人到中年，成功轉(zhuǎn)行機器學習工程師？國外小哥狂刷吳恩達LeCun，教你18個月轉(zhuǎn)行
轉(zhuǎn)行成為一名機器學習工程師，可行嗎？
國外一位成功轉(zhuǎn)行的Max Mynter告訴我們——完全可以！
收到了多條X私信后，他決定把自己的成功經(jīng)驗寫下來。
他強調(diào)說：我不是Karpathy，但我可以算一名扎實的中級機器學習工程師。
他是通過刻意的努力，才成為一名工程師的。而且，就是在最近，他剛剛從業(yè)余愛好者轉(zhuǎn)成了一名專業(yè)人士。
以前，Mynter從事的是社會學和物理學
因此，他寫下來這篇博文，希望為有類似愿望的人們提供可行的路線圖和資源，從而為職業(yè)生涯奠定基礎。
什么是機器學習工程師？
在開始，Mynter給我們提了一個問題：什么是機器學習工程師？
因為機器學習以及相關(guān)職位名稱及其混亂，Mynter特意和人合寫了一份34頁的白皮書。
在指南中，機器學習工程師指的是在組織中工作，并使用機器學習來解決業(yè)務案例的人，這就意味著創(chuàng)建、改進產(chǎn)品，或讓組織更高效地工作。
注意，機器學習研究人員與之不同。他們強調(diào)的是在科研中開發(fā)新穎的方法，但并不需要解決眼前的業(yè)務需求。
機器學習工程師的必備技能
機器學習工程是一個跨學科的職業(yè)，我們需要掌握軟件工程、數(shù)據(jù)科學和數(shù)學等不同領(lǐng)域的技能，以及應用領(lǐng)域的一些知識。
軟件工程
當然，一個合格的機器學習工程師必須會寫代碼，但最重要的是，你需要是一位有能力的軟件工程師。原因如下——
首先，由于機器學習是在數(shù)據(jù)中發(fā)現(xiàn)模式，因此機器學習工程師必須能夠處理足夠數(shù)量的數(shù)據(jù)。通常這意味著數(shù)據(jù)量超出了手動處理的量。
其次，由于機器學習工程師的績效是通過業(yè)務反映的，因此這個崗位就需要能部署模型，并且將其集成到更大的產(chǎn)品環(huán)境中。
可以說，如果沒有為用戶提供任服務，那一個工程師的工作就是失敗的。
最后，如果了解計算機的內(nèi)部工作原理，以及構(gòu)建定制工具的能力，你的開發(fā)速度就會大大提高。
直覺和專業(yè)知識確實可以極大地幫助你設計模型，但在實驗過程中構(gòu)建機器學習模型，始終是必要的。
在這個過程中，機器學習工程師需要嘗試大量有根據(jù)的猜測，并且探究怎樣會讓效果更好。
這個過程迭代得越快，最終的輸出就越好。而軟件工程技能有助于更快地自動化和迭代，并且使得各個實驗更加高效。
作者還援引了OpenAI聯(lián)創(chuàng)Greg Brockman的觀點。
Brockman曾表示：學習機器學習其實比學習軟件快得多，優(yōu)秀的軟件工程師潛力巨大
可以說，機器學習最終是一門計算機科學的學科，而軟件工程，就是讓計算機科學成為有效應用的方式。
數(shù)據(jù)科學
由于ML是從數(shù)據(jù)中學習模式，因此ML工程師需要具備處理數(shù)據(jù)的能力。
他們需要能夠處理混亂的現(xiàn)實世界數(shù)據(jù)記錄，知道如何收集、理解這些數(shù)據(jù)，還要能設計出有用的特征，并且解釋模型輸出的敏感性。
最棘手的錯誤并不是內(nèi)存不足，而是當訓練循環(huán)運行后，模型輸出了看似正確但其實是錯誤的結(jié)果時。
數(shù)據(jù)科學家一次又一次地嘗到慘痛的教訓：想要構(gòu)建一個優(yōu)秀的模型，最優(yōu)秀的方法就是花大量時間處理數(shù)據(jù)。
ML工程師還需要的一個技能就是做研究。
你需要識別與你手頭問題相關(guān)的論文，并且能夠復刻這些方法，應用到自己的領(lǐng)域。
數(shù)學與統(tǒng)計學
機器學習工程師需要掌握什么樣的數(shù)學技能？這個問題很難量化。
在大多數(shù)情況下，你在日常中不會明確地需要用到它們。
然而它總是隱性地被需要。
因為了解正確的數(shù)學知識，對于理解當前問題的數(shù)據(jù)、選擇合適的算法來說至關(guān)重要。
為此，機器學習工程師需要具備實數(shù)微積分、線性代數(shù)和概率論的基礎。這些是用于構(gòu)建和訓練許多機器學習模型的核心數(shù)學理論。
而在訓練LLM或處理大型數(shù)據(jù)集時，你會從數(shù)值方法和優(yōu)化理論的知識中受益。
最后，為了理解特定問題的數(shù)據(jù)，你還需要掌握統(tǒng)計知識。
應用領(lǐng)域
雖然ML更像是一個通用工具箱，但ML工程師卻可以從特定領(lǐng)域知識中受益匪淺。
一方面，它們會幫你更了解你的用例、用戶和可用數(shù)據(jù)。
另一方面，他們發(fā)展了處理特定類型數(shù)據(jù)和合適模型的專業(yè)知識。
例如，用于文本的語言模型、用于視覺的CNN或用于時間序列的RNN。
成為機器學習工程師，有哪些途徑
通常，進入機器學習工程有兩種途徑——
- 數(shù)據(jù)科學路線。首先，你需要精通數(shù)學和數(shù)據(jù)工作，開始使用機器學習，然后學習必要的軟件工程技能。
- 軟件工程路線。當你成為一名有能力的軟件工程師，可以在職業(yè)生涯的某個時候轉(zhuǎn)向?qū)W習數(shù)學、數(shù)據(jù)和機器學習技能。
在作者看來，對于自學者來說，2是更好的路線。
這是因為，即使擁有基本的數(shù)據(jù)和機器學習技能，你對公司也是有用的。
許多業(yè)務問題相對簡單，只要部署簡單模型，就已經(jīng)可以產(chǎn)生價值，而困在Jupyter筆記本中的出色模型，只是一個玩具而已（盡管非常有趣）。
當然，這并不意味著你可以放棄數(shù)學了——永遠不要保平庸！
如果你碰巧在大學攻讀定量學位，那在默認情況下，你上的課會或多或少遵循路線1。
在這種情況下，請在上學期間或?qū)W期結(jié)束后，花一些時間來學習軟件工程知識。
學習計算機科學并專門研究機器學習，同時進行大量實習，以學習行業(yè)級的協(xié)作開發(fā)，這兩條路可以同時進行。
對于路線1，這可能是最佳選擇。
實用資源
以下是一系列幫助你進入ML工程的結(jié)構(gòu)化課程。
它們更多是為你提供相關(guān)技能的建議，而不是明確的課程。
你可以隨時進行切換，使用你更喜歡的資源，或者通過直接做項目來掌握所需技能。
你肯定最清楚如何最有效地學習。涵蓋本路線圖的內(nèi)容，比如何涵蓋它更重要。
學習編碼
上述兩條路線的基礎，都是學習編程，使用計算機。
由于Python的機器學習和數(shù)據(jù)科學生態(tài)系統(tǒng)最為強大，且擁有最多的可用資源，因此是一個安全的選擇。
哈佛的CS50課程，涵蓋了Python的基礎知識，對編程和軟件工程做了精彩的介紹。
如果想更深入了解一下，可以去看赫爾辛基大學的《編程基礎》。對于已經(jīng)學過CS50的人，可以瀏覽一下前幾章。
雖然你并不需要了解Python的內(nèi)部工作原理，就可以將其用于數(shù)據(jù)科學和機器學習，但這些東西在以后會非常有用。
請將《Dead Simple Python》之類的書放在床頭柜上，并時不時地閱讀一章。
學習淺層機器學習
學會了編碼，你就可以開始學習機器學習了。
你應該從淺層的學習算法開始。它們比神經(jīng)網(wǎng)絡更直觀，你可以藉此培養(yǎng)處理數(shù)據(jù)的技能，無需增加復雜性。
吳恩達的《機器學習專業(yè)化》是一個很好的資源，它一直是許多人進入AI的門戶。
學習深度學習
了解了ML的基礎知識后，接下來你就可以轉(zhuǎn)向深度學習、當前的行業(yè)標準和強大的工具箱。
如果你喜歡吳恩達的教學風格，就可以繼續(xù)學習深度學習專業(yè)課程。
如果你喜歡更具大學風格的課程，我推薦Yann LeCun在紐約大學的深度學習講座。
如果你需要更實用的方法，fast.ai和隨附的《程序員實用深度學習》一書可以幫你。
這些資源還涵蓋了一些必要的數(shù)學知識。如果你發(fā)現(xiàn)自己的知識缺乏，deeplearning.ai有深度學習數(shù)學課程。
這本書讓我受益匪淺。它的章節(jié)和實際示例既可以用作教學，也可以作為參考。
建立領(lǐng)域?qū)I(yè)知識
一旦掌握了深度學習的基礎，就該選擇一個領(lǐng)域進行深入研究了。
如果你還不確定選擇哪個領(lǐng)域，Huggingface上就有大量課程。
這些課程本身當然不夠，但它們是很好的入門讀物，可以為您提供研究出論文的基礎、背景和詞匯，并為你可以構(gòu)建的項目提出想法。
如果想要開始做項目呢？
軟件、編碼、機器學習——對于所有這些項目，一些理論知識都是必要的，但工程其實是一種實踐，你可以通過實踐來學習。
如果你已經(jīng)完成了課程練習，構(gòu)建了一些項目，就可以做一些更具野心的事情。
通過建立作品集，你可以更自由地探索自己的興趣，由新手升級為專家。
一般來說，擁有一個或幾個令人印象深刻、架構(gòu)良好、值得花費一個月時間的創(chuàng)新性項目，比擁有許多基本項目要更好。
而且，它會讓你學到更多。
想要申請成功，讓這些項目變得切實可行就變得非常重要。
你可能需要寫一篇博客或推文，來介紹自己的學習成果。
但你能做的最令人印象深刻的事，就是構(gòu)建一個前端，以便其他人可以嘗試。
學習軟件工程
Fullstackopen課程是Web開發(fā)和分布式系統(tǒng)的很好的切入點。
它不涉及機器學習，但涵蓋了許多工具和實踐，它們對于機器學習工程師來說非常有價值，例如構(gòu)建分布式系統(tǒng)、數(shù)據(jù)庫和容器化。
通過這些知識，你就可以部署模型，為用戶提供界面。
本課程使用的是JavaScript，因為它是網(wǎng)絡語言。
雖然這一開始可能令人畏懼，但竟然你已經(jīng)走了這么長一段路，此時硬著頭皮給自己的工具包添加另一種語言，也是值得的。
學習MLOps
還有特定于ML的軟件工程和開發(fā)實踐 (MLOps)。
要了解如何在整個生命周期中管理和設計ML產(chǎn)品，fullstackdeeplearning 是一個很好的資源，可以讓你了解一個大概。
選擇讓你的ML工程師生活更輕松的實踐，應用到你的項目中，這些努力都是值得的。
結(jié)束語
作者表示，如果你遵循本指南，一定可以成為入門級ML工程職位有競爭力的候選人。
因為你既掌握了必要的理論知識，做過的項目也使你成為了幾個重點領(lǐng)域的專家。
然而，要成功找到工作，擁有技能只是做到了一半。
你還需要與人交流，展示你的技能。
你可以通過選擇實習獲得良好的推薦，或者留下來，另外還可以試著獲得投資。
FreeCodeCamp的創(chuàng)始人Quincy Larson，就寫了一本很棒的書，關(guān)于他成為軟件工程師的旅程。
盡管他的目標角色略有不同，但這些經(jīng)歷會非常適合你前半段的旅程。
FreeCodeCamp播客上有這本書前100集的有聲讀物，比如在Spotify上。
需要注意的是：路線圖看起來很簡單，但實踐起來并不容易。
學習機器學習和軟件工程很困難，但這不是巫術(shù)。
其他人在你之前就已經(jīng)做到了，如果你下決心，就可以做到（這里有另一篇文章，指導你如何有效地學習困難的東西）。
為了給您一個粗略的了解，這是我預計需要多長時間，具體取決于您的起點。
從零開始學習
如果您全職致力于此路線圖，預計需要大約18月的時間，從0開始學習所有內(nèi)容。
如果你可以上大學，這是最簡單的途徑。大學可以為你提供所需的社區(qū)、指導、課程、實習資源。
如果你想從不相干的行業(yè)轉(zhuǎn)行，請一定要利用起之前的經(jīng)驗。即使想要離開，你的專業(yè)知識也會讓你與眾不同。
作為開發(fā)轉(zhuǎn)行
如果你已經(jīng)是一名開發(fā)人員，你將很快變得有價值。
下班后，你可以花大約六個月的時間，學習淺層和深層的機器學習，以及你缺乏的數(shù)學知識。
你此前的軟件工程經(jīng)驗非常有價值，會受到雇主的高度重視。
甚至你會更加幸運，不需要做出任何犧牲。
一旦轉(zhuǎn)行成功，你就可以在工作中學習，并獲得報酬。
作為數(shù)據(jù)科學家進入機器學習領(lǐng)域
如果你是一名數(shù)據(jù)科學家，你大概率遲早會因為缺乏軟件工程能力，而觸到職業(yè)天花板。
作者直言：自己就是如此。
對于數(shù)據(jù)科學領(lǐng)域的從業(yè)者來說，轉(zhuǎn)向機器學習或多或少是一種自然的職業(yè)發(fā)展軌道。
如果投入額外的時間來學習，就可以加速你的職業(yè)生涯。
你可以在當前的工作資源中尋找ML項目，花幾個月時間來完成它們，然后構(gòu)建一個組合，來讓自己轉(zhuǎn)型。
概括
總的來說，你需要做到以下這些事——
- 學習計算機科學基礎知識以及編程，通過CS50課程和專用Python資源
- 學習經(jīng)典（淺層）的機器學習，為數(shù)據(jù)工作奠定基礎，培養(yǎng)直覺
2.1) 建立微積分、線性代數(shù)和概率論的數(shù)學基礎（數(shù)值和優(yōu)化會更加分）
- 按照特定課程學習深度學習，例如Yann LeCun的NYU講座、fast.ai或deeplearning.ai的深度學習專業(yè)課程
- 從fullstackdeeplearning中學習MLOps
4.1) 如果有必要，可以通過fullstackopen來學習軟件工程，比如學習Web開發(fā)以及分布式系統(tǒng)、DevOps和關(guān)系數(shù)據(jù)庫的基礎知識
- 尋找您想要從事的領(lǐng)域，通過建立你的作品集來發(fā)展專業(yè)知識。你可以從Hugginface課程中找到一個起點，跟隨你感興趣的兔子洞，通過論文實現(xiàn)構(gòu)建一些有趣的項目。
做完這些，你就可以去投簡歷了。
祝你好運！
