轉(zhuǎn)行成為一名機(jī)器學(xué)習(xí)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(qiáng)調(diào)說：我不是Karpathy，但我可以算一名扎實的中級機(jī)器學(xué)習(xí)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(xué)和物理學(xué)

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(chǔ)。

什么是機(jī)器學(xué)習(xí)工程師？

在開始，Mynter給我們提了一個問題：什么是機(jī)器學(xué)習(xí)工程師？

因為機(jī)器學(xué)習(xí)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(jī)器學(xué)習(xí)工程師指的是在組織中工作，并使用機(jī)器學(xué)習(xí)來解決業(yè)務(wù)案例的人，這就意味著創(chuàng)建、改進(jìn)產(chǎn)品，或讓組織更高效地工作。

注意，機(jī)器學(xué)習(xí)研究人員與之不同。他們強(qiáng)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(wù)需求。

機(jī)器學(xué)習(xí)工程師的必備技能

機(jī)器學(xué)習(xí)工程是一個跨學(xué)科的職業(yè)，我們需要掌握軟件工程、數(shù)據(jù)科學(xué)和數(shù)學(xué)等不同領(lǐng)域的技能，以及應(yīng)用領(lǐng)域的一些知識。

軟件工程

當(dāng)然，一個合格的機(jī)器學(xué)習(xí)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(jī)器學(xué)習(xí)是在數(shù)據(jù)中發(fā)現(xiàn)模式，因此機(jī)器學(xué)習(xí)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(jī)器學(xué)習(xí)工程師的績效是通過業(yè)務(wù)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(wù)，那一個工程師的工作就是失敗的。

最后，如果了解計算機(jī)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(shè)計模型，但在實驗過程中構(gòu)建機(jī)器學(xué)習(xí)模型，始終是必要的。

在這個過程中，機(jī)器學(xué)習(xí)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(xué)習(xí)機(jī)器學(xué)習(xí)其實比學(xué)習(xí)軟件快得多，優(yōu)秀的軟件工程師潛力巨大

可以說，機(jī)器學(xué)習(xí)最終是一門計算機(jī)科學(xué)的學(xué)科，而軟件工程，就是讓計算機(jī)科學(xué)成為有效應(yīng)用的方式。

數(shù)據(jù)科學(xué)

由于ML是從數(shù)據(jù)中學(xué)習(xí)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(shè)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(dāng)訓(xùn)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(xué)家一次又一次地嘗到慘痛的教訓(xùn)：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(fù)刻這些方法，應(yīng)用到自己的領(lǐng)域。

數(shù)學(xué)與統(tǒng)計學(xué)

機(jī)器學(xué)習(xí)工程師需要掌握什么樣的數(shù)學(xué)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(xué)知識，對于理解當(dāng)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(jī)器學(xué)習(xí)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(chǔ)。這些是用于構(gòu)建和訓(xùn)練許多機(jī)器學(xué)習(xí)模型的核心數(shù)學(xué)理論。

而在訓(xùn)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(yīng)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(jī)器學(xué)習(xí)工程師，有哪些途徑

通常，進(jìn)入機(jī)器學(xué)習(xí)工程有兩種途徑——

1. 數(shù)據(jù)科學(xué)路線。首先，你需要精通數(shù)學(xué)和數(shù)據(jù)工作，開始使用機(jī)器學(xué)習(xí)，然后學(xué)習(xí)必要的軟件工程技能。

2. 軟件工程路線。當(dāng)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(xí)數(shù)學(xué)、數(shù)據(jù)和機(jī)器學(xué)習(xí)技能。

在作者看來，對于自學(xué)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(jī)器學(xué)習(xí)技能，你對公司也是有用的。

許多業(yè)務(wù)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(dāng)然，這并不意味著你可以放棄數(shù)學(xué)了——永遠(yuǎn)不要保平庸！

如果你碰巧在大學(xué)攻讀定量學(xué)位，那在默認(rèn)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(xué)期間或?qū)W期結(jié)束后，花一些時間來學(xué)習(xí)軟件工程知識。

學(xué)習(xí)計算機(jī)科學(xué)并專門研究機(jī)器學(xué)習(xí)，同時進(jìn)行大量實習(xí)，以學(xué)習(xí)行業(yè)級的協(xié)作開發(fā)，這兩條路可以同時進(jìn)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(jìn)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(jìn)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(xué)習(xí)。涵蓋本路線圖的內(nèi)容，比如何涵蓋它更重要。

學(xué)習(xí)編碼

上述兩條路線的基礎(chǔ)，都是學(xué)習(xí)編程，使用計算機(jī)。

由于Python的機(jī)器學(xué)習(xí)和數(shù)據(jù)科學(xué)生態(tài)系統(tǒng)最為強(qiáng)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(chǔ)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(xué)的《編程基礎(chǔ)》。對于已經(jīng)學(xué)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(xué)和機(jī)器學(xué)習(xí)，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(xué)習(xí)淺層機(jī)器學(xué)習(xí)

學(xué)會了編碼，你就可以開始學(xué)習(xí)機(jī)器學(xué)習(xí)了。

你應(yīng)該從淺層的學(xué)習(xí)算法開始。它們比神經(jīng)網(wǎng)絡(luò)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(fù)雜性。

吳恩達(dá)的《機(jī)器學(xué)習(xí)專業(yè)化》是一個很好的資源，它一直是許多人進(jìn)入AI的門戶。

學(xué)習(xí)深度學(xué)習(xí)

了解了ML的基礎(chǔ)知識后，接下來你就可以轉(zhuǎn)向深度學(xué)習(xí)、當(dāng)前的行業(yè)標(biāo)準(zhǔn)和強(qiáng)大的工具箱。

如果你喜歡吳恩達(dá)的教學(xué)風(fēng)格，就可以繼續(xù)學(xué)習(xí)深度學(xué)習(xí)專業(yè)課程。

如果你喜歡更具大學(xué)風(fēng)格的課程，我推薦Yann LeCun在紐約大學(xué)的深度學(xué)習(xí)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(xué)習(xí)》一書可以幫你。

這些資源還涵蓋了一些必要的數(shù)學(xué)知識。如果你發(fā)現(xiàn)自己的知識缺乏，deeplearning.ai有深度學(xué)習(xí)數(shù)學(xué)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(xué)，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(xué)習(xí)的基礎(chǔ)，就該選擇一個領(lǐng)域進(jìn)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(dāng)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(chǔ)、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(jī)器學(xué)習(xí)——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(xué)習(xí)。

如果你已經(jīng)完成了課程練習(xí)，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(xué)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(xué)習(xí)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(xué)習(xí)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(jī)器學(xué)習(xí)，但涵蓋了許多工具和實踐，它們對于機(jī)器學(xué)習(xí)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(luò)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(xué)習(xí)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(shè)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(yīng)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(xí)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(biāo)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(xué)習(xí)機(jī)器學(xué)習(xí)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(dǎo)你如何有效地學(xué)習(xí)困難的東西）。

為了給您一個粗略的了解，這是我預(yù)計需要多長時間，具體取決于您的起點。

從零開始學(xué)習(xí)

如果您全職致力于此路線圖，預(yù)計需要大約18月的時間，從0開始學(xué)習(xí)所有內(nèi)容。

如果你可以上大學(xué)，這是最簡單的途徑。大學(xué)可以為你提供所需的社區(qū)、指導(dǎo)、課程、實習(xí)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(xué)習(xí)淺層和深層的機(jī)器學(xué)習(xí)，以及你缺乏的數(shù)學(xué)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(xué)習(xí)，并獲得報酬。

作為數(shù)據(jù)科學(xué)家進(jìn)入機(jī)器學(xué)習(xí)領(lǐng)域

如果你是一名數(shù)據(jù)科學(xué)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(xué)領(lǐng)域的從業(yè)者來說，轉(zhuǎn)向機(jī)器學(xué)習(xí)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(xué)習(xí)，就可以加速你的職業(yè)生涯。

你可以在當(dāng)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——

1. 學(xué)習(xí)計算機(jī)科學(xué)基礎(chǔ)知識以及編程，通過CS50課程和專用Python資源
2. 
   
3. 學(xué)習(xí)經(jīng)典（淺層）的機(jī)器學(xué)習(xí)，為數(shù)據(jù)工作奠定基礎(chǔ)，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(xué)基礎(chǔ)（數(shù)值和優(yōu)化會更加分）

4. 按照特定課程學(xué)習(xí)深度學(xué)習(xí)，例如Yann LeCun的NYU講座、fast.ai或deeplearning.ai的深度學(xué)習(xí)專業(yè)課程
5. 從fullstackdeeplearning中學(xué)習(xí)MLOps

4.1) 如果有必要，可以通過fullstackopen來學(xué)習(xí)軟件工程，比如學(xué)習(xí)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(chǔ)知識

6. 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！