新智元报道
编辑：LRS
【新智元导读】吴恩达最近写了两封信，为AI从业者的职业生涯进行指导，最重要的就是终生学习！｜还在纠结会不会错过元宇宙和web3浪潮？清华大学科学史系副教授胡翌霖，这次给你讲个透！
人工智能的迅速崛起使得人工智能工作岗位的迅速增加，许多人正在这个领域开启全新的职业生涯。
但职业生涯是一个长达数十年的旅程，而且道路并不总是平坦。
多年来，我有幸看到数以千计的学生以及大大小小的公司的工程师在人工智能领域的职业规划。
我想分享一些想法，这些想法可能对你规划自己的路线有帮助。
升职加薪三步走
职业发展的三个关键步骤是学习（获得技术和其他技能），在项目中工作（深化技能，建立作品集，并创造影响）和寻找工作。
这些步骤是相互叠加的。
- 最初，你需要专注于获得基础的技术技能。
- 在获得基础技能后，你就可以进入项目工作。在这期间，你可能会不断学习新知识。
- 后来，你可能偶尔会进行一次求职。在这个过程中，你可能会继续学习并从事有意义的项目工作。
这些阶段几乎适用于所有的职业，但AI行业还包括一些独特的元素。
人工智能是新生事物，许多技术仍在不断发展。虽然机器学习和深度学习的基础正在成熟，而课程学习是掌握基础知识的有效途径。但在这些基础之外，与那些更成熟的领域相比，在人工智能领域，跟上不断变化的技术更加重要。
项目工作往往意味着与缺乏人工智能专业知识的利益相关者合作，这可能会使寻找一个合适的项目、估计项目的时间表和投资回报，以及设定期望值成为一个挑战。
此外，人工智能项目的高度迭代性导致了项目管理的特殊挑战。当你事先不知道要花多长时间才能达到目标精度时，你怎么能拿出一个构建系统的计划？即使在系统达到目标后，也可能需要进一步迭代以解决部署后的漂移问题。
虽然在人工智能领域寻找工作可能类似于在其他行业寻找工作，但也有一些区别。许多公司仍在试图弄清楚他们需要哪些人工智能技能，以及如何雇用拥有这些技能的人。你所做的事情可能与你的面试官所看到的有很大不同，你可能需要向潜在的雇主介绍你工作的一些内容。
在这些步骤中，找到一个支持社区会有很大的帮助。有一群可以帮助你的朋友和盟友，以及你努力帮助的人，会让你的道路更加轻松。
无论你是迈出第一步还是已经在这条路上走了很多年，都是如此。
我很高兴能与你们所有人合作，发展全球人工智能社区，这包括帮助我们社区的每个人发展他们的事业。
学习技术
已发表的关于人工智能的论文比任何一个人一生中能读到的内容还要多。因此，在你努力学习的过程中，优先选择课题是至关重要的。
我认为对于机器学习的技术职业来说，最重要的课题包括：
基础的机器学习技能
例如，了解线性回归、逻辑回归、神经网络、决策树、聚类和异常检测等模型很重要。除了具体的模型，更重要的是了解机器学习如何以及为什么工作背后的核心概念，如偏见/差异、成本函数、正则化、优化算法和误差分析。
深度学习
这已经成为机器学习的一个重要部分，如果不了解它，就很难在这个领域出类拔萃! 了解神经网络的基础知识、使其发挥作用的实用技能（如超参数调整）、卷积网络、序列模型和Transformer是很有价值的。
与机器学习相关的数学
关键领域包括线性代数（向量、矩阵和它们的各种操作）以及概率和统计（包括离散和连续概率、标准概率分布、基本规则，如独立性和贝叶斯规则，以及假设检验）。
此外，探索性数据分析（EDA），即使用可视化和其他方法来系统地探索一个数据集是一项被低估的技能。我发现EDA在以数据为中心的人工智能（data-centric AI）开发中特别有用，在那里分析错误和获得洞察力可以真正帮助推动进展。
最后，对微积分有一个基本的直观理解也会有帮助。在之前的信中，我描述了做好机器学习所需的数学知识是如何变化的。例如，尽管有些任务需要微积分，但改进后的自动微分软件使得发明和实现新的神经网络架构更容易，而无需做任何微积分。这在十年前几乎是不可能的。
软件开发
虽然你可以只靠机器学习建模技能就能找到工作并做出巨大贡献，但如果你还能写出好的软件来实现复杂的人工智能系统，你的工作机会就会增加。
这些技能包括编程基础，数据结构（特别是那些与机器学习有关的，如数据框架），算法（包括那些与数据库和数据操作有关的），软件设计，熟悉Python，以及熟悉关键库，如TensorFlow或PyTorch，以及scikit-learn。
这是一个需要大量学习的内容! 即使在你掌握了这个列表中的所有内容之后，我希望你能继续学习，继续深化你的技术知识。
我认识很多机器学习工程师，他们在自然语言处理或计算机视觉等应用领域，或在概率图形模型或构建可扩展软件系统等技术领域，都从更深的技能中受益。
至于如何获得这些技能？
互联网上有很多好的内容，理论上，阅读几十个网页也是可以的。但当目标是深入理解时，阅读不连贯的网页是很低效的，因为它们往往相互重复，使用不一致的术语（这使你的学习速度减慢），质量不同，并留下一些技术空白。
这就是为什么一个好的课程，其中的材料被组织成一个连贯的逻辑形式，往往是掌握一个有意义的知识体系的最省时的方法。
当你吸收了课程中的知识后，你可以转向研究论文和其他资源。
最后，请记住，没有人可以在一个周末甚至一个月内把所有需要的知识都塞进去。我认识的每一个在机器学习方面表现出色的人都是一个终身学习者。
事实上，鉴于我们的领域变化如此之快，如果你想跟上时代的步伐，除了不断学习，别无选择。
如果你养成每周学习一点的习惯，你就能以感觉上较少的努力取得重大进展。
参考资料：
https://read.deeplearning.ai/the-batch/issue-151/
