我花了兩年，從不懂Python變成了AI工程師
本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。
想做機器學(xué)習(xí)的工作，卻覺得自己沒有專業(yè)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(wǎng)上獲得了5000多條點贊。
有網(wǎng)友在他的故事里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(xué)習(xí)。All the best!
他的經(jīng)驗或許能給你一些啟發(fā)。
不知道Python,卻被”機器學(xué)習(xí)“吸引
這位David Chong小哥在新加坡管理大學(xué)的專業(yè)是經(jīng)濟和金融，本來畢業(yè)后打算在銀行工作。
畢業(yè)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(shù)據(jù)分析的軟件，學(xué)習(xí)了Excel VBA編程，數(shù)據(jù)可視化軟件Tableau和Power BI，還有機器人過程自動化軟件UiPath。
“機器學(xué)習(xí)“的世界深深吸引了他，最讓他著迷的是輸入數(shù)據(jù)，然后預(yù)測結(jié)果這個過程。
原來，他對銀行產(chǎn)品的復(fù)雜性著迷，經(jīng)過了一段時間工作后，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么吸引他，又出現(xiàn)了新的興趣。他決定改變工作方向了。
但現(xiàn)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(xué)，紙上得來終覺淺
想學(xué)數(shù)據(jù)科學(xué)，網(wǎng)上資源大把大把，于是他在Mooc上注冊了不少課程：
- Python 訓(xùn)練營：Python 3 從零開始成為英雄[ Udemy ]
- 用于數(shù)據(jù)科學(xué)和機器學(xué)的 Python 訓(xùn)練營[ Udemy ]
- 使用MySQL管理大數(shù)據(jù)[ Coursera ]
- Java初學(xué)者教程[ Udemy ]
- Web開發(fā)人員訓(xùn)練營 [ Udemy ]
- 機器學(xué)習(xí)A-Z：動手實踐數(shù)據(jù)科學(xué)中Python和R [ Udemy ]
- 用Docker進行機器學(xué)習(xí)和NLP模型[ Udemy ]
不過他只完成了前三門課程。Mooc的課程內(nèi)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(tǒng)機器學(xué)習(xí)方法時，往往會跳過模型實際在做什么這個部分。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征（也就是熵概念和與之相關(guān)的數(shù)學(xué)）；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(xué)習(xí)的課程更不能滿足做獲取AI專業(yè)技能的需求。
相關(guān)課程通常會在Tensorflow上，在MNIST這樣不錯的數(shù)據(jù)集上給出大量代碼，然后讓你覺得自己是深度學(xué)習(xí)專家了。
但是這遠遠不夠。研究論文通常包含復(fù)雜的體系結(jié)構(gòu)，涉及理解深度神經(jīng)網(wǎng)絡(luò)模型中的特征提取，以及其他更復(fù)雜的特征，例如Transformer和雙向編碼。理解為什么某些最新模型比其他模型更好，以及遷移學(xué)習(xí)transfer learning和元學(xué)習(xí)meta learning等概念也很重要。
小哥認為，Mooc的課程的優(yōu)勢在于快速入門。上面的課也容易給人誤導(dǎo)，任何人都可以成為機器學(xué)習(xí)的從業(yè)者，以為機器學(xué)習(xí)就是關(guān)于.fit() and .predict()的幾行代碼。
實踐和挫折
因此，上了在線課程后。為了提高編程能力，David選擇在Hackerrank上進行練習(xí)，完成關(guān)于SQL和Python的問題。
同時，他還用python進行了一個項目，來實現(xiàn)在網(wǎng)上自動預(yù)訂羽毛球場。新加坡的羽毛球場需要提前搶著預(yù)定，經(jīng)常提前兩周就預(yù)訂完了。
經(jīng)過一段時間的學(xué)習(xí)和操練，David對自己的技能水平心里有了個大概：
對寫python很有信心，但是對代碼效率一無所知。
在機器學(xué)習(xí)上，是jupyter notebook專家，可以把Jupyter notebook 的主題改為“ dark mode”，并使用所有的鍵盤快捷鍵。
他想做數(shù)據(jù)科學(xué)家。
但是面試失敗了，涉及代碼的技術(shù)測試比他學(xué)習(xí)的“數(shù)據(jù)科學(xué)”發(fā)展更快。他本來申請了技術(shù)分析師的職位，被轉(zhuǎn)去了另一部門，做了業(yè)務(wù)分析師。
這離他的目標還很遠。
接受專業(yè)學(xué)術(shù)訓(xùn)練
為了有更好的技能，他決定在學(xué)校繼續(xù)讀商業(yè)IT碩士學(xué)位（專門研究AI）
接受專業(yè)教育的過程中，大大的補充了此前知識框架的不足。
他學(xué)習(xí)了傳統(tǒng)ML模型背后的數(shù)學(xué)原理，在自定義數(shù)據(jù)集上應(yīng)用了最新的深度學(xué)習(xí)架構(gòu)；有關(guān)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(shè)計，包括圖形算法，時間和空間復(fù)雜度，名稱匹配算法以及其它很多算法。
他還參加了幾個學(xué)校的碩士項目。這些項目不完整，數(shù)據(jù)集經(jīng)常從Kaggle上獲得，在Jupyter notebook上結(jié)束。深度學(xué)習(xí)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(yè)者所需要的嚴謹學(xué)術(shù)訓(xùn)練，但缺乏實際應(yīng)用的訓(xùn)練。碩士課程不會告訴你數(shù)據(jù)科學(xué)工作的必要條件。這個部分需要自己去弄清楚。
軟件工程和DevOps技能通常是必需的（盡管并不廣泛）。在大型組織中，代碼協(xié)作也很重要。比如，如何設(shè)置Docker環(huán)境，啟動AWS EC2實例，在Azure blob存儲上托管數(shù)據(jù)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(nèi)容。
在面試中積累
David繼續(xù)進行面試，在技術(shù)面試和非技術(shù)面試中積累了很多經(jīng)驗（大多數(shù)人都不及格），也知道了自己所缺的知識，然后花時間補足。
面試帶來更重要的經(jīng)驗是讓他詳細地摸了摸行情。
他明白了公司對于同樣一個職位角色做的不同描述，以及這與公司在采用AI技術(shù)的成熟度之間的對應(yīng)關(guān)系。
最終，在決定做AI工作的兩年后，他找到了一個好機會，是一個會被培訓(xùn)成AI工程師的職位。
小哥目前的職位是在野村證券操作風(fēng)險部門operation risk的數(shù)據(jù)分析師。他在郵件中告訴量子位，下個月他將會轉(zhuǎn)去新的崗位。
小哥覺得，這只是一個開始，職業(yè)之路就像一場馬拉松，不是短跑。
One more thing
看了David小哥職業(yè)路徑，對你有沒有啟發(fā)呢？
David 說分享自己的經(jīng)驗也是為了鼓舞更多的人，不要把他的經(jīng)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”
