人工智能的迅速崛起使得人工智能工作崗位的迅速增加，許多人正在這個領域開啟全新的職業(yè)生涯。

但職業(yè)生涯是一個長達數(shù)十年的旅程，而且道路并不總是平坦。

多年來，我有幸看到數(shù)以千計的學生以及大大小小的公司的工程師在人工智能領域的職業(yè)規(guī)劃。

我想分享一些想法，這些想法可能對你規(guī)劃自己的路線有幫助。

升職加薪三步走

職業(yè)發(fā)展的三個關鍵步驟是學習（獲得技術和其他技能），在項目中工作（深化技能，建立作品集，并創(chuàng)造影響）和尋找工作。

這些步驟是相互疊加的。

• 最初，你需要專注于獲得基礎的技術技能。

• 在獲得基礎技能后，你就可以進入項目工作。在這期間，你可能會不斷學習新知識。

• 后來，你可能偶爾會進行一次求職。在這個過程中，你可能會繼續(xù)學習并從事有意義的項目工作。

這些階段幾乎適用于所有的職業(yè)，但AI行業(yè)還包括一些獨特的元素。

人工智能是新生事物，許多技術仍在不斷發(fā)展。雖然機器學習和深度學習的基礎正在成熟，而課程學習是掌握基礎知識的有效途徑。但在這些基礎之外，與那些更成熟的領域相比，在人工智能領域，跟上不斷變化的技術更加重要。

項目工作往往意味著與缺乏人工智能專業(yè)知識的利益相關者合作，這可能會使尋找一個合適的項目、估計項目的時間表和投資回報，以及設定期望值成為一個挑戰(zhàn)。

此外，人工智能項目的高度迭代性導致了項目管理的特殊挑戰(zhàn)。當你事先不知道要花多長時間才能達到目標精度時，你怎么能拿出一個構建系統(tǒng)的計劃？即使在系統(tǒng)達到目標后，也可能需要進一步迭代以解決部署后的漂移問題。

雖然在人工智能領域尋找工作可能類似于在其他行業(yè)尋找工作，但也有一些區(qū)別。許多公司仍在試圖弄清楚他們需要哪些人工智能技能，以及如何雇用擁有這些技能的人。你所做的事情可能與你的面試官所看到的有很大不同，你可能需要向潛在的雇主介紹你工作的一些內容。

在這些步驟中，找到一個支持社區(qū)會有很大的幫助。有一群可以幫助你的朋友和盟友，以及你努力幫助的人，會讓你的道路更加輕松。

無論你是邁出第一步還是已經在這條路上走了很多年，都是如此。

我很高興能與你們所有人合作，發(fā)展全球人工智能社區(qū)，這包括幫助我們社區(qū)的每個人發(fā)展他們的事業(yè)。

學習技術

已發(fā)表的關于人工智能的論文比任何一個人一生中能讀到的內容還要多。因此，在你努力學習的過程中，優(yōu)先選擇課題是至關重要的。

我認為對于機器學習的技術職業(yè)來說，最重要的課題包括：

基礎的機器學習技能

例如，了解線性回歸、邏輯回歸、神經網(wǎng)絡、決策樹、聚類和異常檢測等模型很重要。除了具體的模型，更重要的是了解機器學習如何以及為什么工作背后的核心概念，如偏見/差異、成本函數(shù)、正則化、優(yōu)化算法和誤差分析。

深度學習

這已經成為機器學習的一個重要部分，如果不了解它，就很難在這個領域出類拔萃! 了解神經網(wǎng)絡的基礎知識、使其發(fā)揮作用的實用技能（如超參數(shù)調整）、卷積網(wǎng)絡、序列模型和Transformer是很有價值的。

與機器學習相關的數(shù)學

關鍵領域包括線性代數(shù)（向量、矩陣和它們的各種操作）以及概率和統(tǒng)計（包括離散和連續(xù)概率、標準概率分布、基本規(guī)則，如獨立性和貝葉斯規(guī)則，以及假設檢驗）。

此外，探索性數(shù)據(jù)分析（EDA），即使用可視化和其他方法來系統(tǒng)地探索一個數(shù)據(jù)集是一項被低估的技能。我發(fā)現(xiàn)EDA在以數(shù)據(jù)為中心的人工智能（data-centric AI）開發(fā)中特別有用，在那里分析錯誤和獲得洞察力可以真正幫助推動進展。

最后，對微積分有一個基本的直觀理解也會有幫助。在之前的信中，我描述了做好機器學習所需的數(shù)學知識是如何變化的。例如，盡管有些任務需要微積分，但改進后的自動微分軟件使得發(fā)明和實現(xiàn)新的神經網(wǎng)絡架構更容易，而無需做任何微積分。這在十年前幾乎是不可能的。

軟件開發(fā)

雖然你可以只靠機器學習建模技能就能找到工作并做出巨大貢獻，但如果你還能寫出好的軟件來實現(xiàn)復雜的人工智能系統(tǒng)，你的工作機會就會增加。

這些技能包括編程基礎，數(shù)據(jù)結構（特別是那些與機器學習有關的，如數(shù)據(jù)框架），算法（包括那些與數(shù)據(jù)庫和數(shù)據(jù)操作有關的），軟件設計，熟悉Python，以及熟悉關鍵庫，如TensorFlow或PyTorch，以及scikit-learn。

這是一個需要大量學習的內容! 即使在你掌握了這個列表中的所有內容之后，我希望你能繼續(xù)學習，繼續(xù)深化你的技術知識。

我認識很多機器學習工程師，他們在自然語言處理或計算機視覺等應用領域，或在概率圖形模型或構建可擴展軟件系統(tǒng)等技術領域，都從更深的技能中受益。

至于如何獲得這些技能？

互聯(lián)網(wǎng)上有很多好的內容，理論上，閱讀幾十個網(wǎng)頁也是可以的。但當目標是深入理解時，閱讀不連貫的網(wǎng)頁是很低效的，因為它們往往相互重復，使用不一致的術語（這使你的學習速度減慢），質量不同，并留下一些技術空白。

這就是為什么一個好的課程，其中的材料被組織成一個連貫的邏輯形式，往往是掌握一個有意義的知識體系的最省時的方法。

當你吸收了課程中的知識后，你可以轉向研究論文和其他資源。

最后，請記住，沒有人可以在一個周末甚至一個月內把所有需要的知識都塞進去。我認識的每一個在機器學習方面表現(xiàn)出色的人都是一個終身學習者。

事實上，鑒于我們的領域變化如此之快，如果你想跟上時代的步伐，除了不斷學習，別無選擇。

如果你養(yǎng)成每周學習一點的習慣，你就能以感覺上較少的努力取得重大進展。