李烨

95 年前，一众文化、政治名流为当时的青年们开具了一份必读书单。今天的青、中、老年们不妨拿来看看，或许还有些借鉴之用。

无论什么样的时代，成功者、能够向上跨越阶级的，都是极少数。虽然职场并非晋身的唯一途径（毕竟还有婚姻和意外），但毕竟绝大多数人获得原生家庭能够支付的之外的资源、财富和权势，还是要靠职场。 即使是充满最多机遇的时代，每个职场人所面对的机会真的是均等的吗？有没有什么因素，早已在冥冥中有了安排? 本文试图探讨职场天花板的决定因素，欢迎讨论。

作者从一个 IT 老兵的角度，讲讲自己对于 IT 行业的技术人员核心竞争力的看法。此处说的 IT 技术人员就是 Engineer（以开发为例）。立意在于普通员工。是作者从自身经历出发，总结的如何在此行业中长期保有饭碗的问题。如果读者的志向是成为高管，业内顶级专家，恐怕本文能提供的信息还相差甚远。

这两年机器学习、深度学习热起来之后，很多程序员开始担心自己的数学水平，怕高等数学学得不够好，不能成功转型做算法。其实，这话要两说着。 问大家几个问题： 1. 高数、概率、线代这些大学数学课的知识现在无法运用，是忘了，还是当时就没学明白？ 2. 中小学的数学课内容，又真的学透了吗？ 3. 不做 AI 算法，编程的工作就不需要数学知识了吗？ 4. 如果已经做了一段程序员，工作却丝毫没有感觉到反刍数学知识的必要，会不会是工作太浅表了？ 5. 如果不做程序员，数学除了买菜，还能做什么？ 6. 从来没有学习过高等数学的人，有没有可能在生活中运用微积分、概率论的原理呢？ 本 Chat 在列举程序员数学修养规划路径的同时，力图回答这些问题。 适用人群：程序员及所有想成为程序员的朋友。

之前开了几个人工智能相关的 Chat，并发布了一门“极简机器学习入门”达人课。在与读者交流的过程中发现，不少朋友对于人工智能到底是什么？包括哪些内容？界面的智能背后是如何实现的？……等都有疑问。对于非常热门的“机器学习”，“深度学习”指什么？有什么关系？也感觉困惑。 本 Chat 立足于对“人工智能”概念的含义、历史、发展现状、未来趋势，以及当前人工智能的主要支持技术和应用产品、场景进行全面介绍。帮助大家了解人工智能是什么，及其发展过程的来龙去脉。 **本 Chat 只有线上分享，没有文章。**

这个时代属于终身学习者，工作后肯定还是要学习的。 可是工作后都学些什么？又如何有效的学习？学习计划只涵盖当前业务就好了吗？除了专业技术，还应该学点什么？想跳槽，是不是应该裸辞去报个培训班？现在的工作得心应手，也没有明确的跳槽目标，学点什么呢？ 职场老兵，和你分享“业余学习”这件事。 本次分享包括以下内容： - 学习的目的（职场 vs 校园） - 按功能和区域划分知识技能 * 三种类型 * 三个区域 - 职场的不同状态和相应的学习建议 * 五个时期 * 各时期转化关系 * 不同时期的学习建议 - 有效驱动和激励机制 * 内在驱动 * 制定计划 * 检验成果 - 创建自己的“智囊团” * 可行性分析 * 智囊来源 * 构建人脉

敏捷（Agile）是什么？Scrum 是什么？Sprint 又是什么？PO 是什么？SM 是什么？猪和鸡都是谁？Plan/Stand Up /Retrospect Meeting 分别用来干什么？测试驱动开发，自动化测试，持续发布分别是怎么回事？Point 估算工作量靠谱吗？修 Bug 算不算工作量？团队的 Velocity 和产品质量之间有怎样的关系？…… 从实践者的角度为你讲述 Scrum 方法如何应用于软件开发领域。 不同的公司，不同的项目，不同的主导思想，在应用相同方法学时会有哪些不同的体现？对于开发人员而言，以 Scrum 为代表的敏捷方法，和传统瀑布模型的开发有和不同？敏捷为软件开发带来了，仅仅是过程和方法的转变吗？ 本 Chat 将从 Scrum 基本概念和原则性流程开始，以笔者个人实践的不同阶段经历为实例，为大家介绍 Scrum 方法学从理论到实践的种种。具体内容如下： - 瀑布模型时代的软件开发 - 敏捷开发的提出和发展 - Scrum 方法的基本概念：角色、流程、活动 - Scrum 方法相关实践：TDD，测试自动化，持续发布，结对编程 - Scrum 团队的工作量评估 - Scrum 实践 - 纯敏捷团队 - 松散敏捷团队 - 敏捷开发引发的变化： - 开发模式和人员配比 - 发布模式和产品改进 - 模块化开发、微迭代，从技术到业务的重心迁移

什么叫结构化裁员？结构化裁员的基本流程是怎样的？遭遇裁员能够保留股票或者期权吗？如果对于裁员决议不同意，能够通过什么渠道为自己争取利益？遭遇裁员，就一定要离开工作多年的公司吗？被裁员后，去向何处？ 笔者做了十几年程序员，亲身遭遇结构化裁员两次，旁观公司内部其他部门裁员近二十次，和大家分享一下这些年经历积累下的知识和体会。 **本场 Chat 没有文章，只有线上语音交流。**

公司年会，大部门一起照了大合影。忽然有兴趣看看大家的平均脸是什么样子的，于是用 OpenCV 从大合影中提取出一千多名程序员的脸，构造了所有人的平均脸。 拿给同事看，大家又要求看分性别平均的平均脸。于是又下载了 Caffe 的 gender classification model，将样本做了一下性别分类，之后分别构造了双方的平均脸。得出结果：大平均的颜值原来是被男生拉低的[哈哈] 本文就讲述根据照片计算平均脸的原理，具体代码，配发实现代码和分类模型。 **本场 Chat 只有文章，没有交流。**

之前的 Chat[《从零开始，开发一款聊天机器人》](http://gitbook.cn/m/mazi/activity/5976e6f586e940449500a5e5)描述了聊天机器人的开发过程，另一个 Chat[《聊天机器人语言理解模块开发实践 》](http://gitbook.cn/m/mazi/activity/59951ffe247bc7740ddd0fe8)中讲述了让聊天机器人更加『人性化』的重要模块：语言理解（LU）模块的构建，LU 模型和训练算法。 但是大家都知道，模型的效果除了和算法相关，与数据更是大有关系，用于训练模型的语料和意图类型、实体类型的确定，往往会对模型的有效性和最终用户体验产生根本性的影响。 在已经存在用户与人工客服对话日志的情况下，日志中提取有代表性的客户问题，用以作为聊天机器人的语料，并通过聚类等手段获取用户问题之间的关联，是一种非常有效的途径。 作为『聊天机器人』系列的第三部，本场 Chat 将详细阐述应用聚类手段获取 chatbot 语料，并对构建 LU 模块提供参考的方法。 ------ 往期回顾： - [从零开始，开发一款聊天机器人](http://gitbook.cn/m/mazi/activity/5976e6f586e940449500a5e5) - [聊天机器人语言理解模块开发实践 ](http://gitbook.cn/m/mazi/activity/59951ffe247bc7740ddd0fe8)

算法工程师年薪百万耶，我也要当！以前没学会？没关系啊，我现在开始学，这就把工作辞了脱产学机器学习、深度学习、用 Python 调库、给 TensorFlow 调参去，学会了我也年薪百万了！ - 随便是个人，学几个月就日进斗金，真有这样的好事吗？ - 能拿python照着example写个调算法库的程序，就算AI工程师了？ - 当老板的雇佣一位算法工程师，能解决什么问题？ - 那些大公司砸出不可思议的高薪给学术界人士究竟意义何在？ - 人工智能的兴起对于普通人到底能带来哪些职业机会？ - 这个领域涉及到的岗位都有哪些？ - 如何能找到一个符合自己实际的岗位目标？ 没有忽悠，IT 老兵跟你说几句实话。 **实录提要：** - 对机器学习感兴趣，有python编程基础，希望从事机器学习相关工作，如何入门？ - 做工程到底用 Java 好，还是 Python 好？ - AI 与爬虫结合有方向吗？ - 对 NLP 前景如何看？客服机器人何时能取代真人？ - 目前的 NLP 技术能在多大程度上实现自动推理？ - 通过培训机构转行 AI 做工程，是否可行？有哪些建议？ - Java 刚工作一年，转行有什么建议吗？ - 工作多年后转，有需要先把数学，统计，微积分之类的学科知识吗？ - 在证券做数据分析需要怎么入门？ - AI 应用方向好多，如果是从零开始想入职，哪个方向更容易一些？ - 只会 Python 编程，距离成为 AI 工程师还有多远？需要补充哪些知识？ - 人工智能在金融领域（比如股票和期货）的应用前景如何？ - 传统行业转行 AI，需要修炼到什么程度才能合格，有量化的指标吗？

大数据时代，数据已经成为战略资源。数据分析已经成为越来越多企业的帐略要务。其中，掌握前沿科技的大型IT企业在数据的分析和利用上走在了时代的前列。 笔者浸淫IT业十余年，近年曾专注于数据分析平台研发和数据分析，对企业内部以业务为驱动的数据分析工作的现状和未来趋势有一定的了解和思考，在此与大家分享。 **本场Chat只有文章，没有交流。**

AI 涉及到的数学特别多。 很多数学问题，之所以让人头大，其实并不是真的有多难，而是符号系统比较复杂，运算繁复，或者运算所表达的物理意义多样。 很多时候造成困扰是因为想不起来这里用到什么定理、哪个公式，或者这样操作表达的含义是什么了。 如果把常用的细小知识点都记录下来，按主题整理在一起，做成速查手册（小字典）。需要用的时候迅速查找一下对应点。效果往往意想不到地好，能让我们的学习“机器学习”之路顺畅不少。 本文就是机器学习最常用的部分「微积分」知识的整理。 **本场 Chat 只有文章，没有交流。** ------ 预订中：[想入行 AI，怎么选择有效的技术培训](http://gitbook.cn/m/mazi/activity/59ce145256ea6001a9f10f10?sceneId=5af22f50a4fa11e7bc597bab34f1d411)

AI 涉及到的数学特别多。 很多数学问题，之所以让人头大，其实并不是真的有多难，而是符号系统比较复杂，运算繁复，或者运算所表达的物理意义多样。 很多时候造成困扰是因为想不起来这里用到什么定理、哪个公式，或者这样操作表达的含义是什么了。 如果把常用的细小知识点都记录下来，按主题整理在一起，做成速查手册（小字典）。需要用的时候迅速查找一下对应点。效果往往意想不到地好，能让我们的学习“机器学习”之路顺畅不少。 本文就是机器学习最常用的部分「线性代数」知识的整理。 **本场 Chat 只有文章，没有交流。** ------ 预订中：[想入行 AI，怎么选择有效的技术培训](http://gitbook.cn/m/mazi/activity/59ce145256ea6001a9f10f10?sceneId=5af22f50a4fa11e7bc597bab34f1d411)

IT 行业发展迅速，各种新名词此起彼伏。近几年的大数据、人工智能、机器学习等等各种概念满天飞。只要是从业人员，好像不学点模型算法 DNN 都对不起自己程序员的身份了，更何况这些名词背后的职位往往意味着令人心动的薪水。 学习是必须的，可是怎么学呢？从头看书太辛苦了，网上的文章又太碎片化，是不是报一个培训班，交点钱听人讲更容易学会？培训班有那么多，这个是证书，那个是优惠，再一个给提供工作机会，到底选那个好呢？ 笔者作为有 14 年开发经验，从事了 7 年大数据、人工智能领域开发的 IT 老兵，为大家分享一些选择有效技术培训的心得。 **实录提要：** - 现在做 Web 开发，如何转入 AI 开发？ - 从零开始，怎么能获得效率高的进入AI行业的路径？ - 想了解行业状态，在各个领域的应用，企业分布特点，应该从哪种角度选择？ - 如何在现阶段切入大数据，包括投资方面？ - 开始啃数学，但是找不到重点，尤其是概率方面，能给点建议吗？ - AI 很宽泛， 当下 AI 真实使用到的行业示例可不可以讲讲？ - 计算机专业毕业，工作多年，熟悉 C/C++/JAVA 编程，若转 AI，需学习哪些？ - 面对当前很多的深度学习框架，如何进行选择？ - 当下 AI 培训也火了，有没有靠谱的机构或者推荐一下？ - AI 应用场景能多介绍下吗？ - 做 AI 开发或者算法工程师，需要学习大数据相关的知识吗？ - 电商行业 AI 应用有哪些？ - AI 在医疗领域是否有什么落地的项目或者产品？ - Spark 在 ML 方面用的多吗? ------- 免费领取： - [机器学习常用「微积分」知识速查手册](http://gitbook.cn/m/mazi/activity/59e849f7bd692515709b6d60) - [机器学习常用「线性代数」知识速查手册](http://gitbook.cn/m/mazi/activity/59e843e7a05d55158cbf07d5)

很多 IT 团队都是既有 Manager 又有 Tech Lead，在具体管理中，往往是 Tech Lead 在对日常的工作做决定。 - Tech Lead 一定是团队中技术最好的那个吗？ - 团队里有大牛比 Lead 技术更好会是什么样的状况？ - 技术团队成员的绩效管理是唯技术论吗？ - 人在职场，还有什么比技术更重要的因素？ 这些看起来时代感很强的问题，其实只要把具体的问题域变化一下，就不难发现，其实都是些古往今来非常常见的团队管理问题。 有人的地方就有江湖。今天以改变世界为己任的的技术团队，和几百年前以满足主人需求为存在意义的女仆团队，其实有颇多共同之处——不信我们来一起翻翻《红楼梦》。 **本场 Chat 免费，只有文章，没有交流。**

“寒门再难出贵子”这类话题在各种社交媒体上早已经刷屏 n 次了。多少对生活充满期待的热血青年还没走出校门就被迎头一盆冷水泼得透心凉。 在今天的中国，一个身体健康受过高等教育头脑聪明肯吃苦，但出身寒门的青年，还能跨阶层，实现财富自由吗？尤其是，能靠做技术岗给人打工实现财富自由吗？ 笔者认为还是有可能的，我们一起来看看榜样的力量，并分析一下，获得高薪岗位的必要条件。 **本场 Chat 免费，没有交流，只有文章。**

一个奋斗多年的 IT 男，好不容易遇到一个欣赏自己的老板，当上了经理。自己还没来得及享受身为老板的体验，忽然之间成了犯罪嫌疑人。 原本充足的不在现场证明，被几位曾经的下属联合否认。各种电子证据，也被不知何方神圣抹去了他的不在场记录。甚至之前他的生活，都因为记录被篡改而成了截然不同的状态…… 一篇曾经受 Hadoop 启发而开始写的小说，停笔两年后重拾起来。是否还要继续写下去？请读者们来决定吧。

商业保险对于普通国人已非新生概念，然而还是有很多人不甚了解。很多人觉得，反正我也不想买保险，根本不用浪费时间去了解保险这个东西。然而，作为常识的一个部分，还是有必要了解一下商业保险背后的原理、功能和限制。 一方面，将来需要买的时候，知道如何进一步去了解产品和供应商。另一方面，也可以尽量避免被一些突发事件吓住，匆忙中购买一堆本不需要的保险产品。分享人作为一个有20年商业保险购买史的资深用户，和您一起探讨以下问题： - 商业保险和社保有什么区别与联系？ - 商业保险有哪些类型？ - 购买商业保险到底能买到什么？ - 把商业保险作为理财手段合理吗？ - 身体健康的年轻人需要买商业保险吗？ - 如何避免被不靠谱的保险代理员忽悠？ - 那些常见的商业保险宣传用语包含怎样的逻辑错误？ - 靠谱的保险代理有哪些特征？ **实录提要：** - 刚给孩子（10个月）买了重疾险和意外险（友邦的），这种儿童险意义大吗？ - 支付宝推出的一系列性价比高的保险产品靠谱吗？ - 想给父母买保险，有哪些放心值得的保险吗？ - 什么是“简易版信托基金的操作”？是保险金信托吗？ - 40多岁的程序员（总是伏案工作）应该买什么商业保险？保什么？ - 我国已经正式实施电子病历，电子病历对购买保险有哪些重要的影响？ - 在上海生活，孩子刚出生，商业保险是否有必要购买？ - 想问一下香港保险靠谱吗？可以介绍一下香港保险吗？ - 小孩子保险有什么好推荐的？买意外险还是大病报销？怎么组合？

之前分享过一场 Chat[《从零开始，开发一款聊天机器人》](http://gitbook.cn/m/mazi/activity/5976e6f586e940449500a5e5)，为零基础开发者一个最简版的 chatbot 的开发流程。在其中介绍语言理解（LU）模块时，选用了在线 LU 工具：LUIS (https://luis.ai) 。很多同学都对 LU 模块特别感兴趣，想要知具体实现细节。故新开本场 Chat： 1. 语言理解概述。 2. 基于规则的语言理解。 3. 基于模型的语言理解。包括：在自然语言中应用机器学习模型；将自然语言词句转化为可计算的向量；机器学习模型训练基本原理；基于模型的意图识别；基于模型的实体抽取。 4. 自己动手开发LU模块。包括：构建 VSM；选取算法库；训练集、验证集和测试集；调参：模型的优化；模型的对比和选取。 5. 数据和模型。包括：语料获取；辅助技术; Reinformcement Learning; GAN&Dual；机器学习 vs 深度学习。

聊天机器人：一种能和人类对话的计算机程序，你不用进行命令行或者图形界面的操作，只需要和它说人话就好了，它不但听得懂，还能回答。为什么机器能够听懂人类的自然语言呢？简单来说，因为背后有多种机器学习模型，分析理解用户输入的自然语言，并根据开发者设定的某种查询机制在预置的知识库中获取相应答案，再将查询结果构造成人类语言回复给用户。 听起来很高大上的一种计算机程序啊，什么机器学习（Machine Learning）啊，自然语言理解啊（Natural Language Understanding）都没有学过的人，也能开发自己的聊天机器人吗？当然可以！ 本场 Chat 就是向没有 AI 知识背景和开发经历的用户介绍利用现有工具和方法，开发自己的聊天机器人的方法。并提供开源实例。只需要最基本能的编程技巧，能收发 Http Request/Response，就具备开发条件啦！ **实录提要：** - 如何让这个机器人进行无监督的学习，让它越服务越智能？ - LUIS 能否本地化部署或者在不联网的情况下使用？ - 这个和图灵机器人之类的 API 的区别是什么？有没有本地的 NLP 类库可调用？ - 现在的聊天机器人主要是基于监督学习的方法，还是强化学习？ - 非面相任务的问答，上下文用什么样的方法解决？小冰是怎样解决上下文问题的？ - 请问不同领域的聊天机器人就只是知识库的不同吗？有没有技术上的差异？ - LUIS 的输出格式是什么？能举个例子吗？ - 如果比较好奇意图提取和实体抽取，是否有什么开源项目推荐研究？