報道

編輯：Aeneas

人到中年，想半路出家轉行成機器學習工程師，可行嗎？最近，這位成功轉行的國外小哥用一篇干貨滿滿的硬核博客告訴我們：完全可以！

轉行成為一名機器學習工程師，可行嗎？

國外一位成功轉行的Max Mynter告訴我們——完全可以！

收到了多條X私信后，他決定把自己的成功經驗寫下來。

他強調說：我不是Karpathy，但我可以算一名扎實的中級機器學習工程師。

他是通過刻意的努力，才成為一名工程師的。而且，就是在最近，他剛剛從業余愛好者轉成了一名專業人士。

以前，Mynter從事的是社會學和物理學

因此，他寫下來這篇博文，希望為有類似愿望的人們提供可行的路線圖和資源，從而為職業生涯奠定基礎。

什么是機器學習工程師？

在開始，Mynter給我們提了一個問題：什么是機器學習工程師？

因為機器學習以及相關職位名稱及其混亂，Mynter特意和人合寫了一份34頁的白皮書。

在指南中，機器學習工程師指的是在組織中工作，并使用機器學習來解決業務案例的人，這就意味著創建、改進產品，或讓組織更高效地工作。

注意，機器學習研究人員與之不同。他們強調的是在科研中開發新穎的方法，但并不需要解決眼前的業務需求。

機器學習工程師的必備技能

機器學習工程是一個跨學科的職業，我們需要掌握軟件工程、數據科學和數學等不同領域的技能，以及應用領域的一些知識。

軟件工程

當然，一個合格的機器學習工程師必須會寫代碼，但最重要的是，你需要是一位有能力的軟件工程師。原因如下——

首先，由于機器學習是在數據中發現模式，因此機器學習工程師必須能夠處理足夠數量的數據。通常這意味著數據量超出了手動處理的量。

其次，由于機器學習工程師的績效是通過業務反映的，因此這個崗位就需要能部署模型，并且將其集成到更大的產品環境中。

可以說，如果沒有為用戶提供任服務，那一個工程師的工作就是失敗的。

最后，如果了解計算機的內部工作原理，以及構建定制工具的能力，你的開發速度就會大大提高。

直覺和專業知識確實可以極大地幫助你設計模型，但在實驗過程中構建機器學習模型，始終是必要的。

在這個過程中，機器學習工程師需要嘗試大量有根據的猜測，并且探究怎樣會讓效果更好。

這個過程迭代得越快，最終的輸出就越好。而軟件工程技能有助于更快地自動化和迭代，并且使得各個實驗更加高效。

作者還援引了OpenAI聯創Greg Brockman的觀點。

Brockman曾表示：學習機器學習其實比學習軟件快得多，優秀的軟件工程師潛力巨大

可以說，機器學習最終是一門計算機科學的學科，而軟件工程，就是讓計算機科學成為有效應用的方式。

數據科學

由于ML是從數據中學習模式，因此ML工程師需要具備處理數據的能力。

他們需要能夠處理混亂的現實世界數據記錄，知道如何收集、理解這些數據，還要能設計出有用的特征，并且解釋模型輸出的敏感性。

最棘手的錯誤并不是內存不足，而是當訓練循環運行后，模型輸出了看似正確但其實是錯誤的結果時。

數據科學家一次又一次地嘗到慘痛的教訓：想要構建一個優秀的模型，最優秀的方法就是花大量時間處理數據。

ML工程師還需要的一個技能就是做研究。

你需要識別與你手頭問題相關的論文，并且能夠復刻這些方法，應用到自己的領域。

數學與統計學

機器學習工程師需要掌握什么樣的數學技能？這個問題很難量化。

在大多數情況下，你在日常中不會明確地需要用到它們。

然而它總是隱性地被需要。

因為了解正確的數學知識，對于理解當前問題的數據、選擇合適的算法來說至關重要。

為此，機器學習工程師需要具備實數微積分、線性代數和概率論的基礎。這些是用于構建和訓練許多機器學習模型的核心數學理論。

而在訓練LLM或處理大型數據集時，你會從數值方法和優化理論的知識中受益。

最后，為了理解特定問題的數據，你還需要掌握統計知識。

應用領域

雖然ML更像是一個通用工具箱，但ML工程師卻可以從特定領域知識中受益匪淺。

一方面，它們會幫你更了解你的用例、用戶和可用數據。

另一方面，他們發展了處理特定類型數據和合適模型的專業知識。

例如，用于文本的語言模型、用于視覺的CNN或用于時間序列的RNN。

成為機器學習工程師，有哪些途徑

通常，進入機器學習工程有兩種途徑——

數據科學路線。首先，你需要精通數學和數據工作，開始使用機器學習，然后學習必要的軟件工程技能。

軟件工程路線。當你成為一名有能力的軟件工程師，可以在職業生涯的某個時候轉向學習數學、數據和機器學習技能。

在作者看來，對于自學者來說，2是更好的路線。

這是因為，即使擁有基本的數據和機器學習技能，你對公司也是有用的。

許多業務問題相對簡單，只要部署簡單模型，就已經可以產生價值，而困在Jupyter筆記本中的出色模型，只是一個玩具而已（盡管非常有趣）。

當然，這并不意味著你可以放棄數學了——永遠不要保平庸！

如果你碰巧在大學攻讀定量學位，那在默認情況下，你上的課會或多或少遵循路線1。

在這種情況下，請在上學期間或學期結束后，花一些時間來學習軟件工程知識。

學習計算機科學并專門研究機器學習，同時進行大量實習，以學習行業級的協作開發，這兩條路可以同時進行。

對于路線1，這可能是最佳選擇。

實用資源

以下是一系列幫助你進入ML工程的結構化課程。

它們更多是為你提供相關技能的建議，而不是明確的課程。

你可以隨時進行切換，使用你更喜歡的資源，或者通過直接做項目來掌握所需技能。

你肯定最清楚如何最有效地學習。涵蓋本路線圖的內容，比如何涵蓋它更重要。

學習編碼

上述兩條路線的基礎，都是學習編程，使用計算機。

由于Python的機器學習和數據科學生態系統最為強大，且擁有最多的可用資源，因此是一個安全的選擇。

哈佛的CS50課程，涵蓋了Python的基礎知識，對編程和軟件工程做了精彩的介紹。

如果想更深入了解一下，可以去看赫爾辛基大學的《編程基礎》。對于已經學過CS50的人，可以瀏覽一下前幾章。

雖然你并不需要了解Python的內部工作原理，就可以將其用于數據科學和機器學習，但這些東西在以后會非常有用。

請將《Dead Simple Python》之類的書放在床頭柜上，并時不時地閱讀一章。

學習淺層機器學習

學會了編碼，你就可以開始學習機器學習了。

你應該從淺層的學習算法開始。它們比神經網絡更直觀，你可以藉此培養處理數據的技能，無需增加復雜性。

吳恩達的《機器學習專業化》是一個很好的資源，它一直是許多人進入AI的門戶。

學習深度學習

了解了ML的基礎知識后，接下來你就可以轉向深度學習、當前的行業標準和強大的工具箱。

如果你喜歡吳恩達的教學風格，就可以繼續學習深度學習專業課程。

如果你喜歡更具大學風格的課程，我推薦Yann LeCun在紐約大學的深度學習講座。

如果你需要更實用的方法，fast.ai和隨附的《程序員實用深度學習》一書可以幫你。

這些資源還涵蓋了一些必要的數學知識。如果你發現自己的知識缺乏，deeplearning.ai有深度學習數學課程。

這本書讓我受益匪淺。它的章節和實際示例既可以用作教學，也可以作為參考。

建立領域專業知識

一旦掌握了深度學習的基礎，就該選擇一個領域進行深入研究了。

如果你還不確定選擇哪個領域，Huggingface上就有大量課程。

這些課程本身當然不夠，但它們是很好的入門讀物，可以為您提供研究出論文的基礎、背景和詞匯，并為你可以構建的項目提出想法。

如果想要開始做項目呢？

軟件、編碼、機器學習——對于所有這些項目，一些理論知識都是必要的，但工程其實是一種實踐，你可以通過實踐來學習。

如果你已經完成了課程練習，構建了一些項目，就可以做一些更具野心的事情。

通過建立作品集，你可以更自由地探索自己的興趣，由新手升級為專家。

一般來說，擁有一個或幾個令人印象深刻、架構良好、值得花費一個月時間的創新性項目，比擁有許多基本項目要更好。

而且，它會讓你學到更多。

想要申請成功，讓這些項目變得切實可行就變得非常重要。

你可能需要寫一篇博客或推文，來介紹自己的學習成果。

但你能做的最令人印象深刻的事，就是構建一個前端，以便其他人可以嘗試。

學習軟件工程

Fullstackopen課程是Web開發和分布式系統的很好的切入點。

它不涉及機器學習，但涵蓋了許多工具和實踐，它們對于機器學習工程師來說非常有價值，例如構建分布式系統、數據庫和容器化。

通過這些知識，你就可以部署模型，為用戶提供界面。

本課程使用的是Java，因為它是網絡語言。

雖然這一開始可能令人畏懼，但竟然你已經走了這么長一段路，此時硬著頭皮給自己的工具包添加另一種語言，也是值得的。

學習MLOps

還有特定于ML的軟件工程和開發實踐 (MLOps)。

要了解如何在整個生命周期中管理和設計ML產品，fullstackdeeplearning 是一個很好的資源，可以讓你了解一個大概。

選擇讓你的ML工程師生活更輕松的實踐，應用到你的項目中，這些努力都是值得的。

結束語

作者表示，如果你遵循本指南，一定可以成為入門級ML工程職位有競爭力的候選人。

因為你既掌握了必要的理論知識，做過的項目也使你成為了幾個重點領域的專家。

然而，要成功找到工作，擁有技能只是做到了一半。

你還需要與人交流，展示你的技能。

你可以通過選擇實習獲得良好的推薦，或者留下來，另外還可以試著獲得投資。

FreeCodeCamp的創始人Quincy Larson，就寫了一本很棒的書，關于他成為軟件工程師的旅程。

盡管他的目標角色略有不同，但這些經歷會非常適合你前半段的旅程。

FreeCodeCamp播客上有這本書前100集的有聲讀物，比如在Spotify上。

需要注意的是：路線圖看起來很簡單，但實踐起來并不容易。

學習機器學習和軟件工程很困難，但這不是巫術。

其他人在你之前就已經做到了，如果你下決心，就可以做到（這里有另一篇文章，指導你如何有效地學習困難的東西）。

為了給您一個粗略的了解，這是我預計需要多長時間，具體取決于您的起點。

從零開始學習

如果您全職致力于此路線圖，預計需要大約18月的時間，從0開始學習所有內容。

如果你可以上大學，這是最簡單的途徑。大學可以為你提供所需的社區、指導、課程、實習資源。

如果你想從不相干的行業轉行，請一定要利用起之前的經驗。即使想要離開，你的專業知識也會讓你與眾不同。

作為開發轉行

如果你已經是一名開發人員，你將很快變得有價值。

下班后，你可以花大約六個月的時間，學習淺層和深層的機器學習，以及你缺乏的數學知識。

你此前的軟件工程經驗非常有價值，會受到雇主的高度重視。

甚至你會更加幸運，不需要做出任何犧牲。

一旦轉行成功，你就可以在工作中學習，并獲得報酬。

作為數據科學家進入機器學習領域

如果你是一名數據科學家，你大概率遲早會因為缺乏軟件工程能力，而觸到職業天花板。

作者直言：自己就是如此。

對于數據科學領域的從業者來說，轉向機器學習或多或少是一種自然的職業發展軌道。

如果投入額外的時間來學習，就可以加速你的職業生涯。

你可以在當前的工作資源中尋找ML項目，花幾個月時間來完成它們，然后構建一個組合，來讓自己轉型。

概括

總的來說，你需要做到以下這些事——

學習計算機科學基礎知識以及編程，通過CS50課程和專用Python資源

學習經典（淺層）的機器學習，為數據工作奠定基礎，培養直覺

2.1) 建立微積分、線性代數和概率論的數學基礎（數值和優化會更加分）

按照特定課程學習深度學習，例如Yann LeCun的NYU講座、fast.ai或deeplearning.ai的深度學習專業課程

從fullstackdeeplearning中學習MLOps

4.1) 如果有必要，可以通過fullstackopen來學習軟件工程，比如學習Web開發以及分布式系統、DevOps和關系數據庫的基礎知識

尋找您想要從事的領域，通過建立你的作品集來發展專業知識。你可以從Hugginface課程中找到一個起點，跟隨你感興趣的兔子洞，通過論文實現構建一些有趣的項目。

做完這些，你就可以去投簡歷了。

祝你好運！

參考資料：

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