此篇文章有PODCAST可以聽喔
內容來自 deeplearning.ai的 How to Build Your Career in AI 《如何建立你的 AI 職業生涯》。
在上一章中,我介紹了構建 AI 職業生涯的三個關鍵步驟:學習基礎技術技能、參與專案,以及尋找工作,所有這些都需要一個支持性的社群來共同成長。在本章中,我想更深入探討第一步:學習基礎技能。
關於 AI 的研究論文已經多到一個人一生都讀不完。所以,在學習時,選擇學習的主題變得至關重要。我認為,以下是機器學習領域中最重要的主題,對於建立 AI 職涯至關重要:
機器學習的基礎技能
例如,了解各種模型是很重要的,如線性迴歸、邏輯迴歸、神經網絡、決策樹、分群演算法,以及異常檢測。除了具體的模型外,更重要的是了解背後的核心概念,以及為什麼和如何這些模型能夠運作,例如偏差/方差、成本函數、正則化、優化演算法,以及錯誤分析。
深度學習
這已經成為機器學習中很大的一部分,很難在完全不了解它的情況下脫穎而出。掌握神經網絡的基本概念非常有價值,包括使其運作的實踐技能,如超參數調整、卷積網絡、序列模型,以及變壓器(transformer)。
與機器學習相關的數學
關鍵領域包括線性代數(向量、矩陣及其各種操作)以及機率與統計(包含離散與連續機率、標準機率分佈、基礎規則,如獨立性和貝葉斯法則,還有假設檢驗)。此外,探索性數據分析(EDA)——使用視覺化和其他方法來有系統地探索數據集——是一項被低估的技能。我發現 EDA 對於以數據為中心的 AI 開發特別有用,當你分析錯誤和獲得見解時,能真正加速進展。最後,有一些基本的微積分直覺是很有幫助的。不過,做 AI 的數學需求正在變化。例如,雖然有些任務需要微積分,但改進的自動微分軟體,使得不需要自己做微積分就能實現和應用神經網絡架構。
軟體開發
當你能找到一份工作,並用自己的技能做出巨大貢獻時,你的職涯機會將會倍增,尤其當你能夠編寫軟體來實作 AI 系統時。這些技能包括編碼基礎知識,數據結構(特別是與機器學習相關的數據操作,如數據框架)、演算法(特別是數據庫和數據操作相關的部分)、軟體設計,以及熟悉像 TensorFlow 或 PyTorch 這樣的 AI 開發框架,和 scikit-learn 這樣的機器學習庫。
學習這些技能真的不少!
即使你掌握了這些清單上的每樣東西,我也希望你能繼續學習並深入你的技術知識。我認識許多機器學習工程師,他們受益於在應用領域更深入的技能,如自然語言處理、計算機視覺,或是在技術領域,如機率圖模型或可擴展軟體系統的構建。
你如何獲得這些技能?
網路上有很多很棒的內容,理論上,閱讀許多網頁或許能行得通。但當目標是深度理解時,這種方式效率不高,因為這些網頁往往重複內容、用詞不一致(讓你放慢速度)、質量參差不齊,還有很多缺漏。這就是為什麼一門好的課程——內容有組織地編排,並且邏輯清晰——往往是最有效率的方式來掌握一個有意義的知識體系。當你已經掌握課程中的知識,你可以轉向研究論文和其他資源。
最後,沒有人可以在一個週末或一個月內把所有該學的東西全學完。每個優秀的機器學習專家,都是終身學習者。考慮到我們這個領域變化之快,要想跟上,別無選擇,只能持續學習。
你如何在數年內保持穩定的學習節奏?
如果你能養成每週學習一點點的習慣,即使是很小的進步,也能在不知不覺中取得顯著的成效。
建立新習慣的最佳方法
我最喜歡的一本書是 BJ Fogg 的《Tiny Habits: The Small Changes That Change Everything》。Fogg 解釋說,建立新習慣的最佳方法是從小開始,並確保成功,而不是試圖做太多,導致失敗。例如,如果你想每天運動 30 分鐘,他建議你先從一個伏地挺身開始,並且持之以恆。
這種方法對於那些想花更多時間學習的人或許有幫助。如果你從每天看 10 秒鐘的教育影片開始,並且持續這麼做,每天學習的習慣將自然而然地成長起來。即使你在這 10 秒鐘內什麼都沒學到,你也在建立每天學習的習慣。有時候,你可能會發現自己學著學著,一不小心就學了一個小時或更長時間。
第五章-找到符合職涯目標的専案
第六章-打造展示技能成長的專案作品集
第七章-啟動AI求職之旅的簡單框架
第八章-利用資訊訪找到適合的工作
第九章-找到適合你的AI工作
第十章-打造AI職涯的關鍵
第十一章-克服冒牌者症群