吴恩达：如何在人工智能领域打造你的职业生涯？

正文

请到「今天看啥」查看全文

学习基础技能是一个贯穿职业生涯的过程：

人工智能还处于起步阶段，许多技术仍在不断发展。虽然机器学习和深度学习的基础正在成熟——而课程学习是掌握这些基础的高效方式——但在这些基础之外，在人工智能领域，跟上不断变化的技术比在更成熟领域更重要。

从事项目工作通常意味着与缺乏人工智能专业知识的利益相关者合作：

这可能会让寻找合适的项目、估计项目的完成时间以及投资回报并设定期望变得具有挑战性。此外，AI项目的高度迭代性给项目管理带来了特殊挑战：当您不知道需要多长时间才能达到目标准确度时，您如何制定构建系统的计划？即使系统达到了目标，也可能需要进一步的迭代来解决部署后的漂移问题。

对人工智能技能和职位角色的看法不一致：

虽然在人工智能领域找工作可能与其他领域找工作类似，但也有重要区别。许多公司仍在努力弄清楚他们需要哪些人工智能技能，以及如何雇佣拥有这些技能的人。你所从事的工作可能与面试官见过的任何东西都大不相同，你更有可能不得不让潜在雇主了解你工作的某些方面。

在你经历每个步骤时，你也应该建立一个支持性的社区。有朋友和盟友可以帮助你——以及你努力帮助的人——会使这条路更容易。无论你是刚刚起步还是已经走了很多年，这都是真的。

学习有前途的人工智能职业的技术技能

在上一章中，我介绍了在人工智能领域建立职业生涯的三个关键步骤： 学习基础技术技能，参与项目，以及找到一份工作， 所有这些都是成为社区的一员所支持。在这一章中，我想更深入地探讨第一步：学习基础技能。

关于人工智能的研究论文数量多到一个人一辈子都读不完。因此，在学习时，优先选择主题至关重要。我认为，对于机器学习技术职业来说，最重要的主题是：

基础机器学习技能： 例如，理解线性回归、逻辑回归、神经网络、决策树、聚类和异常检测等模型非常重要。除了特定模型之外，更重要的是理解机器学习如何以及为什么工作的核心概念，例如偏差/方差、成本函数、正则化、优化算法和误差分析。

深度学习： 深度学习在机器学习领域所占的比重很大，如果不了解它，很难在该领域取得卓越的成就！了解神经网络的基本知识、使它们工作的实际技能 （如超参数调整） 、卷积网络、序列模型和变压器是非常有价值的。

与机器学习相关的数学： 关键领域包括线性代数 （向量、矩阵以及它们的各种操作） 以及概率和统计 （包括离散概率和连续概率、标准概率分布、独立性和贝叶斯规则等基本规则以及假设检验） 。此外，探索性数据分析 （EDA） ——使用可视化和其他方法系统地探索数据集——是一种被低估的技能。我发现 EDA 在以数据为中心的 AI 开发中特别有用，在那里分析错误和获得见解真的可以帮助推动进展！最后，对微积分的基本直观的理解也将有所帮助。机器学习所需的数学一直在变化。例如，虽然一些任务需要微积分，但改进的自动微分软件使得发明和实现新的神经网络架构而不进行任何微积分成为可能。这在十年前几乎是不可能的。

软件开发： 虽然你只需要机器学习建模技能就可以找到一份工作并做出巨大贡献，但如果你还能编写好的软件来实施复杂的人工智能系统，那么你的就业机会就会增加。这些技能包括编程基础、数据结构 （特别是与机器学习相关的数据帧） 、算法 （包括与数据库和数据操作相关的算法） 、软件设计、熟悉 Python、熟悉 TensorFlow 或 PyTorch 等关键库以及 scikit-learn。

有很多东西要学习！即使你掌握了这份清单上的所有内容，我也希望你 能继续学习，不断深化你的技术知识。 我认识很多机器学习工程师，他们在自然语言处理或计算机视觉等应用领域或概率图模型或构建可扩展软件系统等技术领域掌握了更深层次的技能，从中受益匪浅。

你如何获得这些技能？互联网上有大量优质内容，从理论上讲，阅读数十个网页可能有效果。但是，如果目标是深入理解，那么阅读互不关联的网页效率低下，因为它们往往重复彼此的内容，使用不一致的术语 （这会减慢你的阅读速 度 ） ，质量参差不齐，而且留有空白。这就是为什么一个好的课程——将大量材料组织成连贯和合乎逻辑的形式——通常是掌握有意义的知识体的最佳方式。当你吸收了课程中提供的知识后，你可以转向研究论文和其他资源。

最后，没有人能在一个周末甚至一个月的时间里掌握他们需要知道的一切。我认识的所有擅长机器学习的人都是终身学习者。鉴于我们的领域变化如此之快，如果你想跟上步伐，除了不断学习，你几乎别无选择。

如何才能多年保持稳定的学习步伐？如果你能养成每周学习一点点的习惯，你就可以在不费吹灰之力的情况下取得重大进展。

我最喜欢的书之一是 BJ 福格写的 《微习惯：小改变，大改变》 ，福格解释说，建立新习惯的最好方法是从小处着手并取得成功，而不是一开始就做太大，然后失败。例如，他建议不要试图每天锻炼 30 分钟，而要立志做一个俯卧撑，并坚持下去。

对于那些想要花更多时间学习的人来说，这种方法可能有所帮助。如果你从每天观看 10 秒的教育视频开始，并坚持下去，那么每天学习的习惯就会自然而然地养成。即使你在 10 秒内学不到任何东西，你也在建立每天学习一点的习惯。在某些日子里，你可能会学习一个小时或更长时间。

你应该学习数学来获得人工智能的工作吗？

要成为一名机器学习工程师，需要掌握多少数学数学是人工智能的基础技能吗？了解更多的数学总是件好事！但是要学的东西太多了，所以现实地讲，有必要分清轻重缓急。以下是你可能用来加强数学背景的方法。

为了弄清楚哪些知识是重要的，我发现问自己需要知道什么才能做出你想做的工作的决定是有用的。在 DeepLearning.AI，我们经常问， “一个人需要知道什么才能实现他们的目标？” 这个目标可能是建立一个机器学习模型，设计一个系统，或者通过工作面试。

了解你所使用的算法背后的数学往往很有帮助，因为它能使你调试它们。但是，有用的知识深度是随时间而变化的。随着机器学习技术的成熟和变得更加可靠和交钥匙，它们需要的调试越来越少，而对所涉及数学的较浅理解可能足以使它们工作。

例如，在机器学习的早期，用于解决线性方程组 （用于线性回归） 的线性代数库还不成熟。我必须了解这些库的工作原理，以便我可以选择不同的库并避免数值舍入陷阱。但随着数值线性代数库的成熟，这变得不那么重要了。

深度学习仍然是一项新兴技术，因此，当您训练神经网络和优化算法难以收敛时，了解梯度下降、动量和亚当优化算法背后的数学知识将帮助您做出更好的决策。同样，如果您的神经网络做了一些奇怪的事情——例如，它在特定分辨率的图像上做出糟糕的预测，但在其他图像上没有——了解神经网络架构背后的数学知识将使您处于更有利的地位，以找出应该做什么。

当然，我也鼓励由 好奇心驱动的学习 。如果你对某事感兴趣，那就去学习吧，不管它最终可能会有多有用！也许这会引发创造性的火花或技术突破。

成功 AI 项目的范围

人工智能架构师最重要的技能之一就是能够识别出有价值的工作。接下来的几章将讨论如何寻找和处理项目，这样你就可以获得经验并建立自己的作品集。

多年来，我将机器学习应用于制造业、医疗保健、气候变化、农业、电子商务、广告和其他行业，并从中获得了乐趣。如果一个人不是这些行业的专家，那么他如何在这些行业中找到有意义的项目呢？以下五个步骤将帮助您确定项目范围。

步骤 1

确定业务问题 （而不是人工智能问题） 。我喜欢找到一个领域专家并问：“你最希望哪三件事情做得更好？为什么它们还没有起作用？”例如，如果你想将人工智能应用于气候变化，你可能会发现电网运营商无法准确预测风能和太阳能等间歇性能源未来可能产生的电力。

步骤 2

头脑风暴 AI 解决方案。当我年轻的时候，我经常执行第一个让我兴奋的想法。有时这会奏效，但有时我会错过一个可能不需要更多努力就能构建的更好的想法。一旦你理解了一个问题，你就可以更有效地头脑风暴潜在的解决方案。例如，为了预测间歇性能源的发电量，我们可能会考虑使用卫星图像更准确地绘制风力涡轮机的位置，使用卫星图像来估计风力涡轮机的高度和发电能力，或者使用天气数据来更好地预测云层覆盖和太阳辐照度。有时没有好的 AI 解决方案，这也没关系。

步骤 3

评估潜在解决方案的可行性和价值。你可以通过查看已发表的作品、竞争对手的所作所为，或者构建一个快速的概念验证实施来确定一种方法是否在技术上可行。你可以通过咨询领域专家 （ 例 如，电网运营商，他们可以就上述潜在解决方案的实用性提供建议） 来确定其价值。

步骤 4

确定里程碑。一旦你认为一个项目具有足够的价值，下一步就是确定要瞄准的指标。这既包括机器学习指标 （例如准确性） ，也包括业务指标 （ 例如收入 ）

请到「今天看啥」查看全文