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
你需要掌握多少數學，才能成為一名機器學習工程師？數學是 AI 的基礎技能嗎？多學一點數學當然總是好的！但要學的東西實在太多了，所以現實情況下，我們必須優先排序。這裡有一些增強數學背景的實用方法。
如何弄清楚需要學什麼？
要搞清楚哪些內容是必須學習的，我認為有用的方法是問自己：你需要知道什麼來做出工作中所需的決策？在 DeepLearning.AI，我們經常會問：「要實現他們的目標需要知道什麼？」這個目標可能是構建一個機器學習模型、設計系統架構，或通過面試。
理解你所使用演算法背後的數學知識，通常很有幫助，因為這樣能夠讓你排除錯誤。但有用的知識深度會隨時間變化。隨著機器學習技術越來越成熟、越來越可靠且易於使用，它們需要的調試越來越少，而淺層的數學理解也許已足夠讓它們運行。
例如，在機器學習的早期階段，用於求解線性方程組（如線性迴歸）的線性代數庫還不夠成熟。我需要了解這些庫是如何運作的，才能在不同的庫之間做出選擇，並避免數值誤差的問題。但隨著數值線性代數庫的改進，這種深入理解變得不再那麼重要。
深度學習仍然是一項新興技術。當你訓練神經網絡時，如果優化演算法難以收斂，理解梯度下降、動量（momentum）、和 Adam 優化演算法背後的數學原理，會幫助你做出更好的決策。同樣地，如果你的神經網絡出現奇怪的行為，比如它只能在某種解析度的圖片上做出正確預測，而對其他圖片無法預測，理解神經網絡架構背後的數學原理，將有助於你決定該怎麼做。
當然，我也鼓勵你憑著好奇心學習。如果某個主題讓你興奮，無論它未來是否真的有用，都可以去學習！也許這會帶來創造性的靈感，或技術上的突破。
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
