报说念

裁剪：Aeneas

东说念主到中年，思老师有素转行成机器学习工程师，可行吗？最近，这位见效转行的外洋小哥用一篇干货满满的硬核博客告诉咱们：统统不错！

转行成为别称机器学习工程师，可行吗？

外洋一位见效转行的Max Mynter告诉咱们——统统不错！

收到了多条X私信后，他决定把我方的见效阅历写下来。

他强调说：我不是Karpathy，但我不错算别称塌实的中级机器学习工程师。

他是通过刻意的致力，才成为别称工程师的。而且，便是在最近，他刚刚从业余爱好者转成了别称专科东说念主士。

昔时，Mynter从事的是社会学和物理学

因此，他写下来这篇博文，但愿为有近似愿望的东说念主们提供可行的道路图和资源，从而为劳动生存奠定基础。

什么是机器学习工程师？

在开动，Mynter给咱们提了一个问题：什么是机器学习工程师？

因为机器学习以及谋划职位称呼过甚巨大，Mynter挑升和东说念主合写了一份34页的白皮书。

在指南中，机器学习工程师指的是在组织中使命，并使用机器学习来搞定业务案例的东说念主，这就意味着创建、改造产物，或让组织更高效地使命。

醒目，机器学习洽商东说念主员与之不同。他们强调的是在科研中设备新颖的行动，但并不需要搞定目前的业务需求。

机器学习工程师的必备手段

机器学习工程是一个跨学科的劳动，咱们需要掌持软件工程、数据科学和数学等不同限制的手段，以及应用限制的一些常识。

软件工程

天然，一个及格的机器学习工程师必须会写代码，但最焦炙的是，你需如果一位有智力的软件工程师。原因如下——

当先，由于机器学习是在数据中发现模式，因此机器学习工程师必须能够处理满盈数目的数据。相通这意味着数据量超出了手动处理的量。

其次，由于机器学习工程师的绩效是通过业务反应的，因此这个岗亭就需要能部署模子，况且将其集成到更大的产物环境中。

不错说，如果莫得为用户提供任办事，那一个工程师的使命便是失败的。

终末，如果了解算计机的里面使命旨趣，以及构建定制器具的智力，你的设备速率就会大大擢升。

直观和专科常识如实不错极地面匡助你设想模子，但在实验经由中构建机器学习模子，弥远是必要的。

在这个经由中，机器学习工程师需要尝试无数有凭据的算计，况且探究如何会让效果更好。

这个经由迭代得越快，最终的输出就越好。而软件工程手段有助于更快地自动化和迭代，况且使得各个实验愈加高效。

作家还征引了OpenAI联创Greg Brockman的不雅点。

Brockman曾暗示：学习机器学习其实比学习软件快得多，优秀的软件工程师后劲巨大

不错说，机器学习最终是一门算计机科学的学科，而软件工程，便是让算计机科学成为有用应用的样式。

数据科学

由于ML是从数据中学习模式，因此ML工程师需要具备处理数据的智力。

他们需要能够处理巨大的践诺宇宙数据纪录，知说念如何集合、一语气这些数据，还要能设想出有用的特征，况且证据模子输出的明锐性。

最辣手的失实并不是内存不及，而是当查验轮回运行后，模子输出了看似正确但其实是失实的限度时。

数据科学家一次又一次地尝到惨痛的教化：思要构建一个优秀的模子，最优秀的行动便是花无数时辰处理数据。

ML工程师还需要的一个手段便是作念洽商。

你需要识别与你手头问题谋划的论文，况且能够复刻这些行动，应用到我方的限制。

数学与统计学

机器学习工程师需要掌持什么样的数学手段？这个问题很难量化。

在大多数情况下，你在日常中不会明确地需要用到它们。

但是它老是隐性地被需要。

因为了解正确的数学常识，对于一语气刻下问题的数据、礼聘合适的算法来说至关焦炙。

为此，机器学习工程师需要具备实数微积分、线性代数和概率论的基础。这些是用于构建和查验好多机器学习模子的中枢数学表面。

而在查验LLM或处理大型数据集时，你会从数值行动和优化表面的常识中受益。

终末，为了一语气特定问题的数据，你还需要掌持统计常识。

应用限制

诚然ML更像是一个通用器具箱，但ML工程师却不错从特定限制常识中获益匪浅。

一方面，它们会帮你更了解你的用例、用户和可用数据。

另一方面，他们发展了处理特定类型数据和合适模子的专科常识。

举例，用于文本的说话模子、用于视觉的CNN或用于时辰序列的RNN。

成为机器学习工程师，有哪些门路

相通，进入机器学习工程有两种门路——

数据科学道路。当先，你需要精通数学和数据使命，开动使用机器学习，然后学习必要的软件工程手段。

软件工程道路。当你成为别称有智力的软件工程师，不错在任业生存的某个时候转向学习数学、数据和机器学习手段。

在作家看来，对于自学者来说，2是更好的道路。

这是因为，即使领有基本的数据和机器学习手段，你对公司亦然有用的。

好多业务问题相对浮浅，只好部署浮浅模子，就照旧不错产生价值，而困在Jupyter条记本中的出色模子，仅仅一个玩物辛勤（尽管十分意旨）。

天然，这并不料味着你不错消除数学了——永远不要保闲居！

呦女朱朱

如果你恰好在大学攻读定量学位，那在默许情况下，你上的课会或多或少撤职道路1。

在这种情况下，请在上学时间或学期扫尾后，花一些时辰来学习软件工程常识。

学习算计机科学并专门洽商机器学习，同期进行无数实习，以学习行业级的合作设备，这两条路不错同期进行。

对于道路1，这可能是最好礼聘。

实用资源

以下是一系列匡助你进入ML工程的结构化课程。

它们更多是为你提供谋划手段的建议，而不是明确的课程。

你不错随时进行切换，使用你更心爱的资源，或者通过径直作念相貌来掌持所需手段。

你校服最澄莹如何最有用地学习。涵盖本道路图的内容，比如何涵盖它更焦炙。

学习编码

上述两条道路的基础，皆是学习编程，使用算计机。

由于Python的机器学习和数据科学生态系统最为刚劲，且领有最多的可用资源，因此是一个安全的礼聘。

哈佛的CS50课程，涵盖了Python的基础常识，对编程和软件工程作念了精彩的先容。

如果思更深入了解一下，不错去看赫尔辛基大学的《编程基础》。对于照旧学过CS50的东说念主，不错浏览一下前几章。

诚然你并不需要了解Python的里面使命旨趣，就不错将其用于数据科学和机器学习，但这些东西在以后会十分有用。

请将《Dead Simple Python》之类的书放在床头柜上，并时时常地阅读一章。

学习浅层机器学习

学会了编码，你就不错开动学习机器学习了。

你应该从浅层的学习算法开动。它们比神经集合更直不雅，你不错藉此培养处理数据的手段，无需增多复杂性。

吴恩达的《机器学习专科化》是一个很好的资源，它一直是好多东说念主进入AI的派别。

学习深度学习

了解了ML的基础常识后，接下来你就不错转向深度学习、刻下的行业范例和刚劲的器具箱。

如果你心爱吴恩达的教授立场，就不错不息学习深度学习专科课程。

如果你心爱更具大学立场的课程，我保举Yann LeCun在纽约大学的深度学习讲座。

如果你需要更实用的行动，fast.ai和随附的《要领员实用深度学习》一书不错帮你。

这些资源还涵盖了一些必要的数学常识。如果你发现我方的常识枯竭，deeplearning.ai有深度学习数学课程。

这本书让我获益匪浅。它的章节和本色示例既不错用作教授，也不错行为参考。

设备限制专科常识

一朝掌持了深度学习的基础，就该礼聘一个限制进行深入洽商了。

如果你还不细则礼聘哪个限制，Huggingface上就有无数课程。

这些课程自己天然不够，但它们是很好的初学读物，不错为您提供洽商出论文的基础、配景和词汇，并为你不错构建的相貌提议思法。

如果思要开动作念相貌呢？

软件、编码、机器学习——对于通盘这些相貌，一些表面常识皆是必要的，但工程其实是一种实行，你不错通过实行来学习。

如果你照旧完成了课程熟谙，构建了一些相貌，就不错作念一些更具谋划的事情。

通过设备作品集，你不错更摆脱地探索我方的兴致，由生手升级为群众。

一般来说，领有一个或几个令东说念主印象久了、架构细致、值得耗尽一个月时辰的转换性相貌，比领有好多基本相貌要更好。

而且，它会让你学到更多。

思要苦求见效，让这些相貌变得切实可行就变得十分焦炙。

你可能需要写一篇博客或推文，来先容我方的学习效果。

但你能作念的最令东说念主印象久了的事，便是构建一个前端，以便其他东说念主不错尝试。

学习软件工程

Fullstackopen课程是Web设备和散布式系统的很好的切入点。

它不波及机器学习，但涵盖了好多器具和实行，它们对于机器学习工程师来说十分有价值，举例构建散布式系统、数据库和容器化。

通过这些常识，你就不错部署模子，为用户提供界面。

本课程使用的是Java，因为它是集合说话。

诚然这一开动可能令东说念主畏惧，但尽然你照旧走了这样长一段路，此时硬着头皮给我方的器具包添加另一种说话，亦然值得的。

学习MLOps

还有特定于ML的软件工程和设备实行 (MLOps)。

要了解如安在通盘这个词生命周期中料理和设想ML产物，fullstackdeeplearning 是一个很好的资源，不错让你了解一个好像。

礼聘让你的ML工程师生活更应付的实行，应用到你的相貌中，这些致力皆是值得的。

扫尾语

作家暗示，如果你撤职本指南，一定不错成为初学级ML工程职位有竞争力的候选东说念主。

因为你既掌持了必要的表面常识，作念过的相貌也使你成为了几个要点限制的群众。

但是，要见效找到使命，领有手段仅仅作念到了一半。

你还需要与东说念主换取，展示你的手段。

你不错通过礼聘实习得回细致的保举，或者留住来，另外还不错试着得回投资。

FreeCodeCamp的创举东说念主Quincy Larson，就写了一册很棒的书，对于他成为软件工程师的旅程。

尽管他的方针变装略有不同，但这些经历会十分相宜你前半段的旅程。

FreeCodeCamp播客上有这本书前100集的有声读物，比如在Spotify上。

需要醒主见是：道路图看起来很浮浅，但实行起来并攻击易。

学习机器学习和软件工程很坚苦，但这不是巫术。

其他东说念主在你之前就照旧作念到了，如果你下决心，就不错作念到（这里有另一篇著述，请示你如何有用地学习坚苦的东西）。

为了给您一个粗陋的了解，这是我展望需要多万古辰，具体取决于您的开首。

从零开动学习

如果您全职致力于此道路图，展望需要直爽18月的时辰，从0开动学习通盘内容。

如果你不错上大学，这是最浮浅的门路。大学不错为你提供所需的社区、请示、课程、实习资源。

如果你思从不干系的行业转行，请一定要诈欺起之前的阅历。即使思要离开，你的专科常识也会让你出类拔萃。

行为设备转行

如果你照旧是别称设备东说念主员，你将很快变得有价值。

放工后，你不错花直爽六个月的时辰，学习浅层和深层的机器学习，以及你枯竭的数学常识。

你此前的软件工程阅历十分有价值，会受到老板的高度深爱。

以致你会愈加庆幸，不需要作念出任何殉国。

一朝转行见效，你就不错在使命中学习，并得酬薪金。

行为数据科学家进入机器学习限制

如果你是别称数据科学家，你好像率晨夕会因为枯竭软件工程智力，而触到劳动天花板。

作家直言：我便捷是如斯。

对于数据科学限制的从业者来说，转向机器学习或多或少是一种天然的劳动发展轨说念。

如果插足稀奇的时辰来学习，就不错加快你的劳动生存。

你不错在刻下的使命资源中寻找ML相貌，花几个月时辰来完成它们，然后构建一个组合，来让我方转型。

详尽

总的来说，你需要作念到以下这些事——

学习算计机科学基础常识以及编程，通过CS50课程和专用Python资源

学习经典（浅层）的机器学习，为数据使命奠定基础，培养直观

2.1) 设备微积分、线性代数和概率论的数学基础（数值和优化会愈加分）

按照特定课程学习深度学习，举例Yann LeCun的NYU讲座、fast.ai或deeplearning.ai的深度学习专科课程

从fullstackdeeplearning中学习MLOps

4.1) 如果有必要，不错通过fullstackopen来学习软件工程，比如学习Web设备以及散布式系统、DevOps和关悉数据库的基础常识

寻找您思要从事的限制，通过设备你的作品集来发展专科常识。你不错从Hugginface课程中找到一个开首，侍从你感兴致的兔子洞，通过论文结束构建一些意旨的相貌。

作念完这些，你就不错去投简历了。

祝你好运！

参考汉典：

https://www.maxmynter.com/pages/blog/become-mle

来源：https://www.top168.com/news/202407/24082.html【ONSD-405】ギリモザ特選SEX8時間スペシャル 4

吴恩达数据机器学习软件工程师发布于：北京市声明：该文不雅点仅代表作家本东说念主，搜狐号系信息发布平台，搜狐仅提供信息存储空间办事。