两年前，我大学毕业。
由于我的专业是经济学和金融学，因此我准备从事金融业。
投资银行和环球市场——这些都是我梦寐以求的事情。
在毕业前 9 个月，我在一家投资银行谋到了一个职位，我感到很自满，由于那家银行非常难进，如果没有在那家银行演习过，常日是很难通过口试的。

事情几个月后，我学会了 Excel VBA，并学会了如何利用 Tableau、Power BI 和 UiPath（一个机器人自动化软件）。
我意识到我更感兴趣的是学习这些工具和代码，而不是学习银行产品。
银行产品曾一度因其繁芜性而引起我的兴趣，现在却被视为银行从客户身上赚牟利润的一种办法。

其余，银行业的事情环境和我的个人代价不雅观差异很大，这对我来说是一个巨大的寻衅。

在这个时候，我的一位同事带我看到了「机器学习」的天下。
一个人可以「预测」到哪些投入会产生若何的结果，这让我非常感兴趣。

但有一个问题：我对付编程理解的不是很多。
在我的字典里，Python 是一种蛇，而 Pig 是......一头猪。

两年后的本日，我即将进入人工智能行业，成为一名 AI 工程师。
这段经历并不随意马虎，韶光也不短。
对我来说，向人工智能家当的转型仅仅是一个开始——对我来说，这是一个学习和发展的新出发点。
本文便是我的经历。

免责声明

每个人的数据科学之旅都是不同的。
这篇文章不是关于「如何学会人工智能」的，不应该被看作是一个循规蹈矩的指南。
这只是我个人的经历，我希望能勉励人们去做他们想做的事，由于生命太短了，不能活得没故意义。

我的旅程

加入 MOOC 课程学习

虽然有经济和金融背景，但我不知道如何编码。
Excel VBA 和编码很靠近，但也只是相似。
作为一个精良的人，为了进入数据科学的行业，我报名参加了 MOOC 上的一些大规模的在线开放课程。
以下是我报名参加的课程清单：

Python BootCamp: Go from zero to hero in Python 3 [Udemy]

Python for Data Science and Machine Learning Bootcamp [Udemy]

Managing Big Data with MySQL [Coursera]

Java Tutorial for Beginners [Udemy]

The Web Developer Bootcamp [Udemy]

Machine Learning A-Z: Hands-On Python & R in Data Science [Udemy]

Deploy Machine Learning & NLP Models with Docker [Udemy]

但是，除了加粗的部分，大部分课程我都没有完成。
由于得到知识太随意马虎了，我陷入了恶性循环，我很自然而然地在一门课程没有学完的时候转到另一门课，并且兴趣须臾即逝。

对我来说，这是 MOOC 最大的缺陷——内容的简洁性。
或者，我最初的期望是 MOOC 可以推动我从事数据科学的职业，这可能太天真了。

为了让人印象深刻，一个教授传统机器学习（ML）方法的范例 MOOC 课程常日会略过诸如模型实际是做什么的这种根本知识。
你会学到随机森林是决策树的凑集，但不会学到决策树是如何决定在哪个分支（即熵的观点和数学事理）上选择哪些特色不被覆盖。
支持向量机只是作为一种分类方法来教，但如何确定超平面将不包括在课程内。

「我知道的」和「我须要知道的」之间的这种差异在我学习人工智能的更高等领域（如深度学习）时得到了证明。
教授深度学习的 MOOC 课程常常在 Tensorflow 中向 MNIST 这样一个好的数据集抛出一堆代码，并见告你，你现在是一个深度学习专家了。
这显然与现实相去甚远，由于论文常日包括繁芜的体系构造，个中涉及到深度神经网络模型中特色提取的理解，以及其他更繁芜的特色，如 transformer 和双向编码。
理解最前辈的模型比较其他模型的上风在哪里，这一点也很主要，同时迁移学习和元学习等观点也是很主要的。

在我看来，MOOC 课程常常给人一种错觉，即任何人都可以成为 ML 实践者。
它可能会让初学者以为，ML 只是涉及 .fit和 .predict的几行代码，这是由于 MOOC 为了让人们可以相对轻松地开始利用 ML（大概由于 ML 干系的大量宣扬，将这些课程货币化及其有利可图）而以这些作为传授教化材料。

别误会我的意思，MOOC 课程很好，它为人们供应了一种快速而大略的办法来获取知识并开始某个话题。
但是，它们会让你成为专家吗？显然不能。
你在完成课程后做什么，将决定你是否成为专家。

学习更多技能

在完成了几次 MOOC 课程之后，我知道自己还是什么都不会。
当然，我知道了 Python 中的一些基本技能，知道如何利用 sci kit 从.fit和.predict。

为了提高我的编程技能，我在 Hackerrank 上练习并完成了 SQL 和 Python 干系的题目。
同时，我希望有一个真实的 Python 项目。
就在那时，我开始研究一种可以为我预订羽毛球场的机器人。
这个项目紧张包括利用 Selenium 与浏览器交互、浏览网页、终极下单并支付羽毛球场的用度。
其动机是，新加坡的羽毛球场常日提前两周就预订满了，很多人每天都会在发售韶光在预订网站扎营，而羽毛球场常日在一两秒钟内就被预定完了。

只管我对用 Python 编写代码有信心，但我对代码效率一无所知。
韶光和空间繁芜度对我来说完备是陌生的。
面向工具编程在我的脑海中是一个从未有过的观点。

在 ML 方面，我是 Jupyter notebook 的专家。
我可以将我的 Jupyter notebook 的主题改为「阴郁模式」，并闇练利用所有的快捷键。
显然，我已经准备好担当数据科学家的角色。

然而，我在口试中惨败。
在进入「数据科学」领域之前，涉及到代码的测试就已经将我拒之门外了。
我申请了技能剖析师的职位，但被推举到另一个部门，由于他们以为我更适宜做业务剖析师。

我离我该去的地方很远。

教室学习远远不足

为了深入理解 ML 并磨练我在 Python 方面的技能，我决定在 Singapore Management University 攻读 AI 专业的 IT 商业硕士。

我学习了传统 ML 模型背后的数学知识，并在一个数据集上运用了最前辈的深度学习架构。
我学习了一些关于人工智能的主要观点，包括常用的搜索算法、Q-学习和深度 Q-学习。
我理解了算法设计，包括图形算法、韶光和空间繁芜度、名称匹配算法以及更多的算法，它们刷新了我的认知。
从实质上讲，这门课程为我供应了 MOOC 所缺少的学术严谨性。

在这个时候，我手上有几个项目。
它们不是成熟的项目，其数据集常日是从 Kaggle 得到的。
深度学习模型在 Docker 上运行是为了保持同等性，但从来没有考虑到支配的任何方面。
毕竟，他们是学校的项目。

在我看来，硕士阶段的学习为人工智能专业人士供应了必要的学术严谨性，但缺少实际运用方面的知识。
硕士课程不会见告你什么是得到数据科学事情的必要条件，你必须自己去弄清楚。
软件工程和开拓技能常日是数据科学家事情范围的一部分（只管不全面）。
代码的协作在大型组织中也很主要。
因此，理解如何设置 Docker 环境、启动 AWS EC2 实例、在 Azure blob 存储上托管数据集、高效地组织代码以及利用 GitHub 或 GitLab 进行版本掌握，是一些须要的关键技能，但教室上没有讲授。

去考试测验吧，纵然你以为自己不足好。

我连续口试，只管大多数口试都不及格，但我积累了大量技能口试和非技能口试的履历。
它们让我知道了自己的知识漏洞，我花韶光学习了这些技能。
更主要的是，它让我理解了不同类型的事情内容，不同的公司对同一个职位的哀求是什么。

两年后，我得到了一个 AI 工程师的职位。
对我来说，这是一个很好的机会，我可以在一个我热爱的领域学习和发展。
更主要的是，我的经历证明了任何人都可以完成他们打算做的事情，只管有些人可能须要比其他人花更长的韶光。

归根结底，职业生涯是一场马拉松，而不是短期冲刺。
做你喜好做的事，由于你将花费生平中很大一部分的韶光事情。

如果你感到迷茫，记住 Elsa 所说的话：做下一件精确的事。

via：https://towardsdatascience.com/i-had-no-idea-how-to-write-code-two-years-ago-now-im-an-ai-engineer-13c530ab8227

雷锋网雷锋网雷锋网