产业智能官
现在机器学习门槛其实很低。基于TENSORFLOW等机器学习库开发的绝大数应用的机器学习代码都只有几十行。编程难度也适合高中生掌握。因此不需要想太多，先尝试。比如我业余在做股票价格的机器学习预测。参考网上现成代码几个小时就编完了，正在不断慢慢改进中。
billisme
第一，边界清晰。问题需要定义得非常清晰，比如 AlphaGo 做的是围棋，围棋是在 19×19 的棋盘上，黑白两方轮流下子的问题，有吃有打劫。如果变成一个开放的问题，变成 20×20 的棋盘，变成黑白灰三方下棋，或者把打劫规则变一下，都会导致人工智能的失败。
第二，外部反馈。算法要不断的有外部输入，知道我们在什么样的情况、算法做出什么样的行为下，外部给出的反馈是什么，这样才能促进提高，比方说需要 AlphaGo 不断地进行对弈，并且告诉它对弈的输赢。
第三，计算资源。近些年算法虽然有很大的进步，但计算资源也是产生智能的关键。最近业界在分布式计算上的成功，让我们相对于几十年前有了飞跃的基础。举个非常有趣的例子，Google 在描述 AlphaGo 不同版本的时候，为了简洁明了，直接使用计算能力来分类，而不是使用算法来分类。简版的 AlphaGo 被称作「单机训练的 AlphaGo」，复杂、更高智能的 AlphaGo 称为「多机、并行训练的 AlphaGo」，从这里也可以看出，计算资源起着至关重要的作用。
第四，顶尖的数据科学家和人工智能科学家。增强学习、深度学习最近重新被提出，需要很多科学家大量的工作，才能让这些算法真正的推行，除了围棋、视觉、语音之外，还有非常多的领域等待被探索。
第五，大数据。AlphaGo 的成功，关键的一点是 KGS 棋社的流行，KGS 上有数十万盘高手对战的棋谱，没有这些数据 AlphaGo 绝对不可能这么短的时间内打败人类。
蓝景智能
人工智能的基础就是机器学习与应用，人工智能除了识别、感应、光学等高端技术以外也有很多基于计算机软件开发、数据处理。所以你可以参考一下程序应用与开发、数据处理(尤其是云端分布式数据)以及设备系统是否兼容、性能架构是否稳定
千里行
机器学习，是机床学习等等机械运动的学习，一般以安全操作放在首位。从另一个角度说机器学习，机器是不会自学的，机器靠人的操作产生机械运动，机器在人设计下可以输入数据，产生数控程序，。
