選自 | TowardsDataScience
作者 | Richmond Alake 轉自 | 機器之心
近來，矽谷迎來裁員潮，機器學習領域的求職壓力也有所增加。如何規劃 ML 職業生涯，才能獲得長期成就？吳恩達教授為機器學習領域的畢業生提供了一些建議。這篇文章內容取自史丹福大學教授、Coursera 聯合創始人吳恩達的課堂演講，主題為《關於在機器學習領域獲得成功職業生涯的幾點建議》。如何找到一份工作
成功的 AI 從業者模式
如何選擇一份工作
機器學習職業生涯的誤區
機器學習專業的學生在完成學術研究之後，通常會從事這一領域的工作，或者繼續讀博。通常有兩種類型的公司會需要 AI 領域的人才。一種是大型科技公司，比如 Facebook、谷歌。另一種是年輕的，充滿活力的初創公司。吳恩達教授提到一點：無論朝哪個方向走，你都應該確保自己從事的是重要且有意義的工作。本文作者 Richmond Alake 詳細介紹了吳恩達教授的這一觀點，並結合自身經歷談了談這些建議的具體內容。機器學習領域的工作競爭激烈，大部分人都了解這一點，已經做好心理準備，但你可能不知道公司招聘時看重哪些技能和素質。多年來，吳恩達教授在 AI 團隊中和各類企業中積累了深厚的工作經驗和領導經驗，他給出了一些建議：機器學習研究工作要求個人至少要掌握平均水平的編程技能。程式設計師平均要掌握兩到三種程式語言，並且達到中級水平。機器學習領域的從業者也應具備編程技能，並且應該了解幾門常用的程式語言，例如 Python、Java、JavaScript、R 語言等。以我自己為例，我目前是一名計算機視覺工程師，我需要用到 3 種不同的程式語言。我用 Python 來實現模型（TensorFlow）和編寫腳本，用 javascript 來實現模型（tfjs），最後，我還要用 Swift 將模型和計算機視覺技術集成到 iOS 應用程式中。在簡歷通過之後，你就會進入面試的下一階段，通常是電話面試和現場面試。在這兩個面試階段，你都需要回答機器學習相關的問題，比如解釋梯度下降變體之間的差異，描述新型神經網絡架構的特性。面試之前，你可能在學術研究機構中度過了幾年，所以已經習慣了大學採用的基於理論的考試方法。但是公司招聘的不是只掌握理論知識的人，而是能夠將機器學習中的理論概念、技術以及思維進行實際應用的優秀人才。比如，你首先要從概念上理解批歸一化的好處，但是只有會用並且大量用過 Jupyter notebook 或 GitHub repo 的人才能夠在招聘中脫穎而出。證明和應用所學理論知識的一個好方法是在你的工作任務中加入一兩個業餘項目，這是你展示技術、創造力和問題解決能力的絕好機會。一些傳統領域的職位不需要隨時更新專業知識，但在機器學習領域則完全不是這樣。作為一個熱門學科，人工智慧領域裡每天都有新開發的技術，每周都有更新的工具和庫，每個月都有大量新發表的研究論文。在機器學習領域裡，你不能停止學習的腳步。我目前正在參與這個領域的研究，利用研究和開源項目中的技術，儘管如此，我還是會經常看到有全新的神經網絡推動計算機視覺特定任務的發展，成為某方向的新 SOTA。你的僱主總會希望你不滿足於現有水平，保持求知慾望。機器學習從業人員需要永遠處於領先技術的最前沿。AI 包含很多子領域，如機器學習、NLP、語音識別、CV 等等。吳恩達表示，職場的最強候選人和成功的 AI 從業者都用一種「T」形方法來學習 AI 子領域。也就是說，他們對很多子領域都有一個大致的了解，但只深入其中的幾個。以我個人為例，我在機器學習、計算機視覺和機器人學方向進行了深造。通過學習，我對 AI 的一些關鍵子領域有了基本了解。但在論文、個人項目和職業路徑中，我只關注三大領域：計算機視覺、自然語言處理和深度學習。下圖顯示了我在大學畢業、完成 pwn 項目並開始工作之後構建的「T」形知識路徑長什麼樣。在研究生階段學完 ML、CV 和機器人學相關課程之後，我獲得了 AI 主要子領域的基本知識。在我完成論文並開啟自己的職業生涯時，我的學習路徑是 T 型的。我專注於深度學習的子領域計算機視覺。由於關聯度較高，在研究過程中我也獲得了神經網絡、機器學習、自然語言處理（圖像標註方面）和圖像處理等臨近領域的知識。當然，對於一個研究者而言，要想成為深度學習和計算機視覺方面的專家還有很長的路要走。在完成碩士畢業論文並開始職業生涯之後我所獲得的 AI 領域知識。
深度知識我們提到了很多遍，但深度意味著什麼？在吳恩達看來，深度知識由以下幾個方面定義：同樣，在特定子領域裡做個人項目可以讓你的專業知識更加深入。這不僅可以讓你成為成功的 AI 從業人員，而且會讓你有更多參與面向實踐任務的機會。吳恩達意識到，擁有機器學習專長的人很受歡迎。對於一些人來說，選擇多是一件好事，但對於另一部分人來說，選擇多了反而容易出錯。在吳恩達看來，團隊的選擇非常重要。在選擇團隊時要注意以下幾個因素：吳恩達建議，你所在的團隊應該很容易實現組員之間的互動，通常這樣的團隊包含 10-30 人。此外，你還要留意團隊成員的努力程度，以及他們的個性、職業道德理念能否對你產生積極影響。為什麼這點如此重要？因為行為研究表明，和你相處時間最長的五個人的平均值就是你的各方面行為得分。在決定接受一份 offer 之前，一定要弄清楚你要從事的工作是什麼。通常情況下，招聘廣告中給出的職位描述並不能反映真實的工作內容。有時候，某個職位的職責範圍會被誇大，這很容易令人失望。還有時候，招聘廣告會淡化某個職位的工作量，這會導致你入職不久就陷入倦怠。避免失望和倦怠的最好方法就是直接和你的上司對話，了解任務的內容和交付時間。此外，你還可以與類似崗位上的組員交流，了解一下他們的日常工作。公司都有自己的品牌形象和外部認可，但這往往只是他們想讓你看到的東西，而且通常是最好的一面，會讓你在選擇時產生先入為主的偏見。吳恩達表示，從一般經驗來看，公司的品牌形象和你在這家公司的個人經歷關係不大。在選擇一份 AI 方面的工作時，團隊比公司更應該考慮，選擇行業時也是如此。簡單來講，對於一家石油公司和一家醫療機構的圖像分類機器學習項目來說，二者的區別其實只在於他們用來訓練 ML 模型的數據集以及模型的應用。機器學習技能可以在行業之間遷移。人類是一種受到內部和外部因素激勵的生物，如果內外激勵都不具備，我們就會陷入懊悔、不安甚至是失望，我還喜歡吳恩達的另一個觀點：迫不及待地進入某個角色並不是什麼好主意。在找工作期間，我拒絕了很多 offer。這些 offer 表面看起來都很不錯，但都需要我做出一些我不想做的個人犧牲。還有一些 offer 短期來看非常不錯，但如果考慮未來十年的職業生涯，我並不覺得它們是最佳選擇。我想要成為一家成功公司的 AI 領導，因此我要以比平時更快的速度深入這家公司。在這種情況下，一個大的團隊會讓我成為小透明，因此不是我的最佳選擇。相反，在一家創業公司工作可以讓我獲得更多的自主權和學習的環境，加速我的職業發展和成長。因此，一定要選擇一份適合你個人目標和長期發展的工作。在人工智慧這個領域，做一個「萬事通」不一定有什麼好處，反而意味著你在每個分支領域知識淺薄。這不是確保你在人工智慧或者機器學習之路上擁有長遠發展的最佳路徑。從長遠來看，專注於獲取深度知識會獲得相應的回報，尤其是在人工智慧這樣的領域，精通某個子方向的人往往更受歡迎。我經常因為沒有耐心而內疚，但老實說，在機器學習這種快速發展的領域，你很多時候會焦慮於自己吸收知識的速度不夠快。但通過對那些在職業生涯中取得長期成就的人的深入觀察，我意識到，在人工智慧的任何一個分支領域建立起真正的技能、知識、經驗都需要時間。我們這一代人習慣於即時滿足，急於看到快速成形的結果，最終會損害我們獲取知識的進度。擁有一個自己的業餘項目對機器學習生涯大有好處，但問題是，這個項目必須具備一定的水平，才能給外部評審者留下足夠深刻的印象。因此，有十個平庸的業餘項目不如有兩三個真正有影響力的項目，這能更好地展現出你的技術能力。正如吳恩達所說：質量勝過數量。在吳恩達演講的最後，他總結了成就成功 ML 職業生涯的三個要素：2、確保你所做的項目和工作對他人的生活有積極意義；3、做有助於實現個人目標的決定，這將使你獲得長期成功。原文連結：https://towardsdatascience.com/how-to-navigate-a-career-in-machine-learning-according-to-andrew-ng-stanford-lectures-9e10f09047f0—完—
為您推薦