近日，Insight AI 发布了一篇题为《Transitioning from Software Engineering to Artificial Intelligence》的文章，提出一名软件工程师如果打算转行做人工智能，需要掌握这 5 项技能：统计学、机器学习理论、数据整理、调试/调节模型、软件工程。

Chris Lesniewski-Laas 正在与 Insight AI 员工讨论 Dropbox 的机器学习问题

关于将机器学习作为一项技能

作为软件工程师关键在于要紧跟框架、标准以及范式的最新状态。软件工程师不停地努力学习，希望把最好的工具运用到工作中。机器学习在当今诸多的应用程序中找到了立足点，很自然地它就变成了许多工程师想要掌握的一项技能。

但是，相比于新框架机器学习更难掌握。作为一个高效的实践者，你需要充分理解该领域的理论、广泛掌握当前最尖端的知识，并且有能力以不确定的方式塑造问题。

网上很多的指南只会简单地教你如何在一个策划好的数据集上训练可以立即使用的模型，并达到一个不错的准确度，然后就结束了。事实上，要成为一个优秀的机器学习工程师必须掌握更加广泛的技能。

以下是我们与超过 50 个湾区和纽约顶尖的机器学习团队对话的精华部分，他们来到 Insight AI，准备好解决其问题并加速实现人工智能应用的普及。

为什么机器学习不只是「另一个工具」

部署机器学习的解决方案不仅仅是在你的数据集上随意训练一个模型。它需要理解以下内容：

你拥有的数据类型、它的统计学分布方式、它含有什么偏差。适用于你的特定数据集的统计模型，以及这些模型成功的可能性。相关指标的优化以及你的模型输出的意义。

换句话说，为了整合、部署以及调试模型，除去工程学的知识，你还需要有统计学、线性代数和优化理论的基础知识。

为一个问题搭建特定的机器学习解决方案，你需要考虑从数据的获取、标记和预处理到构建、更新并服务一个推理模型以及中间的一切等问题。

最终，我们认为可以提前为标准的网站搭建一个数据接口(REST API)。我们不能保证机器学习模型总是收敛或产生有用的输出。学习如何审视和传递有效的机器学习产出的最佳方式是理解其理论基础与数据分类之间联系的方式。

转行人工智能你需要掌握这 5 项技能

1. 统计学

为了理解机器学习，坚实的统计学基础知识是必须的。这包括：

2. 机器学习理论

当你在训练神经网络时，实际上发生了什么?是什么使这些任务可行而其它的不行呢?对待该问题的好方法是，在深入理解理论之前机器学习 股票分析，首先通过图和实例理解机器学习。

需要理解的概念有不同的损失函数工作的方法，反向传播有用的原因，以及计算图究竟是什么。深入理解构建函数模型并且与团队其他成员有效地对其进行沟通非常关键。以下是一些资源，以高层概述开始，逐渐深入。

另一个基础技能是有能力阅读、理解和实验研究论文。起初看上去这似乎是一个艰巨的任务，所以一个不错的方法是从一篇后面附有代码的论文开始，并深入理解其实现。

3. 数据整理(Data Wrangling)

问任何一个数据科学家，他们会告诉你其 90% 的工作是数据再加工(data munging)。它对于应用人工智能的重要性就如同你的模型的成功与你的数据的质量(和数量)高度相关一般。数据在许多方面起作用，可分为以下几个类别：

熟悉数据整理的最好方法是掌握原始的数据集，并尝试使用它。网上有很多的数据集并且许多社交媒体和新闻媒体网站都有着很好的应用程序接口。遵循以下步骤是一个不错的学习方法：

4. 调试/调节模型

对一些不收敛或者包含与调试代码非常不同的过程但是给出合理结果的机器学习算法进行调试。同样地，找到正确的架构和超参数需要坚实的理论基础，良好的基础建设工作可以测试不同的配置。

由于该领域在向前发展，调试模型的方法也在不断进化。以下是从我们的讨论和部署反映了 KISS 理论和软件工程师之间的熟悉度的模型的经验中得来的「合理性检查(sanity checks)」。

来源【首席数据官】，更多内容/合作请关注「辉声辉语」公众号，送10G营销资料！