陷入|毕业陷入迷茫吴恩达教你如何成为AI业界大佬高薪|吴恩达|大佬|业界|机器学

选自TowardsDataScience
作者：Richmond Alake
机器之心编译
近来，硅谷迎来裁员潮，机器学习领域的求职压力也有所增加。如何规划 ML 职业生涯，才能获得长期成就？吴恩达教授为机器学习领域的毕业生提供了一些建议。

文章插图
这篇文章内容取自斯坦福大学教授、Coursera 联合创始人吴恩达的课堂演讲，主题为《关于在机器学习领域获得成功职业生涯的几点建议》。本文提到的职业建议位于视频后半部分。
演讲主要包括以下几部分内容：
如何找到一份工作
成功的 AI 从业者模式
如何选择一份工作
机器学习职业生涯的误区

文章插图
机器学习专业的学生在完成学术研究之后，通常会从事这一领域的工作，或者继续读博。通常有两种类型的公司会需要 AI 领域的人才。一种是大型科技公司，比如 Facebook、谷歌。另一种是年轻的，充满活力的初创公司。
吴恩达教授提到一点：无论朝哪个方向走，你都应该确保自己从事的是重要且有意义的工作。本文作者 Richmond Alake 详细介绍了吴恩达教授的这一观点，并结合自身经历谈了谈这些建议的具体内容。
首先，如何找到工作？
如何找到一份工作

文章插图
机器学习领域的工作竞争激烈，大部分人都了解这一点，已经做好心理准备，但你可能不知道公司招聘时看重哪些技能和素质。多年来，吴恩达教授在 AI 团队中和各类企业中积累了深厚的工作经验和领导经验，他给出了一些建议：
编程技能
机器学习研究工作要求个人至少要掌握平均水平的编程技能。程序员平均要掌握两到三种编程语言，并且达到中级水平。
机器学习领域的从业者也应具备编程技能，并且应该了解几门常用的编程语言，例如 Python、Java、JavaScript、R 语言等。
为什么需要掌握多种语言的实践知识呢？
以我自己为例，我目前是一名计算机视觉工程师，我需要用到 3 种不同的编程语言。我用 Python 来实现模型（TensorFlow）和编写脚本，用 javascript 来实现模型（tfjs），最后，我还要用 Swift 将模型和计算机视觉技术集成到 iOS 应用程序中。
回答技术问题的能力
在简历通过之后，你就会进入面试的下一阶段，通常是电话面试和现场面试。在这两个面试阶段，你都需要回答机器学习相关的问题，比如解释梯度下降变体之间的差异，描述新型神经网络架构的特性。
理论知识的实际应用
面试之前，你可能在学术研究机构中度过了几年，所以已经习惯了大学采用的基于理论的考试方法。
但是公司招聘的不是只掌握理论知识的人，而是能够将机器学习中的理论概念、技术以及思维进行实际应用的优秀人才。
比如，你首先要从概念上理解批归一化的好处，但是只有会用并且大量用过 Jupyter notebook 或 GitHub repo 的人才能够在招聘中脱颖而出。
业余项目
证明和应用所学理论知识的一个好方法是在你的工作任务中加入一两个业余项目，这是你展示技术、创造力和问题解决能力的绝好机会。
持续学习
一些传统领域的职位不需要随时更新专业知识，但在机器学习领域则完全不是这样。作为一个热门学科，人工智能领域里每天都有新开发的技术，每周都有更新的工具和库，每个月都有大量新发表的研究论文。
在机器学习领域里，你不能停止学习的脚步。我目前正在参与这个领域的研究，利用研究和开源项目中的技术，尽管如此，我还是会经常看到有全新的神经网络推动计算机视觉特定任务的发展，成为某方向的新 SOTA。
你的雇主总会希望你不满足于现有水平，保持求知欲望。机器学习从业人员需要永远处于领先技术的最前沿。
成功的 AI 从业者模式
AI 包含很多子领域，如机器学习、NLP、语音识别、CV 等等。吴恩达表示，职场的最强候选人和成功的 AI 从业者都用一种「T」形方法来学习 AI 子领域。
也就是说，他们对很多子领域都有一个大致的了解，但只深入其中的几个。
以我个人为例，我在机器学习、计算机视觉和机器人学方向进行了深造。通过学习，我对 AI 的一些关键子领域有了基本了解。但在论文、个人项目和职业路径中，我只关注三大领域：计算机视觉、自然语言处理和深度学习。