java转python难吗（java转python）

学习JAVA太难了考虑要不要转python？

编程语言只是你解决问题的工具，所以你如果觉得java难你转成python之后肯定会有同样的问题。

而且python也可以面向对象变成，我个人建议你还是先把java吃透，把这个硬骨头给啃掉。

学编程先学python，然后学java可以么？

如果你的目标是： 基本就是拿来做一些和金融平台开发以及数学分析有关的东西。 那么我觉得你学习一些脚本编程就可以了，比如 python 等 不需要学java。 你如果既想学java、也想学python，那么我建议你先学 java。

Java工程师转学Python难度大吗？

我使用Java做开发任务的时间比较久，后来开始使用Python做机器学习方面的开发，我就说说我使用Python的感受和经验。

首先，Python学起来还是非常简单的，Python是一种脚本式编程语言（也可以进行OO编程），所以语法非常简单和直接，与Java比起来少了很多结构上的要求。如果有Java编程的基础，3天左右的时间就可以使用Python做一些小应用了，然后就可以一边使用一边熟悉。

使用Python的难度并不是体现在编程语言自身上，而是体现在使用Python的开发方向上。比如目前在大数据和人工智能领域使用Python语言比较多，这些领域使用Python主要做算法实现以及一些功能上的实现。而大数据和人工智能自身还是有较高的难度的，比如使用Python做机器学习方面的开发需要很多算法基础。使用Python做算法实现之前首先要清楚这些算法的流程以及要实现的结果，同时还要做一些数据格式化的任务，这些任务还是有一定难度的。

目前有不少Java程序员开始转向Python，这主要得益于Python在大数据和人工智能领域的广泛应用。由于Python语言自身具备简单、直接、方便的特性，未来从事Python的程序员会比较多。

我使用Python的时间比较久，我在头条上也写了一些关于学习Python的系列文章，感兴趣的朋友可以关注我的头条号，相信一定会有所收获。

如果有Python方面的问题，也可以咨询我。

谢谢！

Java程序员可以转换到人工智能领域吗？

首先你需要数学基础：高等数学，线性代数，概率论数理统计和随机过程，离散数学，数值分析

其次需要算法的积累：人工神经网络，支持向量机，遗传算法等等算法；当然还有各个领域需要的算法，比如你要让机器人自己在位置环境导航和建图就需要研究SLAM；总之算法很多需要时间的积累；

然后，需要掌握至少一门编程语言，毕竟算法的实现还是要编程的；如果深入到硬件的话，一些电类基础课必不可少；

人工智能一般要到研究生才会去学，本科也就是蜻蜓点水看看而已，毕竟需要的基础课过于庞大。

人工智能领域是未来主要的发展方向之一，目前很多Java程序员也都有着手学习python知识，这个确实是个不错的选择，而且未来人工智能方向发展前景还是不错的，不论是就业情况还是薪资待遇都比较可观!

目前整个人工智能领域的人才缺口还是比较大的，而且由于人工智能领域的人才培养周期比较长，所以人才缺口将持续较长一段时间，这为Java程序员转换到人工智能领域提供了机会，而且目前行业内确实有不少Java程序员正在进行转换。

Java程序员转换到人工智能领域需要做好以下几个方面的准备：

第一：补齐基础学科知识。人工智能领域的研发需要具备扎实的数学基础，不论是计算机视觉、自然语言处理还是机器学习，都需要有具备较强的算法设计和实现能力。所以就要求Java程序员(应用级开发)要补齐数学方面的短板，如果要想在人工智能领域走得更远，一定要重视数学基础。

第二：语言的转换。目前在人工智能领域，Python、R和Go语言的应用比较广泛，尤其是Python语言，所以目前不少Java程序员也在逐渐开始转换。我在早期从事机器学习实现的时候也在使用Java语言，后来转换到Python语言之后，确实在开发效率方面有所提升。

第三：具有一定的研发环境。人工智能领域的研发目前依然处在探索阶段，行业内有大量的课题需要攻克，尤其在落地应用方面还需要产业领域的专家参与，所以从事人工智能研发一定要有一个较好的研发环境

谢邀！

AI，也就是人工智能，并不仅仅包括机器学习。曾经，符号与逻辑被认为是人工智能实现的关键，而如今则是基于统计的机器学习占据了主导地位。最近火热的深度学习正是机器学习中的一个子项。目前可以说，学习AI主要的是学习机器学习。

我们推荐机器学习路线是这样的，如下图：

机器学习路线图

这个学习路线是这样设计的：首先了解这个领域，建立起全面的视野，培养起充足的兴趣，然后开始学习机器学习的基础，这里选择一门由浅入深的课程来学习，课程最好有足够的实验能够进行实战。基础打下后，对机器学习已经有了充足的了解，可以用机器学习来解决一个实际的问题。这时还是可以把机器学习方法当作一个黑盒子来处理的。实战经验积累以后，可以考虑继续进行学习。这时候有两个选择，深度学习或者继续机器学习。

深度学习是目前最火热的机器学习方向，其中一些方法已经跟传统的机器学习不太一样，因此可以单独学习。除了深度学习以外，机器学习还包括统计学习，集成学习等实用方法。如果条件足够，可以同时学习两者，一些规律对两者是共通的。学习完后，你已经具备了较强的知识储备，可以进入较难的实战。这时候有两个选择，工业界的可以选择看开源项目，以改代码为目的来读代码；学术界的可以看特定领域的论文，为解决问题而想发论文。无论哪者，都需要知识过硬，以及较强的编码能力，因此很能考察和锻炼水平。经过这个阶段以后，可以说是踏入AI领域的门了。

坦白的说，普通程序员转机器学习并不是一件轻松的事情。机器学习却需要截然不同的思维模式。“机器学习模型不是静态代码——你需要不断为其提供数据。”正如谷歌大脑项目(Brain Residency)负责人罗伯森说，“我们一直在不停地更新模型，而且还要不断学习，增加更多数据，调整预测方式。它就像是一个有生命的东西，这是一种截然不同的开发模式。”

当然你可以通过掌握一些开源框架如TensorFlow开源项目来加快学习进度。

更多有关人工智能的资讯、深度报道、采访欢迎关注AI中国，无论你是小白还是大神，你想要的这里都有！