赖可 发自 凹非寺
量子位 报导 | 大众号 QbitAI
想做机器学习的作业，却感觉自己没有专业技能？
有一位小哥，从不知道Python到找到AI工程的作业，用时两年。他的文章在网上取得了5000多条点赞。
有网友在他的故事里看到了热情和好奇心
这条路不好走，这十分不简单。享用路上小小的成功，从遇到的许多波折中学习。All the best!
他的经历或许能给你一些启示。
不知道Python,却被”机器学习“招引
这位David Chong小哥在新加坡办理大学的专业是经济和金融，原本结业后打算在银行作业。
结业前的9个月，他找到了日企野村证券的作业。这期间，他触摸了一些数据剖析的软件，学习了Excel VBA编程，数据可视化软件Tableau和Power BI，还有机器人进程主动化软件UiPath。
“机器学习“的国际深深招引了他，最让他入神的是输入数据，然后猜测成果这样的一个进程。
原本，他对银行产品的杂乱性入神，通过了一段时刻作业后，觉得不过是从客户获利的一种办法。
总归，旧的东西没变得有那么招引他，又呈现了新的爱好。他决议改动作业方向了。
但现实是，他彻底不会编程。
那时候的他的字典里，Python是一种蛇，而Pig……是一头猪。
在Mooc上张狂自学，纸上得来终觉浅
想学数据科学，网上资源大把大把，所以他在Mooc上注册了不少课程：
Python 练习营：Python 3 从零开端成为英豪[ Udemy ]
用于数据科学和机器学的 Python 练习营[ Udemy ]
运用MySQL办理大数据[ Coursera ]
Java初学者教程[ Udemy ]
Web开发人员练习营 [ Udemy ]
机器学习A-Z：着手实践数据科学中Python和R [ Udemy ]
用Docker进行机器学习和NLP模型[ Udemy ]
不过他只完结了前三门课程。Mooc的课程内容十分简练，也让他很快就对一门课失掉爱好，还没有上完就去看下一门。
MOOC上教授传统机器学习办法时，往往会越过模型实践在做什么这个部分。比方，会教随机森林是决策树的调集，但不会讲决策树怎样决议在哪个分支上挑选哪些特征（也便是熵概念和与之相关的数学）；会简略介绍支撑向量机是分类办法，但不会讲怎么确认超平面。
深度学习的课程更不能满意做获取AI专业技能的需求。
相关课程一般会在Tensorflow上，在MNIST这样不错的数据集上给出许多代码，然后让你感觉自己是深度学习专家了。
可是这远远不够。研讨论文一般包含杂乱的体系结构，触及了解深度神经网络模型中的特征提取，以及其他更杂乱的特征，例如Transformer和双向编码。了解为什么某些最新模型比其他模型更好，以及搬迁学习transfer learning和元学习meta learning等概念也很重要。
小哥认为，Mooc的课程的优势在于快速入门。上面的课也简单给人误导，任何人都能成为机器学习的从业者，认为机器学习便是关于.fit() and .predict()的几行代码。
实践和波折
因而，上了在线课程后。为了更好的进步编程才能，David挑选在Hackerrank上进行练习，完结关于SQL和Python的问题。
一起，他还用python进行了一个项目，来完成在网上主动预定羽毛球场。新加坡的羽毛球场需求提早抢着预定，常常提早两周就预定完了。
通过一段时刻的学习和练习，David对自己的技能水平心里有了个大约：
对写python很有决心，可是对代码功率一窍不通。
在机器学习上，是jupyter notebook专家，能够把Jupyter notebook 的主题改为“ dark mode”，并运用一切的键盘快捷键。
他想做数据科学家。
可是面试失利了，触及代码的技能测验比他学习的“数据科学”开展更快。他原本申请了技能剖析师的职位，被转去了另一部分，做了事务剖析师。
这离他的方针还很远。
承受专业学术练习
为了有更好的技能，他决议在校园继续读商业IT硕士学位（专门研讨AI）
承受专业教育的进程中，大大的弥补了此前常识结构的缺少。
他学习了传统ML模型背面的数学原理，在自定义数据集上运用了最新的深度学习架构；有关AI的重要概念，包含常见的搜索算法，Q-learning and 深度Q-learning；算法规划，包含图形算法，时刻和空间杂乱度，称号匹配算法以及其它许多算法。
他还参加了几个校园的硕士项目。这些项目不完整，数据集常常从Kaggle上取得，在Jupyter notebook上完毕。深度学习模型在Docker上运转，但不考虑布置。
David 看来，硕士教育供给了AI从业者所需求的谨慎学术练习，但缺少实践运用的练习。硕士课程不会告知你数据科学作业的必要条件。这个部分需求自己去弄清楚。
软件工程和DevOps技能一般是必需的（虽然并不广泛）。在大型安排中，代码协作也很重要。比方，怎么设置Docker环境，发动AWS EC2实例，在Azure blob存储上保管数据集，有效地安排代码，运用GitHub或GitLab进行版别操控。讲堂不会教授这些内容。
在面试中堆集
David继续进行面试，在技能面试和非技能面试中堆集了许多经历（大多数人都不及格），也知道了自己所缺的常识，然后花时刻补足。
面试带来更重要的经历是让他具体地摸了摸行情。
他理解了公司关于相同一个职位人物做的不同描绘，以及这与公司在选用AI技能的成熟度之间的对应联系。
终究，在决议做AI作业的两年后，他找到了一个好机会，是一个会被训练成AI工程师的职位。
小哥现在的职位是在野村证券操作危险部分operation risk的数据剖析师。他在邮件中告知量子位，下个月他将会转去新的岗位。
小哥觉得，这仅仅一个开端，作业之路就像一场马拉松，不是短跑。
One more thing
看了David小哥作业途径，对你有没有启示呢？
David 说共享自己的经历也是为了鼓动更多的人，不要把他的经历当作攻略。
这是我个人的轶事，我期望能够鼓动人们，抱持信仰去做他们想做的作业，由于人生太时间短了，不能过没有意义的日子。
做你爱的作业，由于你会花你生命的一大部分来作业。
假如你感到迷失，记住Elsa说的“do the next right thing”
参考资料：
https://towardsdatascience.com/i-had-no-idea-how-to-write-code-two-years-ago-now-im-an-ai-engineer-13c530ab8227
—完—
