入行AI最需要的五大技能

摘要：作為一名軟體工程師，我們應該活到老學到老，時刻與不斷發展的框架、標準和正規化保持同步。同時，還要能活學活用，在工作中使用最合適的工具，以提高工作效率。隨著機器學習在越來越多的應用程式中尋得了一席之地，越來越多的程式設計師加入ai領域，那麼，入行ai領域需要哪些技能呢？

作為一名軟體工程師，我們應該活到老學到老，時刻與不斷發展的框架、標準和正規化保持同步。同時，還要能活學活用，在工作中使用最合適的工具，以提高工作效率。隨著機器學習在越來越多的應用程式中尋得了一席之地，它成為了廣大工程師迫切希望掌握的一門課題。

機器學習比乙個新的框架更難掌握。要成為一名高效的實踐者，你需要深入理解該領域相關的理論，廣泛了解這個行業的現狀，以及具備以非確定性的方式構建問題的能力。

以下是我們與50多個頂尖機器學習團隊的一些對話，他們來自海灣地區和紐約，這次來到insight公司是為了探求人工智慧從業者需要共同面對的問題，並希望能夠加快自己融入應用人工智慧領域的步伐。

部署機器學習解決方案不僅僅是用資料對任意乙個模型進行訓練。你還需要了解：

換句話說，要對模型進行整合、部署和除錯，除了要具備工程上的能力之外，你還需要了解統計的基本原理、線性代數和優化理論。

要針對某個問題構建乙個定製化的機器學習解決方案，需要考慮的東西涵蓋了從資料的獲取、標記和預處理到模型的構建、更新和服務，以及這個過程中的所有一切。

最後，我們認為，為標準web應用程式構建一套rest api是乙個可以提前完成的任務。另一方面，機器學習模型不總是能保證收斂或者產生可用的輸出。學習如何審視和交付有影響力的機器學習產品的最佳方法是了解其理論基礎是如何與資料分類學相關聯的。

要深入理解機器學習，必須要有紮實的統計學基礎知識，這涉及到幾個方面：

在訓練神經網路的時候，實際上發生了什麼？是什麼使得某些任務可行，而其他任務不可行？要弄清楚這些問題，最好的方法不是深入研究理論知識，而是試著通過圖形和示例來了解機器學習。

需要理解的概念範圍包括：不同的損失函式的工作原理是什麼、為什麼反向傳播是有用的、計算圖是什麼。而對於如何建立乙個功能模型，以及如何跟團隊裡的其他人員進行有效地交流，這些都需要深入地理解。下面我給出了一些參考資料：

另乙個基本技能是閱讀、理解和實施**的能力。這個一開始做起來可能會感覺比較困難，所以最好的方法就是閱讀附帶**的**（例如，研究gitxiv上的**），並試著去理解它是如何實現的。

如果你去問任何乙個資料科學家他們的主要工作是什麼，他們會告訴你，90％的工作是資料處理。這與應用ai同樣重要，因為模型的成功與否與資料的質量（和數量）強相關。資料工作包含多個方面，但可歸納為下面幾類：

資料集，以及很多提供api的社交**和新聞****。基於上面提到的幾個步驟，我們可以這樣進行學習：

除錯機器學習演算法（無法收斂，或者得到的結果不合理）與除錯普通**有著很大的區別。同時，要找出合適的架構和超引數則需要具備紮實的理論基礎和完備的基礎架構，以便對不同的配置進行徹底的測試。

由於目前機器學習領域發展迅猛，而除錯模型的方法也在不斷地發展。以下是從我們部署模型的討論和經驗中總結出來的「合理性檢查」列表，這些條目也以某種方式反映了許多軟體工程師熟悉的kiss原理。

你的開發能力越強，則這些步驟實現起來就越快，反之亦然。

許多的應用機器學習允許你充分發揮自己在軟體工程方面的技能，雖然有時也會有一點小改變。這些技能包括：

以上那些資源能幫你處理和解決實際的機器學習問題。但是，應用ai這個領域的變化非常快，因此，最好的學習方式是親身實踐，嘗試構建乙個端到端的方案來解決乙個真正的問題。

行動項：

尋找一些靈感，然後深入研究！雖然你探索得到的模式和範例可能後來會被證明是錯誤的，但這對你也有好處，因為它能讓你更深入地了解問題的複雜性。

人工智慧是乙個令人興奮、不斷發展的領域。機器學習工程師對於獲取相關知識的需求非常強烈，但這很容易被相關的新聞所淹沒。我們建議你只跟蹤少量的資訊**和新聞信札，以便能夠將公關和抽象研究與該領域的創新分離。這裡有一些資料也許對你有所幫助：