来源｜AI科技评论

如今，越来越多的人希望入行人工智能，而进入AI领域的直接途径是从事机器学习职业。

但是，机器学习从业人员应该怎么规划职业？造就成功的机器学习职业生涯有哪些关键因素？

作为曾在多个著名企业和学术机构担任实验室负责人的“老司机”，吴恩达可谓经验丰富，他就以上问题给出了出色的建议，带你稳步上车。

他特别提到了编程技能、实践应用、持续学习和深入某个领域的重要性，此外，他认为团队比公司更重要，要在职业生涯中“从事一份你不会厌倦的工作”，最后他还指出了在职业生涯中需要避免的几个误区。

计算机视觉工程师Richmond Alake曾经将吴恩达CS230深度学习课程中关于如何阅读论文的建议整理成文章，发表在Medium上，非常受欢迎。本文是他从吴恩达的多个斯坦福大学讲座取材写成的文章，AI科技评论对文章进行了编译。

本文包含四部分内容：

1、如何找到机器学习工作

2、成功的AI从业者模式

3、如何选择工作

4、机器学习生涯需要避免的误区

注：本文适用于大多数处于不同职业阶段的机器学习从业者。

机器学习系的学生在完成学术研究后，通常会从事相关工作，或继续读博。我在获得机器学习理学硕士学位后，几乎立即找到了相关工作。

通常，有两种类型的公司会招聘AI相关人才，大型科技公司（例如Facebook，Google）或创业公司。

吴恩达提到，无论朝哪个方向走，都必须确保自己从事的是重要且有意义的工作。

我们首先了解如何找到工作。

如何找到机器学习工作

机器学习工作竞争激烈，但是招聘公司心目中的理想候选人是什么呢？

吴恩达拥有多年AI团队工作的经验，他曾经担任谷歌大脑团队的负责人，斯坦福人工智能实验室的负责人，以及百度约1200人的AI团队的总负责人。

他给公司就招聘AI人才提出了以下建议，这同时也是我们在求职前需要具备的能力。

1、编程技能

机器学习研究工作要求个人至少已经掌握平均水平的编程技能。

程序员平均需要了解两到三种编程语言，并且都达到中级水平。

机器学习从业人员需要具备编程技能，并且能够理解一系列常用的编程语言，例如Python、Java、JavaScript和R。

为什么需要拥有多种语言的实践经验呢？

以我为例，我目前担任计算机视觉工程师，需要使用三种不同的编程语言。我用Python实现模型（TensorFlow）和编写脚本；也用javascript实现模型（tfjs）；最后，为了将模型和计算机视觉技术集成到iOS应用程序中，还需要将Swift语言用于iOS应用程序开发。

2、技术问题理解能力

通过简历审查这一关后，接下来是面试。在两个面试阶段，都会涉及机器学习相关的问题。面试官可能会让你解释梯度下降变体之间的差异；或描述新型神经网络架构的独特特征。

3、实际应用理论知识的能力

在面试之前，你可能已经在学术机构中度过了几年，并且习惯了大学的基于理论的考核方式。

而招聘公司想要的理想候选人，不仅要了解机器学习理论，而且可以实际应用概念、技术和思想。

例如，你首先需要在概念上理解批归一化的好处，但要在竞争中脱颖而出，还得学会使用Jupyter notebook或GitHub repo，并有一定的作品量，附带作品集是展示技术、创意和解决问题能力的好方法。

4、持续学习的能力

在机器学习领域，每天都会有新技术出现，新的工具和库层出不穷，并且每月都会有大量研究论文发表。

入行机器学习，你需要拥有持续学习的能力。

在深度学习领域，经常会出现新的神经网络，在特定计算机视觉任务上实现SOTA性能。

招聘公司希望员工不满足当前的职位，不停追求成长。机器学习从业人员通常在AI行业中处于新兴技术的最前沿。

成功的AI从业者模式

AI涵盖了很多子领域，例如机器学习、自然语言处理、语音识别、神经网络、计算机视觉、图像处理等等。

根据吴恩达的说法，成功的AI从业者学习AI子领域时都采用“T”形方法。

也就是说，广泛地学习AI的大部分子领域的基础知识，然后深入学习某些领域的专业知识。

以我自己为例，我通过学习获得了AI主要子领域的基础知识。然后我通过写论文、做个人项目和发展职业道路，专注于三个主要领域，分别是计算机视觉、自然语言处理和深度学习。

学校会在机器学习的教学中介绍各个子领域的基础知识，而学生要通过选修课程、论文和课程学习获得深入理解。

在完成了机器学习、计算机视觉和机器人学的学位课程的所有必修课程后，我获得了AI主要子领域的基础知识。

完成大学之后的AI领域知识

以下是我完成大学课程之后，从事项目并开始工作的“T”形知识路径的示例。我已经走在“T形”方法的学习之路上，我的专业是深度学习，这是计算机视觉的一个子领域。

由于子领域的重叠，你在深入学习的时候可以在神经网络、机器学习、NLP和图像处理等其它子领域获得更多的知识。

就我个人而言，要想成为深度学习和计算机视觉方面的专家，还有很长的路要走，下图是我目前成就的几个“T形”。

完成学位论文并开始职业生涯后的AI领域知识

专业知识

吴恩达认为，专业知识的构成如下：

• 项目

• 开源贡献

• 研究

• 合作

再提醒一次，在特定的领域从事个人项目会加深你的知识和专业技能，让你成为成功的人工智能从业人员，甚至担任更加实战型的职位。

如何选择工作

吴恩达说，具备机器学习专业知识的个人是被市场所需的。

这使得拥有机器学习知识技能的人在求职时有更多的选择，但也难免做出错误的决定。

以下是吴恩达给出的关于如何选择工作、如何拥有快乐而有意义职业的建议。

和好团队一起工作

吴恩达认为，选择一个卓越的团队是非常重要的。

在选择团队时，需要考虑以下因素：

• 影响

• 交流

• 成长

吴恩达建议，应该在一个可以轻松与团队成员互动的团队中工作。一般来说，这样的团队包含10-30人。他建议关注团队的努力程度，以及团队成员的个性和职业道德是否能对你产生积极影响。

团队中的个人往往是你大部分时间都会与之共度的人。根据行为科学研究，你的能力最终是与你相处时间最多的五个人中的平均值。

了解你的定位

在决定接受职位之前，请确保你了解这份工作。

通常情况下，招聘公告上职位描述并不反映实际工作所需的职能和责任的性质。

有时候，工作岗位上的责任被大大夸大了，这可能会导致失望。

有时候，招聘公司低估了新员工的预期工作量，这可能会导致职业生涯过早枯竭。

避免失望和精疲力尽的最好方法是和你的直接上司谈谈，了解对任务和交付时间的期望。

此外，与相似职位的团队成员交谈，并就他们的日常活动提出问题。

忽略公司本身

当吴恩达第一次提到这一点时，我有些困惑。但在他进一步澄清之后，我才明白过来。

公司具有外部声誉和认可度，这通常被称为公司的品牌。公司的品牌通常是公司将自己传达给外部世界的形象。问题在于，公司通常只会向外界展示最好的一面，这使得你在选择公司时有点偏颇。

正如吴恩达所说，从一般经验来看，一家公司的品牌与你在公司的个人经历之间的相关性很弱。

在选择AI职位时，考虑团队比选择公司更重要，这个结论几乎对任何一个行业工作都适用。

例如，石油公司和医疗中心的图像分类机器学习项目的区别仅仅是用于训练机器学习模型的数据集及其应用不同。机器学习技能可以跨行业迁移。

对工作机会保持期待，考虑长期目标

人类是受内在和外在因素激励的生物，当两者都缺乏时，我们就会开始感到遗憾、担忧，有时甚至会陷入抑郁状态。

吴恩达直截了当地说：“从事一份你不会厌倦的工作”。

仓促行事不一定是最好的主意。

在找工作的过程中，我收到了几份看起来很不错的offer，但需要一定程度的个人牺牲，我不愿意接受。

此外，我拒绝的一些职位在短期内可能听起来很不错，但考虑到我未来十年的职业生涯，它们并不是最好的选择。

我渴望在一家成功的公司里成为一名人工智能团队领导，这需要我比平常更快更深地投入。因此，提升空间有限、没有明显影响力的大团队不是最好的选择。而能提供自主性和学习环境的初创公司工作可以让我的职业发展和成长更快。

一般来说，你要选择一个最适合个人目标和长远发展的职位。

机器学习生涯需要避免的误区

成为AI“万事通”

从事AI行业不一定要成为“万事通”，对AI的所有子领域都拥有浅薄的知识并不能确保在AI或机器学习的职业生涯上获得成功。

从长远来看，专注于某个领域是有回报的，尤其是在像AI这样的领域，专业性是必须的。

缺乏耐心

在机器学习等快速发展的领域中，我们几乎总会感觉到自己不能足够快地吸收信息。

通过观察那些拥有长期成功事业的人，我意识到：在任何一个AI子领域中，建立真正的技能和专业知识都是需要时间的。

没有实质性项目

拥有项目经验或作品集对发展机器学习事业有很多好处。然而，你的作品集必须有足够的可复现性才能打动面试官。为了打造有足够影响力的作品，需要大量的精力和时间。

10个平庸的项目比不上2-3个具有影响力的项目，质量胜过数量。

结论

吴恩达在演讲结束时提到了几个关键要素，这些要素有助于个人在机器学习领域取得长期成功的职业生涯，分别是：

• 在可促进学习的良好环境中工作；

• 做有实际意义的项目，也就是说，以提高他人生活质量为目的开展业务；

• 做出有助于个人目标的决定，这将为取得长期成功奠定基础。

via https://towardsdatascience.com/how-to-navigate-a-career-in-machine-learning-according-to-andrew-ng-stanford-lectures-9e10f09047f0

觉得有用麻烦给个在看啦~