AI工程化
- AI Engineering，定义如下：不涉及AI、算法、前沿分支的深入研究和探索，而是基于业界成熟算法，结合行业产业需求，形成可落地的可实施的工程方案，称为AI工程化
- 当下最热的是AI，机器学习，深度学习，神经网络等等，当然，未来可能有部分会被取代，但AI，确实是未来的趋势之一，正如当下已经进行的信息化、网络化、互联网化、移动互联网化，给所有的社会产业、行业，带来了巨大的机会和变革，不再赘述。
- 而平心而论，多数程序员是没有时间和精力再去拿起数学、概率，再去看全英文的业界论文，然后研究三五年，出一个成果，因为产出比不划算，但有不能对身边的变革充耳不闻，不去关注和跟随变化与趋势。
- 因此有了本文章（后面计划集册成书，看写了多少），期待在社区内引起讨论，有参与，有实验，有文档，有路径，帮助程序员和企业，找到一个模糊的路径方向（不敢说清晰）
研究范围
- AI业界趋势，关键新算法，新技术，核心论文
- Python，TensorFlow，其他
- Docker
- 可应用行业和经典案例分析
- 统计学，计量经济学，相关数学
- 其他：项目管理，社区分工等
期待结果
- 阶段性产出：代码，工程笔记，框架图
- 关键性产出：行业可落地的，初步验证过的方案
- 其他阶段总结
订阅和参与
- 半年前，投资了好多钱，买了机器，说要做量化交易，写了一点点，大跌，放弃了
- 一年前，誓言旦旦要进军金融，花了400多小时学习CFA，8门挂了两门，放弃了
- 很惭愧，两年前开始翻译一本Machine Learning的书，做了不到3章，太忙，放弃了
- 三年前研究OCR，做到了85%识别率，后来，也放弃了（不找理由了*_^）
- 过往有太多的放弃，都是因为功利，想获得非常快速的效果和金钱，或许是焦虑所致？
- 今天决定不设期望值，全凭兴趣，来研究，学习，交流，产出
- 只要能帮到你们，只要你们赞一个？
- 哈哈，这个你们，指的是30以上的程序员，或者未来想创业的同学，或者企业家们
