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》。
內容
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。
作者介紹
其他章節
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
