既然已經身在工業界，那麼我就談談工業界未來幾年需要什麼樣的機器學習
人才。不談學術界主要還是因為大部分人最終不會從事研究，而會奮鬥在應用領域。相較而言，工業界對人才的需求更加保守，這和學術界不同。這受限於很多客觀因素，如硬體運算能力、資料安全、演算法穩定性、人力成本開支等。
這個答案可能更適合兩類人: 1. 在讀的學生朋友 2. 工作不久想要轉行機器學習的朋友。特別厲害的技術大牛建議探索適合自己的路線，而我只能談一談適合大部分人的路線。但在回答前，我還是忍不住吐槽一下那種簡單回答「深度學習
」，「大資料
」，「nlp
」，「機器視覺」的人。這每乙個領域的小方向都多如牛毛，以自然語言處理(nlp
)為例，細分有自然語言生成、自然語言理解，還有不同語言的語言模型。任何乙個方向花幾十年研究也不為過，只給出幾個字的答案和買彩票有什麼區別…
因此大部分機器學習實踐者還是該腳踏實地。盲目追逐熱點很容易跌進陷阱，而鞏固基礎、尋找自己擅長的領域和機器學習交叉點可以幫助你在未來的就業市場變得炙手可熱，成為工業界最緊缺的人才。
工業界未來需要什麼樣的機器學習人才？老生常談，能將模型應用於專業領域的人，也就是跨領域讓機器學習落地的人。有人會問現在我們不就需要這樣的人嗎？答案是肯定的，我們需要並將長期需要這樣的人才，現階段的機器學習落地還存在各種各樣的困難。這樣的需求不會是曇花一現，這就跟 web 開發是乙個道理，從火熱到降溫也經過了十年的週期。乙個領域的發展有特定的週期，機器學習的門檻比 web 開發高而且正屬於朝陽期，所以大家致力於成為「專精特定領域」的機器學習專家不會過時。
什麼是特定領域的機器學習專家？舉個例子，我以前曾回答「人工智慧
當然，給喂雞湯不給勺很不厚道，所以我也會給出一些具體建議。再次申明，我的建議僅給以就業為目的的朋友，走研究路線我有不同的建議，本文不再贅述。
說到底機器學習還是需要一定的專業知識，這可以通過學校學習或者自學完成。但有沒有必要通曉數學，擅長優化呢？我的看法是不需要的，大前提是需要了解基本的數學統計知識即可，更多的討論可以看我這個答案「阿薩姆：如何看待「機器學習不需要數學，很多演算法封裝好了，調個包就行」這種說法？」。最低程度下我建議掌握五個小方向，對於現在和未來幾年內的工業界夠用了。再一次重申，我對於演算法的看法是大部分人不要造輪子，不要造輪子，不要造輪子！只要理解自己在做什麼，知道選擇什麼模型，直接呼叫 api 和現成的工具包就好了。
基本功的意義是當你面對具體問題的時候，你很清楚可以用什麼**來處理。而且上面介紹的很多任務具都有幾十年的歷史，依然歷久彌新。所以以 3-5 年的跨度來看，這些工具依然會非常有用，甚至像 cnn 和 lstm 之類的深度學習演算法還在繼續發展迭代當中。無論你現在還在學校還是已經開始工作，掌握這些基本的技術都可以通過自學在幾個月到一兩年內完成。
」。而已經有了工作 / 研究經驗的朋友，要試著將自己的工作經歷利用起來。舉例，不要做機器學習裡面最擅長投資的人，而要做金融領域中最擅長機器學習的專家，這才是你的價值主張(value proposition)。最重要的是，機器學習的基本功沒有大家想的那麼高不可攀，沒有必要放棄自己的本專業全職轉行，沉沒成本太高。通過跨領域完全可以做到曲線救國，化劣勢為優勢，你們可能比只懂機器學習的人有更大的行業價值。
舉幾個我身邊的例子，我的乙個朋友是做傳統軟體工程研究的，前年他和我商量如何使用機器學習以 github 上的 commit 歷史來識別 bug，這就是乙個很好的結合領域的知識。如果你本身是做金融出身，在你補足上面基本功的同時，就可以把機器學習交叉運用於你自己擅長的領域，做策略研究，我已經聽說了無數個「宣稱」使用機器學習實現了交易策略案例。雖不可盡信，但對特定領域的深刻理解往往就是捅破窗戶的那最後一層紙，只理解模型但不了解資料和資料背後的意義，導致很多機器學習模型只停留在好看而不實用的階段。
換個角度思考，不同領域的人都有了對機器學習的理解能更好的促進這個技術落地，打破泡沫的傳言。而對於大家而言，不用再擔心自己會失業，還能找到自己的角度在這個全民深度學習的時代找到「金飯碗」。所以我建議各行各業的從業者不必盲目的轉計算機或者機器學習，而應該加深對本專業的了解並自學補充上面提到的基本功，自己成為這個領域的機器學習專家。
沒有什麼不會改變，這個時代的科技迭代速度很快。從深度學習開始發力到現在也不過短短十年，所以沒有人知道下乙個會火的是什麼？以深度學習為例，這兩年非常火的對抗生成網路(gan)，多目標學習(multi-lable learning)，遷移學習(transfer learning)都還在飛速的發展。有關於深度學習為什麼有良好泛化能力的理論猜想文章在最新的 nips 聽說也錄了好幾篇。這都說明了沒有什麼行業可以靠吃老本一直瀟灑下去，我們還需要追新的熱點。但機器學習的範圍和領域真的很廣，上面所說的都還是有監督的深度學習，無監督的神經網路和深度強化學習也是現在火熱的研究領域。所以我的建議是盡量關注、學習了解已經成熟和已經有例項的新熱點，不要凡熱點必追。
工業機械人技術未來的發展方向
隨著自動化大趨勢的發展，機械人將取代工具機成為新一代工業生產的基礎。但這發生的前提是工業機械人技術得到突破，克服現有的問題。工業機械人技術未來的發展方向 1 智慧型化。智慧型化就是機械人的操控將越來越簡單，很多東西機械人就能自主判斷，不需要人示教，不需要高階的技術人員操作。智慧型化也就是傻瓜化。2 ...
未來的全能保姆機械人作文 未來的保姆機械人
你會想如果有乙個保姆機械人，那就輕鬆多了！今天我就設計了一種機械人。為什麼我要設計保姆機械人呢？因為有了保姆機械人，我們一家就不用幹活了。保姆機械人長得胖乎乎的，眼睛小小的，還戴著一頂粉紅色的帽子，可愛極了。一天，爸爸媽媽都出去了，只有保姆機械人陪我，我先做好了作業，一看時間，已經10點了，我又看了...
機械人genghis 家用機械人的未來
家用機械人的未來 在未來智慧型生活的場景中，機械人將幫助互聯硬體更 好理解家居環境。人工智慧還不夠 無法進行有效的操控。真正的問題是對智慧型生活 智慧型家居場景的理解不夠。安格爾是一位機械人科學家，在麻省理工大學畢業的改 變人類生活的科學家排名中，他位列 名。由他建立的 irobot 公司所生產的安...