賴可 發自 凹非寺量子位 報導 | 公眾號 QbitAI
想做機器學習的工作，卻覺得自己沒有專業技能？
有一位小哥，從不知道Python到找到AI工程的工作，用時兩年。他的文章在網上獲得了5000多條點讚。
有網友在他的故事裡看到了激情和好奇心
這條路不好走，這非常不容易。享受路上小小的勝利，從遇到的眾多挫折中學習。All the best!
他的經驗或許能給你一些啟發。
不知道Python,卻被」機器學習「吸引
這位David Chong小哥在新加坡管理大學的專業是經濟和金融，本來畢業後打算在銀行工作。
畢業前的9個月，他找到了日企野村證券的工作。這期間，他接觸了一些數據分析的軟體，學習了Excel VBA編程，數據可視化軟體Tableau和Power BI，還有機器人過程自動化軟體UiPath。
「機器學習「的世界深深吸引了他，最讓他著迷的是輸入數據，然後預測結果這個過程。
原來，他對銀行產品的複雜性著迷，經過了一段時間工作後，覺得不過是從客戶獲利的一種方式。
總之，舊的東西沒變得有那麼吸引他，又出現了新的興趣。他決定改變工作方向了。
但現實是，他完全不會編程。
那時候的他的字典里，Python是一種蛇，而Pig……是一頭豬。
在Mooc上瘋狂自學，紙上得來終覺淺
想學數據科學，網上資源大把大把，於是他在Mooc上註冊了不少課程：
- Python 訓練營：Python 3 從零開始成為英雄[ Udemy ]
- 用於數據科學和機器學的 Python 訓練營[ Udemy ]
- 使用MySQL管理大數據[ Coursera ]
- Java初學者教程[ Udemy ]
- Web開發人員訓練營 [ Udemy ]
- 機器學習A-Z：動手實踐數據科學中Python和R [ Udemy ]
- 用Docker進行機器學習和NLP模型[ Udemy ]
不過他只完成了前三門課程。Mooc的課程內容非常簡潔，也讓他很快就對一門課失去興趣，還沒有上完就去看下一門。
MOOC上教授傳統機器學習方法時，往往會跳過模型實際在做什麼這個部分。比如，會教隨機森林是決策樹的集合，但不會講決策樹怎樣決定在哪個分支上選擇哪些特徵（也就是熵概念和與之相關的數學）；會簡單介紹支持向量機是分類方法，但不會講如何確定超平面。
深度學習的課程更不能滿足做獲取AI專業技能的需求。
相關課程通常會在Tensorflow上，在MNIST這樣不錯的數據集上給出大量代碼，然後讓你覺得自己是深度學習專家了。
但是這遠遠不夠。研究論文通常包含複雜的體系結構，涉及理解深度神經網絡模型中的特徵提取，以及其他更複雜的特徵，例如Transformer和雙向編碼。理解為什麼某些最新模型比其他模型更好，以及遷移學習transfer learning和元學習meta learning等概念也很重要。
小哥認為，Mooc的課程的優勢在於快速入門。上面的課也容易給人誤導，任何人都可以成為機器學習的從業者，以為機器學習就是關於.fit() and .predict()的幾行代碼。
實踐和挫折
因此，上了在線課程後。為了提高編程能力，David選擇在Hackerrank上進行練習，完成關於SQL和Python的問題。
同時，他還用python進行了一個項目，來實現在網上自動預訂羽毛球場。新加坡的羽毛球場需要提前搶著預定，經常提前兩周就預訂完了。
經過一段時間的學習和操練，David對自己的技能水平心裡有了個大概：
對寫python很有信心，但是對代碼效率一無所知。
在機器學習上，是jupyter notebook專家，可以把Jupyter notebook 的主題改為「 dark mode」，並使用所有的鍵盤快捷鍵。
他想做數據科學家。
但是面試失敗了，涉及代碼的技術測試比他學習的「數據科學」發展更快。他本來申請了技術分析師的職位，被轉去了另一部門，做了業務分析師。
這離他的目標還很遠。
接受專業學術訓練
為了有更好的技能，他決定在學校繼續讀商業IT碩士學位（專門研究AI）
接受專業教育的過程中，大大的補充了此前知識框架的不足。
他學習了傳統ML模型背後的數學原理，在自定義數據集上應用了最新的深度學習架構；有關AI的重要概念，包括常見的搜索算法，Q-learning and 深度Q-learning；算法設計，包括圖形算法，時間和空間複雜度，名稱匹配算法以及其它很多算法。
他還參加了幾個學校的碩士項目。這些項目不完整，數據集經常從Kaggle上獲得，在Jupyter notebook上結束。深度學習模型在Docker上運行，但不考慮部署。
David 看來，碩士教育提供了AI從業者所需要的嚴謹學術訓練，但缺乏實際應用的訓練。碩士課程不會告訴你數據科學工作的必要條件。這個部分需要自己去弄清楚。
軟體工程和DevOps技能通常是必需的（儘管並不廣泛）。在大型組織中，代碼協作也很重要。比如，如何設置Docker環境，啟動AWS EC2實例，在Azure blob存儲上託管數據集，有效地組織代碼，使用GitHub或GitLab進行版本控制。課堂不會教授這些內容。
在面試中積累
David繼續進行面試，在技術面試和非技術面試中積累了很多經驗（大多數人都不及格），也知道了自己所缺的知識，然後花時間補足。
面試帶來更重要的經驗是讓他詳細地摸了摸行情。
他明白了公司對於同樣一個職位角色做的不同描述，以及這與公司在採用AI技術的成熟度之間的對應關係。
最終，在決定做AI工作的兩年後，他找到了一個好機會，是一個會被培訓成AI工程師的職位。
小哥目前的職位是在野村證券操作風險部門operation risk的數據分析師。他在郵件中告訴量子位，下個月他將會轉去新的崗位。
小哥覺得，這只是一個開始，職業之路就像一場馬拉松，不是短跑。
One more thing
看了David小哥職業路徑，對你有沒有啟發呢？
David 說分享自己的經驗也是為了鼓舞更多的人，不要把他的經驗看成指南。
這是我個人的軼事，我希望能夠鼓舞人們，抱持信念去做他們想做的事情，因為人生太短暫了，不能過沒有意義的生活。
做你愛的事情，因為你會花你生命的一大部分來工作。
如果你感到迷失，記住Elsa說的「do the next right thing」
參考資料：
https://towardsdatascience.com/i-had-no-idea-how-to-write-code-two-years-ago-now-im-an-ai-engineer-13c530ab8227
— 完 —
量子位 QbitAI · 頭條號簽約
關注我們，第一時間獲知前沿科技動態