有一個關(guān)于ML（機器學習）的炒作列車正在進行，許多初學者正成為這個炒作列車的受害者，因為他們是因為錯誤的原因進入的。你的教授會解釋如何獲得博士學位。如果你想變得更好，或者你的同行告訴你如何獲得更好的GPU和IDE（集成開發(fā)環(huán)境），這是必要的。當您開始從在線課程中學習時，您意識到您需要更大的數(shù)據(jù)集和對Python的熟練程度。在你申請工作時學習了所需的技能后，你意識到你需要的不僅僅是幾門課程或證書。最終，在得到這份工作后，你意識到這是一項要求很高的工作，有時這些工作在最初階段的報酬并不高。

本文將幫助您度過這些失望，并為您準備好面對這些問題。我們將學習很多關(guān)于初學者進入機器學習領(lǐng)域所面臨的現(xiàn)實問題。

有明確的經(jīng)驗證據(jù)表明，您不需要大量數(shù)學，不需要大量數(shù)據(jù)，也不需要大量昂貴的計算機。-Jeremy Howard（面向程序員的實用深度學習）

學編碼？

是的，如果你進入ML領(lǐng)域，尤其是深度學習，編碼是必要的。這并不意味著您先花時間學習Python、C++或R，然后才開始學習ML。當你學習基礎知識時，編碼部分會自然而然地出現(xiàn)。您不需要記住語法或模型架構(gòu)，可以從簡單的google搜索中搜索它們。就這么簡單。世界正在走向無代碼機器學習和AutoML。AutoML是一個強大的工具，它將為您執(zhí)行所有的任務，并為您提供一個工作的機器學習模型。有時你只需要寫兩行代碼而不是兩百行代碼就能得到類似的結(jié)果。

你需要數(shù)學還是博士。以毫升為單位？

是的，你需要一些數(shù)學，但為了研究和推進深度學習的邊界。如果您要訓練您的模型并將它們部署到生產(chǎn)中，那么您可能需要學習MLOps，而不是數(shù)學。

應用機器學習不需要數(shù)學，但對于任何研究和突破邊界，你需要學習高級統(tǒng)計學。-Jakubéitní

您還需要學習模型體系結(jié)構(gòu)是如何工作的，以及各種矩陣函數(shù)。這些可以在8小時的課程中教授，有時您甚至不需要學習解決問題所需的所有模型架構(gòu)。我是Jeremy的超級粉絲，在他用Fastai和PyTorch為程序員編寫的bookDeep Learning中，他解釋說在深度學習領(lǐng)域有很多守門人。學者們會要求你學習高級微積分，學習所有的數(shù)學模型，最終獲得博士學位。在一個特定的領(lǐng)域使它。但你不需要這些。我見過很多沒有學位、有商業(yè)背景的人現(xiàn)在都是領(lǐng)域里的專家。所以，請專注于基礎知識，學習整個課程，并通過投資組合項目開始成長。

你需要一個龐大的數(shù)據(jù)集嗎？

是的，但在少數(shù)情況下。現(xiàn)代的深度學習模型現(xiàn)在能夠在有限的樣本數(shù)下產(chǎn)生高精度。隨著像Kaggle這樣的平臺的引入，甚至獲取數(shù)據(jù)集現(xiàn)在也變得更加容易了，Kaggle有數(shù)千個開源數(shù)據(jù)集可供下載和用于商業(yè)目的。我們還可以在GitHub、DAGsHub、HuggingFace、Knoema和Google Dataset Searchch上找到數(shù)據(jù)集來訓練我們的模型，并最終將其用于生產(chǎn)。

你需要學位或認證嗎？

有些工作確實需要機器學習學位或TensorFlow證書，但如果你在GitHub和Kaggle上有強大的投資組合，這些事情就變得次要了。許多開發(fā)人員正在向機器學習過渡，他們沒有專門的學位或證書來證明，但他們確實有使用深度學習模型并將其部署到生產(chǎn)中的經(jīng)驗。如果你能以某種方式向雇主證明你可以完成機器學習生命周期中的每一項任務，那么你就是完美的候選人?？偟膩碚f，如果你有一個強大的機器學習組合，就不應該在你的腦海中獲得證書或?qū)W位。要獲得強大的ML投資組合，請閱讀：如何作為初學者構(gòu)建強大的數(shù)據(jù)科學投資組合-KDnuggets。

您需要昂貴的計算還是IDE？

不，我有一臺舊筆記本電腦，我可以借助Kaggle平臺在云GPU和TPU上訓練這些龐大的模型。世界正在從個人電腦走向云電腦。您可以從Kaggle和Google Colab獲得免費的CPU、GPU和TPU。還有其他平臺也可以幫助您進行數(shù)據(jù)分析和創(chuàng)建完整的項目，如DeepNote、JetBrains Datalore和PaperSpace。這些平臺為您提供了一個免費的工作空間，通過添加協(xié)作工具來構(gòu)建您的機器學習產(chǎn)品。在我的日常工作中，我使用Deepnote進行新的研究或項目，如果我需要更好的GPU或TPU，我會切換到Kaggle Orcolab。

您不需要購買昂貴的IDE或計算來構(gòu)建您的產(chǎn)品。現(xiàn)在您有了這些免費的云工具。

關(guān)于就業(yè)市場的基本事實

在獲得所需的技能后，你開始在市場上找工作，但很快你就意識到公司需要更多。他們希望你了解數(shù)據(jù)工程、數(shù)據(jù)分析和MLOPS。在面試階段，他們會詢問你最近的項目和你部署模型的工作經(jīng)驗。

即使在學習了關(guān)鍵的必要技能后，你也會感到相當失望。這是因為大多數(shù)公司都在尋找有經(jīng)驗的個人或擁有多種技能的人。你提高機會的唯一方法就是不斷學習一項新技能，不斷參加機器學習比賽。這也將改善您的ML投資組合，并最終使您脫穎而出。如果你剛開始工作，很難找到工作。繼續(xù)努力，最終，你會得到你夢寐以求的工作。

ML工程師的一生

正如我上面提到的，它需要擅長各種技能：顯然，一個優(yōu)秀的機器學習工程師所需要的一切，比如好奇心、分析技能、算法知識、理解業(yè)務需求的能力，以及有效溝通的需求。還有更多。你需要善于構(gòu)建需要機器學習操作經(jīng)驗的軟件解決方案。Shanif Dhanani的機器學習工程師生活中的一天

除此之外，有時還必須執(zhí)行迭代任務，如標記數(shù)據(jù)集。你可能找不到一份高薪的工作，但你最終會得到一份需要你全職和專注的工作。如果你進入這個領(lǐng)域只是因為它提供了一份高薪的工作，那么你應該開始考慮其他的選擇。你在職業(yè)生涯中取得成功的唯一途徑是對人工智能技術(shù)有堅定的熱愛。

結(jié)論

最后，我會一直建議你繼續(xù)學習新的技能，開始參加Kaggle比賽。為了你的職業(yè)生涯，繼續(xù)尋找新的工作，為你的技術(shù)面試做好準備。我只想向你們展示這個領(lǐng)域的實際情況。這并不漂亮，也不是每個人都能度過難關(guān)。只有努力工作和學習的心態(tài)，你才能找到一個舒適的職位，你有一個高薪的工作。

我們還討論了機器學習如何不需要大量的數(shù)學、專業(yè)學位或博士學位。它不需要大量的計算能力或龐大的數(shù)據(jù)集。它只需要你的時間和努力工作。你可以在網(wǎng)上找到令人驚訝的課程，在學習了一些技能后，開始將這些技能應用到你的投資組合項目中。