Jakub Kriz 發佈在 Unsplash 上的照片
兩年前，我大學畢業。由於我的專業是經濟學和金融學，因此我準備從事金融業。投資銀行和全球市場——這些都是我夢寐以求的工作。在畢業前 9 個月，我在一家投資銀行謀到了一個職位，我感到很自豪，因為那家銀行非常難進，如果沒有在那家銀行實習過，通常是很難通過面試的。
工作幾個月後，我學會了 Excel VBA，並學會了如何使用 Tableau、Power BI 和 UiPath（一個機器人自動化軟件）。我意識到我更感興趣的是學習這些工具和代碼，而不是學習銀行產品。銀行產品曾一度因其複雜性而引起我的興趣，現在卻被視為銀行從客戶身上賺取利潤的一種方式。
另外，銀行業的工作環境和我的個人價值觀差異很大，這對我來說是一個巨大的挑戰。
在這個時候，我的一位同事帶我看到了「機器學習」的世界。一個人可以「預測」到哪些投入會產生怎樣的結果，這讓我非常感興趣。
但有一個問題：我對於編程瞭解的不是很多。在我的字典裡，Python 是一種蛇，而 Pig 是......一頭豬。
兩年後的今天，我即將進入人工智能行業，成為一名 AI 工程師。這段經歷並不容易，時間也不短。對我來說，向人工智能產業的轉型僅僅是一個開始——對我來說，這是一個學習和成長的新起點。本文就是我的經歷。
每個人的數據科學之旅都是不同的。這篇文章不是關於「如何學會人工智能」的，不應該被看作是一個循序漸進的指南。這只是我個人的經歷，我希望能激勵人們去做他們想做的事，因為生命太短了，不能活得沒有意義。
我的旅程
加入 MOOC 課程學習
雖然有經濟和金融背景，但我不知道如何編碼。Excel VBA 和編碼很接近，但也只是相似。作為一個優秀的人，為了進入數據科學的行業，我報名參加了 MOOC 上的一些大規模的在線開放課程。以下是我報名參加的課程清單：
Python BootCamp: Go from zero to hero in Python 3 [Udemy]
Python for Data Science and Machine Learning Bootcamp [Udemy]
Managing Big Data with MySQL [Coursera]
Java Tutorial for Beginners [Udemy]
The Web Developer Bootcamp [Udemy]
Machine Learning A-Z: Hands-On Python & R in Data Science [Udemy]
Deploy Machine Learning & NLP Models with Docker [Udemy]
但是，除了加粗的部分，大部分課程我都沒有完成。由於獲得知識太容易了，我陷入了惡性循環，我很自然而然地在一門課程沒有學完的時候轉到另一門課，並且興趣轉瞬即逝。
對我來說，這是 MOOC 最大的缺點——內容的簡潔性。或者，我最初的期望是 MOOC 可以推動我從事數據科學的職業，這可能太天真了。
為了讓人印象深刻，一個教授傳統機器學習（ML）方法的典型 MOOC 課程通常會略過諸如模型實際是做什麼的這種基礎知識。你會學到隨機森林是決策樹的集合，但不會學到決策樹是如何決定在哪個分支（即熵的概念和數學原理）上選擇哪些特徵不被覆蓋。支持向量機只是作為一種分類方法來教，但如何確定超平面將不包括在課程內。
「我知道的」和「我需要知道的」之間的這種差異在我學習人工智能的更高級領域（如深度學習）時得到了證明。教授深度學習的 MOOC 課程經常在 Tensorflow 中向 MNIST 這樣一個好的數據集拋出一堆代碼，並告訴你，你現在是一個深度學習專家了。這顯然與現實相去甚遠，因為論文通常包括複雜的體系結構，其中涉及到深度神經網絡模型中特徵提取的理解，以及其他更復雜的特徵，如 transformer 和雙向編碼。理解最先進的模型相比其他模型的優勢在哪裡，這一點也很重要，同時遷移學習和元學習等概念也是很重要的。
在我看來，MOOC 課程常常給人一種錯覺，即任何人都可以成為 ML 實踐者。它可能會讓初學者覺得，ML 只是涉及 .fit和 .predict的幾行代碼，這是因為 MOOC 為了讓人們可以相對輕鬆地開始使用 ML（也許由於 ML 相關的大量宣傳，將這些課程貨幣化及其有利可圖）而以這些作為教學材料。
別誤會我的意思，MOOC 課程很好，它為人們提供了一種快速而簡單的方式來獲取知識並開始某個話題。但是，它們會讓你成為專家嗎？顯然不能。你在完成課程後做什麼，將決定你是否成為專家。
學習更多技能
在完成了幾次 MOOC 課程之後，我知道自己還是什麼都不會。當然，我知道了 Python 中的一些基本技能，知道如何使用 sci kit 從.fit和.predict。
為了提高我的編程技能，我在 Hackerrank 上練習並完成了 SQL 和 Python 相關的題目。同時，我希望有一個真實的 Python 項目。就在那時，我開始研究一種可以為我預訂羽毛球場的機器人。這個項目主要包括使用 Selenium 與瀏覽器交互、瀏覽網頁、最終下單並支付羽毛球場的費用。其動機是，新加坡的羽毛球場通常提前兩週就預訂滿了，很多人每天都會在發售時間在預訂網站紮營，而羽毛球場通常在一兩秒鐘內就被預定完了。
儘管我對用 Python 編寫代碼有信心，但我對代碼效率一無所知。時間和空間複雜度對我來說完全是陌生的。面向對象編程在我的腦海中是一個從未有過的概念。
在 ML 方面，我是 Jupyter notebook 的專家。我可以將我的 Jupyter notebook 的主題改為「黑暗模式」，並熟練使用所有的快捷鍵。顯然，我已經準備好擔當數據科學家的角色。
然而，我在面試中慘敗。在進入「數據科學」領域之前，涉及到代碼的測試就已經將我拒之門外了。我申請了技術分析師的職位，但被推薦到另一個部門，因為他們覺得我更適合做業務分析師。
我離我該去的地方很遠。
課堂學習遠遠不夠
為了深入瞭解 ML 並磨練我在 Python 方面的技能，我決定在 Singapore Management University 攻讀 AI 專業的 IT 商業碩士。
我學習了傳統 ML 模型背後的數學知識，並在一個數據集上應用了最先進的深度學習架構。我學習了一些關於人工智能的重要概念，包括常用的搜索算法、Q-學習和深度 Q-學習。我瞭解了算法設計，包括圖形算法、時間和空間複雜度、名稱匹配算法以及更多的算法，它們刷新了我的認知。從本質上講，這門課程為我提供了 MOOC 所缺乏的學術嚴謹性。
在這個時候，我手上有幾個項目。它們不是成熟的項目，其數據集通常是從 Kaggle 獲得的。深度學習模型在 Docker 上運行是為了保持一致性，但從來沒有考慮到部署的任何方面。畢竟，他們是學校的項目。
在我看來，碩士階段的學習為人工智能專業人士提供了必要的學術嚴謹性，但缺乏實際應用方面的知識。碩士課程不會告訴你什麼是獲得數據科學工作的必要條件，你必須自己去弄清楚。軟件工程和開發技能通常是數據科學家工作範圍的一部分（儘管不全面）。代碼的協作在大型組織中也很重要。因此，瞭解如何設置 Docker 環境、啟動 AWS EC2 實例、在 Azure blob 存儲上託管數據集、高效地組織代碼以及使用 GitHub 或 GitLab 進行版本控制，是一些需要的關鍵技能，但課堂上沒有講授。
去嘗試吧，即使你覺得自己不夠好。
我繼續面試，儘管大多數面試都不及格，但我積累了大量技術面試和非技術面試的經驗。它們讓我知道了自己的知識漏洞，我花時間學習了這些技能。更重要的是，它讓我瞭解了不同類型的工作內容，不同的公司對同一個職位的要求是什麼。
兩年後，我得到了一個 AI 工程師的職位。對我來說，這是一個很好的機會，我可以在一個我熱愛的領域學習和成長。更重要的是，我的經歷證明了任何人都可以完成他們打算做的事情，儘管有些人可能需要比其他人花更長的時間。
歸根結底，職業生涯是一場馬拉松，而不是短期衝刺。做你喜歡做的事，因為你將花費一生中很大一部分的時間工作。
如果你感到迷茫，記住 Elsa 所說的話：做下一件正確的事。
via：https://towardsdatascience.com/i-had-no-idea-how-to-write-code-two-years-ago-now-im-an-ai-engineer-13c530ab8227
雷鋒網雷鋒網雷鋒網
閱讀更多 雷鋒網 的文章
