1樓：虐就能看不到時
一招鮮， 吃遍天
只要學的精， 就不要擔心 就業
2樓：西子啦樂園
這個要結合你的行業，可以往自動控制發展。永遠不會淘汰的就是設計了(๑ºั╰╯ºั๑)
人工智慧時代來臨，現在要學什麼，以後不會被淘汰，有個好工作呢？
3樓：華章mba考前培訓
最近降溫，隨著寒流而來的，是接連不斷的裁員訊息帶來的就業焦慮，8月，美團、拉勾爆出裁員資訊；10月， 阿里、京東等企業也不同程度「縮招」。上個月，富士康又被爆出裁掉34萬人。這是多麼震驚的數字，危機來得讓人措不及手。
大裁員環境下，永遠不要假設危機不會降臨到自己頭上，每個人都要做好被裁的準備。
有一句話講的很好：打敗你的，永遠是你看不見的對手。現在面臨大面積的裁員就是因為ai的迅速發展，ai帶來的不止是繁榮，同時也伴隨著危機與挑戰，大部分工作將會被機器人替代。
從下面這張圖裡我們可以瞭解一下到底哪些會被ai替代的人群，哪些又是ai難以取代的。
不會被ai替代的人群
一想到裁員，我們可能首先想到會先被裁員的是那些快遞小哥、門童、酒店前臺類等沒有技術含量的工作，所以一旦裁員，這些人首當其衝。如果這樣想的話，那就大錯特錯了，像這類工作，工資低，有需要一定的溝通互動能力，靈活性很大，所以根本不值得用ai去替代工作。
那ai到底會替代哪些工作？
1.重複性勞動，特別是在相同或非常相似的地方完成的工作，不需與人進行大量面對面交流的工作（如資料輸入、裝配線檢查）
2.有固定臺本和對白內容的各種互動（如客戶服務、**營銷）
3.相對簡單的資料分類，或思考不到一分鐘就可以完成識別的工作（如檔案歸檔、作業打分、名片篩選）
4.在某公司一個非常狹小的領域工作（如銀行理財產品的**推銷員、某部門的會計）
我們明顯可以看出，ai替代的就是一些簡單的，可重複的工作，很多白領以為自己工作穩定，不會被裁，反而去擔心快遞小哥他們會失業，殊不知最先擔心的應該是自己，這些簡單可重複性的工作，機器完全可模擬作業，而這部分白領的工資相對不低，所以替代的可能性極大。
那人工智慧難以取代的工作型別又有哪些？
1.創意性工作（例如，醫學研究員、獲獎劇本作家、公關專家、企業家、藝術家）。 人工智慧不擅長提出新概念，所以創作型的工作ai是無法進行的。
2.同理心/人性化工作（例如，社工、特殊教師、婚姻顧問），人工智慧沒有人類的情商。人們也不願「信任」機器，讓機器來處理人性化任務。
3.複雜性/戰略性工作（例如，執行長、談判專家、併購專家），需要了解多個領域並需要進行戰略決策的工作。對於人工智慧來說，即使是理解常識也很困難。
李開復說：」未來人類只剩下兩類工作，創造型和關愛型。」以上言論絕非危言聳聽，發展這些能力是應對未來的重中之重。
而我們都知道，藝術類工作從小開始就是需要培養的，我們大部分人無法在短時間內去重新學習掌握的，我們只能在複雜性/戰略性工作上面更進一步。未來人才的核心競爭力只能朝創新能力、合作能力、溝通能力以及批判性思維發展。所以像pr、ceo這些職位你說是能被ai所替代的嗎？
顯然是不可能的。
如果你不想被ai替代、被這個社會所淘汰，那隻能不斷提升自己，讓自己佔據高位，保持旺盛的學習力，並不斷嘗試新鮮事物。接納變化、死磕目標、持續成長，這才是不被ai所淘汰的正確之道。
4樓：江西新華電腦學院
不論是學什麼技術我們都很看重他的發展前景，加入學的技術過兩年就要被淘汰掉，咋們也沒必要去化金錢和時間學習。縱觀現在時代的發展，it是一個很不錯的行業，相信大家也有了解。從上世紀90年代起，計算機逐步的發展流行起來，如今在我們生活中很多方面都能夠體現，作為一個發展速度快，前景光明的行業，學it技術一定有不錯的前景。
5樓：新華電腦
有一句話講的很好：打敗你的，永遠是你看不見的對手。現在面臨大面積的裁員就是因為ai的迅速發展，ai帶來的不止是繁榮，同時也伴隨著危機與挑戰，大部分工作將會被機器人替代。
6樓：漂白粉老師
演員，偶像。假人總歸的是假人哦
7樓：江西新華電腦學院
學it前景不錯
1、電腦行業需求量大，工作很好找，而且工作環境也不錯。
2、電腦行業的工作與社會接觸都比較緊密，緊跟潮流，所以見識和思想都會比較開放，也有利於以後自己發展。
3、學習電腦入手比較快，學習難度不是很大。
4、現在有些學校有一些技能加學歷的政策 ,不過主要看你自己的選擇，上大學雖說聽起來好，但是很多大學生都是畢業即失業的，還不如趁早學習門技術，
畢業就可以工作，選對了好的行業，以後的發展空也會很大的。可以去學習計算機網路，現在學網路就是不錯的選擇。
人工智慧時代，什麼職業不會在未來被淘汰
8樓：匿名使用者
。。。應該說是大資料時代更貼切，因為現在所謂的人工智慧，只不過是依賴大資料才給人這種智慧化的感覺而已
9樓：難得聚一聚
人工智慧將會釋放更多的勞動力，人們工作將越來越趨向於，不用付出體力勞動的發展。
未來，唯有用腦的職業是不會被淘汰的。
10樓：ppv課
有程式設計能力和資料探勘能力的工程師最火，包括：資料探勘工程師、機器學習工程師，演算法工程師。
人工智慧和一般的計算機程式有極大的差別，它應當具有「能夠自主學習知識」這一特點，這一特點也被稱為「機器學習」。而自學習模型(或者說機器學習能力開發)正是資料探勘工程師的強項，人工智慧的誕生和普及需要一大批資料探勘工程師。 那麼在ai時代，如何才能掌握相關的技能，成為企業需要的資料探勘人才呢？
第一個門檻是數學
首先，機器學習的第一個門檻是數學知識。機器學習演算法需要的數學知識集中在微積分、線性代數和概率與統計當中，具有本科理工科專業的同學對這些知識應該不陌生，如果你已經還給了老師，我還是建議你通過自學或大資料學習社群補充相關知識。所幸的是如果只是想合理應用機器學習演算法，而不是做相關方向高精尖的研究，需要的數學知識啃一啃教科書還是基本能理解下來的。
第二個門檻是程式設計
跨過了第一步，就是如何動手解決問題。所謂工慾善其事必先利其器，如果沒有工具，那麼所有的材料和框架、邏輯、思路都給你，也寸步難行。因此我們還是得需要合適的程式語言、工具和環境幫助自己在資料集上應用機器學習演算法。
對於有計算機程式設計基礎的初學者而言，python是很好的入門語言，很容易上手，同時又活躍的社群支援，豐富的工具包幫助我們完成想法。沒有程式設計基礎的同學掌握r或者平臺自帶的一些指令碼語言也是不錯的選擇。
make your hands dirty
接下來就是了解機器學習的工作流程和掌握常見的演算法。一般機器學習步驟包括：
資料建模：將業務問題抽象為數學問題；
資料獲取：獲取有代表性的資料，如果資料量太大，需要考慮分散式儲存和管理；
特徵工程：包括特徵預處理與特徵選擇兩個核心步驟，前者主要是做資料清洗，好的資料清洗過程可以使演算法的效果和效能得到顯著提高，這一步體力活多一些，也比較耗時，但也是非常關鍵的一個步驟。特徵選擇對業務理解有一定要求，好的特徵工程會降低對演算法和資料量的依賴。
模型調優：所謂的訓練資料都是在這個環節處理的，簡單的說就是通過迭代分析和引數優化使上述所建立的特徵工程是最優的。
這些工作流程主要是工程實踐上總結出的一些經驗。並不是每個專案都包含完整的一個流程，只有大家自己多實踐，多積累專案經驗，才會有自己更深刻的認識。
翻過了數學和程式設計兩座大山，就是如何實踐的問題，其中一個捷徑就是積極參加國內外各種資料探勘競賽。國外的kaggle和國內的阿里天池比賽都是很好的平臺，你可以在上面獲取真實的資料和隊友們一起學習和進行競賽，嘗試使用已經學過的所有知識來完成這個比賽本身也是一件很有樂趣的事情。
另外就是企業實習，可以先從簡單的統計分析和資料清洗開始做起，積累自己對資料的感覺，同時瞭解企業的業務需求和生產環境。我們通常講從事資料科學的要」make your hands dirty」，就是說要通過多接觸資料加深對資料和業務的理解，好廚子都是食材方面的專家，你不和你的「料」打交道，怎麼能談的上去應用好它。
擺脫學習的誤區
初學機器學習可能有一個誤區，就是一上來就陷入到對各種高大上演算法的追逐當中。動不動就討論我能不能用深度學習去解決這個問題啊？實際上脫離業務和資料的演算法討論是毫無意義的。
上文中已經提到，好的特徵工程會大大降低對演算法和資料量的依賴，與其研究演算法，不如先釐清業務問題。任何一個問題都可以用最傳統的的演算法，先完整的走完機器學習的整個工作流程，不斷嘗試各種演算法深挖這些資料的價值，在運用過程中把資料、特徵和演算法搞透。真正積累出專案經驗才是最快、最靠譜的學習路徑。
自學還是培訓
很多人在自學還是參加培訓上比較糾結。我是這麼理解的，上述過程中數學知識需要在本科及研究生階段完成，離開學校的話基本上要靠自學才能補充這方面的知識，所以建議那些還在學校裡讀書並且有志於從事資料探勘工作的同學在學校把數學基礎打好，書到用時方恨少，希望大家珍惜在學校的學習時間。
除了數學以外，很多知識的確可以通過網路搜尋的方式自學，但前提是你是否擁有超強的自主學習能力，通常擁有這種能力的多半是學霸，他們能夠跟據自己的情況，找到最合適的學習資料和最快學習成長路徑。如果你不屬於這一類人，那麼參加職業培訓也許是個不錯的選擇，在老師的帶領下可以走少很多彎路。另外任何學習不可能沒有困難，也就是學習道路上的各種溝溝坎坎，通過老師的答疑解惑，可以讓你輕鬆邁過這些障礙，儘快實現你的「小」目標。
機器學習這個領域想速成是不太可能的，但是就入門來說，如果能有人指點一二還是可以在短期內把這些經典演算法都過一遍，這番學習可以對機器學習的整體有個基本的理解，從而儘快進入到這個領域。師傅領進門，修行靠個人，接下來就是如何鑽進去了，好在現在很多開源庫給我們提供了實現的方法，我們只需要構造基本的演算法框架就可以了，大家在學習過程中應當儘可能廣的學習機器學習的經典演算法。
學習資料
至於機器學習的資料網上很多，大家可以找一下，我個人推薦李航老師的《統計機器學習》和周志華老師的《機器學習》這兩門書，前者理論性較強，適合數學專業的同學，後者讀起來相對輕鬆一些，適合大多數理工科專業的同學。
人工智慧時代，教育會被取代嗎時代的教育，未來的教師會被人工智慧代替嗎
隨著機器人技術和人工智慧的 式發展，一方面，人們享受著科技進步為我們帶來的種種便利，而另一方面，一種對現代技術的憂慮也在人類的認知中不斷滋生，甚至一些人提出在未來的人工智慧時代 教育挽救人類 將成為一個偽命題。我認為，隨著技術的蓬勃發展，教育不僅將會更加有力地推動人類的進步，從教育的本體論上而言，教...
未來人類和人工智慧是什麼關係呢？急求需要比較專業的講述
人工智慧可以幫助人類去完 類在有限的時 間內，有限的時間下，或者自然環境下版無法完成的事情。權如無人駕駛飛機，無人駕駛汽車，大規模戰爭的博弈決策，智慧的資料探勘，群體疾病的預防與預警，交通的智慧疏導 或者高溫，高腐蝕性環境下，讓機器人更好的，更智慧的替代人類服務！未來人也是人，人工智慧是機器！你看下...
人工智慧將來要如何帶領人類走向未來
人工智慧無法能夠帶領人類走向未來，只有人類帶著創新能力和腳踏實地的創造而走向未來的，人工智慧只是屬於人類在未來發展的一個智慧的結晶，但是無法能夠代表人類的未來。雖然說現在人工智慧是主流的，但是我們對於人工智慧的發展也是面臨許多問題的，這個問題可以說是和發展人工智慧一樣的重要，人類對於人工智慧的發展是...