向，无论是否想转行，都有必要去了解人工智能技术。
其次我认为学习人工智能主要有四种境界，你需要确定自己需要达到哪种境界，才好确定你的努力方向和策略。
1.科学家境界
2.工程师境界
3.应用者境界
4.知其然境界
科学家境界
科学家境界是很少很少一部分人能达到的境界，主要是那些从事人工智能研究的科学家，他们能原创出很多的算法和理论，解决一些最前沿的难题。比如深度学习的鼻祖Hinton,生成对抗网络发明人 Ian goodfellow,Xgboost发明人陈天奇等等。
工程师境界
工程师境界也是很难的一种境界，需要用很强的理论背景和工程实现能力，能独立复现最新的论文，深刻理解论文的实现原理，并能在上面做一些小创新。
应用者境界
应用者境界是大部分人工智能算法工程师所在的境界，主要就是明白算法原理，知道如何实现，核心在于知道如何把他应用在一个实际的业务场景之中。
知其然境界
最后一个是知其然，也知其所以然境界，知道当下的人工智能到底是什么，知道机器学习和深度学习大概是个什么东西，不会过分的去神话AI，知道目前AI的优势，更知道目前AI的局限。
不同的境界对应不同的要求，简单点概括就是：
工程能力决定你的下界，理论能力与业务理解决定你的天花板。
PS：本号作者目前是某大厂机器学习算法工程师，致力于全栈AI算法和业务场景落地，非常乐于在网上分享最新的AI知识，也经常开直播教同学AI算法和编程。感兴趣的同学可以关注本头条号，获得最新的干货！
软件开发工程师，如何转行到人工智能领域？首先你需要明白自己为什么要转行到人工智能，是觉得人工智能发展前景不错，还是觉得人工智能岗位工资高才转行过来？如果仅仅是因为这两点，那我劝你还是不要转行到人工智能。
人工智能领域说实话入门门槛很高，你不仅仅要和国内的名牌大学研究生、博士生竞争，同时你也要和国外那些厉害大学(比如常青藤)的海归同学竞争。你确定自己在和他们的竞争过程中，能脱颖而出吗？当然，转行到低级算法工程师很容易，但是每个同学都想往高处走，成为高级算法工程师会很难。个人如果没有几把刷子，真不建议你转到人工智能。
不过你如果真的非常喜欢算法，想要转行到人工智能，我相信你通过自己的努力，肯定能够实现你的目标，下面是我个人关于转行到人工智能的几点建议：
从事人工智能领域，肯定要对机器学习算法要有一定基础。软件工程师平时更多的是从事工程类项目开发，所以在机器学习算法基础方面有一定的薄弱。你可以先从基础的机器学习算法概念入手，比如K-means、决策树、线性回归、随机梯度下降、支持向量机等算法。你可以从网上找相关算法的博客，或者直接看相关的书籍、教学视频。
机器学习算法入门书籍，我推荐李航的《统计学习》。这本书里面讲解的算法概念、公式一般都可以看懂，对于新手而言会比较友好。
机器学习教学视频方面，我推荐吴恩达的机器学习公开课。你可以去网易公开课上进行观看，观看的同时，你可以做好笔记，记录自己的感想以及不懂的地方，然后在听完课程后，可以去Google上找到自己不懂的问题，查看别人的观点，解法。
多参加机器学习算法比赛
算法最终需要应用到业务上，你在对机器学习算法有一定了解后，下一步我们需要通过实践来提高算法项目能力。由于你平时主要从事工程类项目开发，很少能够接触到算法相关的项目，此时你可以去参加一些机器学习算法比赛。
国内比较著名的有天池大数据竞赛、DataCasle,国外比较著名的有Kaggle。你可以选择自己感兴趣的比赛项目，最好能够找到一起参加算法比赛的小伙伴，这样在做比赛时，能够一起讨论，交流。这样更能提高你对算法方面的理解。最好，你如果能够拿到算法比赛得不错的名次，这将会帮助你更好地进入互联网大厂。
提升自己的阅读Paper的能力
多观看大牛的算法Paper，能够加深自己的算法理论理解。你可以去百度学术或者Google论文上面查找自己想要看的论文，然后下载下来仔细的观看。在看论文的同时，要去思考他们为什么要这样做，这样的做目的是什么，解决了什么问题。带着问题去看论文，这样你看完才能更好地理解大牛们的思想。
最后一点，做好自己的简历
既然要转行到人工智能，最后一步肯定要做好自己的简历。在做简历的时候，既要突出自己的算法能力，同时也要突出自己的工程能力，公司肯定希望招聘到的人什么都会，你的工程能力会在你面试算法岗位的时候是一个加分项。
在简历上写项目的时候，尽可能要描述的详细一点，要让面试官能够看懂你在做什么，而不是你在吹牛。要把自己做的，思考的，带来的业务结果都描述上去，同时要强调自己的算法方面的技能。这样，你拿到算法Offer的概率才会更大。
总结
总体来说，软件工程师在转行到人工智能领域之前，一定要想好自己为什么要转行到人工智能，如果只是为了钱景或者岗位的发展情景，那真的不建议你转行过来。
转行到人工智能的过程会很辛苦，没有坚定的目标肯定很难坚持。当然，如果你真的对算法很感兴趣，希望你能一直保持自己最初的目标，最后，祝你好运。
如果我的文章对你有帮助的话，希望你能够点赞转发或者关注我，你的一个小小的鼓励，就是我持续分享的动力，非常感谢。
软件工程师如何转行做人工智能?
首先你需要明白自己为什么要转行到人工智能，是觉得人工智能发展前景不错，还是觉得人工智能岗位工资高才转行过来？如果仅仅是因为这两点，那我劝你还是不要转行到人工智能。
人工智能领域说实话入门门槛很高，你不仅仅要和国内的名牌大学研究生、博士生竞争，同时你也要和国外那些厉害大学(比如常青藤)的海归同学竞争。你确定自己在和他们的竞争过程中，能脱颖而出吗？当然，转行到低级算法工程师很容易，但是每个同学都想往高处走，成为高级算法工程师会很难。个人如果没有几把刷子，真不建议你转到人工智能。
不过你如果真的非常喜欢算法，想要转行到人工智能，我相信你通过自己的努力，肯定能够实现你的目标，下面是我个人关于转行到人工智能的几点建议：
从基础的机器学习算法入手从事人工智能领域，肯定要对机器学习算法要有一定基础。软件工程师平时更多的是从事工程类项目开发，所以在机器学习算法基础方面有一定的薄弱。你可以先从基础的机器学习算法概念入手，比如K-means、决策树、线性回归、随机梯度下降、支持向量机等算法。你可以从网上找相关算法的博客，或者直接看相关的书籍、教学视频。
机器学习算法入门书籍，我推荐李航的《统计学习》，这本书里面讲解的算法概念、公式一般都可以看懂，对于新手而言会比较友好。
机器学习教学视频方面，我推荐吴恩达的机器学习公开课，你可以去网易公开课上进行观看，观看的同时，你可以做好笔记，记录自己的感想以及不懂的地方，然后在听完课程后，可以去Google上找到自己不懂的问题，查看别人的观点，解法。
多参加机器学习算法比赛算法最终需要应用到业务上，你在对机器学习算法有一定了解后，下一步我们需要通过实践来提高算法项目能力。由于你平时主要从事工程类项目开发，很少能够接触到算法相关的项目，此时你可以去参加一些机器学习算法比赛。
国内比较著名的有天池大数据竞赛、DataCasle,国外比较著名的有Kaggle。你可以选择自己感兴趣的比赛项目，最好能够找到一起参加算法比赛的小伙伴，这样在做比赛时，能够一起讨论，交流。这样更能提高你对算法方面的理解。最好，你如果能够拿到算法比赛的不错的名次，这将会帮助你更好的进入互联网大厂。
提升自己的阅读Paper的能力多观看大牛的算法Paper，能够加深自己的算法理论理解。你可以去百度学术或者Google论文上面查找自己想要看的论文，然后下载下来仔细的观看。在看论文的同时，要去思考他们为什么要这样做，这样的做目的是什么，解决了什么问题。带着问题去看论文，这样你看完才能更好的理解大牛们的思想。
既然要转行到人工智能，最后一步肯定要做好自己的简历。在做简历的时候，既要突出自己的算法能力，同时也要突出自己的工程能力，公司肯定希望招聘到的人什么都会，你的工程能力会在你面试算法岗位的时候是一个加分项。
在简历上写项目的时候，尽可能要描述的详细一点，要让面试官能够看懂你在做什么，而不是你在吹牛。要把自己做的，思考的，带来的业务结果都描述上去，同时要强调自己的算法方面的技能。这样，你拿到算法Offer的概率才会更大。
总结总体来说，软件工程师在转行到人工智能领域之前，一定要想好自己为什么要转行到人工智能，如果只是为了钱景或者岗位的发展情景，那真的不建议你转行过来。转行到人工智能的过程会很辛苦，没有坚定的目标肯定很难坚持。当然，如果你真的对算法很感兴趣，希望你能一致保持自己最初的目标，最后，祝你好运。
我是Lake，专注大数据技术、互联网科技见解、程序员经验分享，如果我的问答对你有帮助的话，希望你能够点赞转发或者关注我，你的一个小小的鼓励，就是我持续分享的动力，非常感谢。
转人工智能，首先需要了解人工智能是什么，它涉及哪些知识领域？
人工智能，顾名思义，它是研究如何用机器模拟人类思维方式，从事类人活动的一门的科学，也是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新兴技术。它涉及计算机科学、机器人、语言识别、图像识别、自然语言处理、决策系统和专家系统等知识领域。除了涵盖自然科学，甚至还涵盖了哲学和心理学等社会科学，是真正的知识大融合，所以要从事该领域的研究和生产是一项极富挑战性的工作。
个人见解，转行需要注意以下几个方面：1、计算机科学领域
（1）编程语言：需要深入学习Python、Go等适用于复杂科学计算的、提供更多成熟算法处理模块的编程语言。
（2）矩阵运算和算法模拟：深入学习MATLAB。
（3）根据自己的研究或工作方向学习业界成熟的开发框架或开源库：例如图像识别（OpenCV等）、语言识别（Python语音识别库，百度、科大讯飞、捷通华声等语音识别库）、神经网络（DistBelief等）、机器学习（Google开发的TensorFlow等）。
（4）大数据处理、分布式计算、云计算：因为人工智能无法逾越的一个过程，就是对海量数据进行短时间的处理和决策，所以先得从现有比较成熟的技术入手学习和研究。
（5）其它。
2、算法
（1）提升自己的数学基础和计算能力，多看国内外顶级学术刊物上关于人工智能技术研究的学术文章。
（2）最好自己在理解算法的基础上，将其编程实现再加以验证。
3、数据统计、分析和整理
获得算法结果后，要善于分析这些数据的规律，从中获得有效信息。同时要善用一些统计分析工具。
4、关注该领域顶级研发机构或公司的最新产品或成果
虽然我们只能看到成果，而无法了解实现，但是从中学习到的东西也会使你避免走很多弯路。
5、心态
目前，人工智能的研究和实践如火如荼，但是应该摆正心态，做好打持久战的准备，短时期内很难将该领域的技术研究透彻，并完全推广应用。一句话，此路任重而道远，但却是人类社会科技发展的必经阶段。
感谢阅读！
我是一名C++软件工程师，而且也在学习人工智能。分享一下我是怎样学习的。不一定适合你，仅供参考，不对的地方还望批评指正！
我研究生是研究模式识别方向，图像处理领域。学过《模式识别》《机器挖掘》等类似的课程，对我学习AI有一定的帮助，但是对于学习AI也有一定的难度。我的学习过程是这样的：
01 学习PythonPython的学习是转行人工智能的基础，这个是一定要学的。如果你是C++或者Java工程师，学python会非常快，因为都是面向对象的语言。基本一周就可以看机器学习的开源代码。学习编程语言对于程序员来说很easy了，这里不再多说。
可以简单的学习一些机器学习基本Python库，比如numpy，scikit-learn，Theano，Tensorflow，Caffe2等等。选择就是，用到再学！
机器学习分为：图像识别，语音识别，自然语言处理等方向，选择一个自己感兴趣的方向，然后找对应的项目。从项目出发并不是说从做项目开始，对于没有领域知识的程序员，写代码是很痛苦的。从项目出发的本意是：
不要从学习概率论，高等数学等基本理论开始。我第一阶段就是从这些基本理论开始，效果很不好。这些理论枯燥，没有针对性，没法理解这些理论跟AI到底是什么关系。因此，很容易放弃。
从项目开始：找个开源项目，比如GitHub上的开源项目OpenFace，去读源码，看人脸识别是如何做到的。读源码的时候一定会碰到各种机器学习的Python库，一些机器学习算法。以此为出发点，熟悉Python库的使用方法。碰到的机器学习算法这就是开始学习AI的切入点。
从项目开始的好处是，能将理论和实践相结合，比单纯学习理论更能理解理论的妙处！
在项目中碰到的机器学习算法，要想清楚明白是怎么来的，就要去论文中追本溯原，学习算法的使用环境，算法实施过程，算法的数学推导。这个时候就是学习数学基础的时机，只学习对应的章节，用不到的暂时不用学。
学习算法，还借助一些介绍机器学习算法的基础，把算法彻底弄懂。系统学习基本算法基础，比如卷积人工神经网络，反向传导，线性回归，贝叶斯网络，支持向量机SVM，决策树等等。这也很有帮助！
04 一定要动手！算法动手：
在学习理论知识，机器学习的算法时，都会碰到算法的实现过程。一般现在很多Python库已经提供了算法的实现，直接调用即可。但是如果自己有时间还是要实现一下算法，能加深理解。作为程序员都知道，只有在亲自动手的时候，才发现问题。
应用动手：
学习机器学习，一定要自己动手，真正用机器学习解决一个问题。但是现在机器学习对硬件要球较高，训练时间也很高。因此，我建议，无需用巨大的数据集，用非常小的即可，只要能解释过程即可。
对于上班族来说，时间很宝贵，所以要从996的时间之外挤出时间学习十分不容易，因此就要十分有毅力，有恒心。既然开始，就不能轻易放弃，要养成固定一个在一个固定时间点学习，比如每晚10点学习两小时，那就每晚都学，即使没状态哪怕看看以前的也要学。这样，固定的时间做固定的事，坚持下来概率较大！
做一名程序员不易，要转行的程序员更不易！任何时候，身体健康第一！且行且珍重！如果有需要的资料，可以私信我，希望能给你提供帮助！
作为技术出身的数据产品经理，我接触过很多泛AI岗位的朋友，比如 大数据工程师，算法工程师，建模工程师等，也有一些针对AI细分领域的岗位，比如NLP工程师，图像识别工程师，语音识别科学家等。其中不乏一些从软件工程师转岗过来的，和大家分享一下我的看法。
就AI相关研发岗来看，大数据工程师相对其他岗位是软件工程师更容易转的岗位，只是大数据工程师对技能要求更综合。其他岗位（比如算法工程师，建模工程师，分析师，深度学习工程师等）对统计学背景和算法能力要求很高，转岗时间比较长。
以大数据工程师为例，看看软件工程师们应该如何做准备。
先看看大数据工程师的岗位要求，最核心的几点1. 熟练使用多种开发语言
包括Java，Python，SQL，Scale，Shell等
2. 熟练使用Hadoop生态体系的技术
包括但不限于离线数据处理的hive，hbase 实时数据计算得Spark，Stome等，以及大数据生态链上的其他技术，包括分布式通道kafka，分布式搜索缓存es，内存缓存redis，nosql数据库mongo，图数据库neo4j等等。
3. 有过大数据开发经验
第一点是传统软件工程师的优势，或多或少都接触过，也做过相关项目。
第二点，需要不断的去学习，注意类似项目的机会，多多参与，积累对技术的理解和实战经验
第三点，就是实战经验，这个要自己给自己创造类似机会。当然自己也要在自己笔记本上装几个，模拟跑跑，慢慢的理解技术底层的原理，做到一通百通，能举一反三吧。
其他岗位，比如建模，算法，需要统计学知识体系。软件工程师一般是计算机背景出身，这块相对较弱，需要靠自学，推荐的入门教材《深入浅出统计学》，《机器学习》等
