我花了两年，从不懂Python变成了AI工程师

赖可 发自 凹非寺

量子位 报道 | 公众号 QbitAI

想做机器学习的工作，却觉得自己没有专业技能？

有一位小哥，从不知道Python到找到AI工程的工作，用时两年。他的文章在网上获得了5000多条点赞。

有网友在他的故事里看到了激情和好奇心

这条路不好走，这非常不容易。享受路上小小的胜利，从遇到的众多挫折中学习。All the best!

他的经验或许能给你一些启发。

不知道Python,却被”机器学习“吸引

这位David Chong小哥在新加坡管理大学的专业是经济和金融，本来毕业后打算在银行工作。

毕业前的9个月，他找到了日企野村证券的工作。这期间，他接触了一些数据分析的软件，学习了Excel VBA编程，数据可视化软件Tableau和Power BI，还有机器人过程自动化软件UiPath。

“机器学习“的世界深深吸引了他，最让他着迷的是输入数据，然后预测结果这个过程。

原来，他对银行产品的复杂性着迷，经过了一段时间工作后，觉得不过是从客户获利的一种方式。

总之，旧的东西没变得有那么吸引他，又出现了新的兴趣。他决定改变工作方向了。

但现实是，他完全不会编程。

那时候的他的字典里，Python是一种蛇，而Pig……是一头猪。

在Mooc上疯狂自学，纸上得来终觉浅

想学数据科学，网上资源大把大把，于是他在Mooc上注册了不少课程：

1. Python 训练营：Python 3 从零开始成为英雄[ Udemy ]
2. 用于数据科学和机器学的 Python 训练营[ Udemy ]
3. 使用MySQL管理大数据[ Coursera ]
4. Java初学者教程[ Udemy ]
5. Web开发人员训练营 [ Udemy ]
6. 机器学习A-Z：动手实践数据科学中Python和R [ Udemy ]
7. 用Docker进行机器学习和NLP模型[ Udemy ]

不过他只完成了前三门课程。Mooc的课程内容非常简洁，也让他很快就对一门课失去兴趣，还没有上完就去看下一门。

MOOC上教授传统机器学习方法时，往往会跳过模型实际在做什么这个部分。比如，会教随机森林是决策树的集合，但不会讲决策树怎样决定在哪个分支上选择哪些特征（也就是熵概念和与之相关的数学）；会简单介绍支持向量机是分类方法，但不会讲如何确定超平面。

深度学习的课程更不能满足做获取AI专业技能的需求。

相关课程通常会在Tensorflow上，在MNIST这样不错的数据集上给出大量代码，然后让你觉得自己是深度学习专家了。

但是这远远不够。研究论文通常包含复杂的体系结构，涉及理解深度神经网络模型中的特征提取，以及其他更复杂的特征，例如Transformer和双向编码。理解为什么某些最新模型比其他模型更好，以及迁移学习transfer learning和元学习meta learning等概念也很重要。

小哥认为，Mooc的课程的优势在于快速入门。上面的课也容易给人误导，任何人都可以成为机器学习的从业者，以为机器学习就是关于.fit() and .predict()的几行代码。

实践和挫折

因此，上了在线课程后。为了提高编程能力，David选择在Hackerrank上进行练习，完成关于SQL和Python的问题。

同时，他还用python进行了一个项目，来实现在网上自动预订羽毛球场。新加坡的羽毛球场需要提前抢着预定，经常提前两周就预订完了。

经过一段时间的学习和操练，David对自己的技能水平心里有了个大概：

对写python很有信心，但是对代码效率一无所知。

在机器学习上，是jupyter notebook专家，可以把Jupyter notebook 的主题改为“ dark mode”，并使用所有的键盘快捷键。

他想做数据科学家。

但是面试失败了，涉及代码的技术测试比他学习的“数据科学”发展更快。他本来申请了技术分析师的职位，被转去了另一部门，做了业务分析师。

这离他的目标还很远。

接受专业学术训练

为了有更好的技能，他决定在学校继续读商业IT硕士学位（专门研究AI）

接受专业教育的过程中，大大的补充了此前知识框架的不足。

他学习了传统ML模型背后的数学原理，在自定义数据集上应用了最新的深度学习架构；有关AI的重要概念，包括常见的搜索算法，Q-learning and 深度Q-learning；算法设计，包括图形算法，时间和空间复杂度，名称匹配算法以及其它很多算法。

他还参加了几个学校的硕士项目。这些项目不完整，数据集经常从Kaggle上获得，在Jupyter notebook上结束。深度学习模型在Docker上运行，但不考虑部署。

David 看来，硕士教育提供了AI从业者所需要的严谨学术训练，但缺乏实际应用的训练。硕士课程不会告诉你数据科学工作的必要条件。这个部分需要自己去弄清楚。

软件工程和DevOps技能通常是必需的（尽管并不广泛）。在大型组织中，代码协作也很重要。比如，如何设置Docker环境，启动AWS EC2实例，在Azure blob存储上托管数据集，有效地组织代码，使用GitHub或GitLab进行版本控制。课堂不会教授这些内容。

在面试中积累

David继续进行面试，在技术面试和非技术面试中积累了很多经验（大多数人都不及格），也知道了自己所缺的知识，然后花时间补足。

面试带来更重要的经验是让他详细地摸了摸行情。

他明白了公司对于同样一个职位角色做的不同描述，以及这与公司在采用AI技术的成熟度之间的对应关系。

最终，在决定做AI工作的两年后，他找到了一个好机会，是一个会被培训成AI工程师的职位。

小哥目前的职位是在野村证券操作风险部门operation risk的数据分析师。他在邮件中告诉量子位，下个月他将会转去新的岗位。

小哥觉得，这只是一个开始，职业之路就像一场马拉松，不是短跑。

One more thing

看了David小哥职业路径，对你有没有启发呢？

David 说分享自己的经验也是为了鼓舞更多的人，不要把他的经验看成指南。

这是我个人的轶事，我希望能够鼓舞人们，抱持信念去做他们想做的事情，因为人生太短暂了，不能过没有意义的生活。

做你爱的事情，因为你会花你生命的一大部分来工作。

如果你感到迷失，记住Elsa说的“do the next right thing”

参考资料：

https://towardsdatascience.com/i-had-no-idea-how-to-write-code-two-years-ago-now-im-an-ai-engineer-13c530ab8227