内容简介：作为AI从业者，笔者经常被问及关于相关文章请参见：
作为AI从业者，笔者经常被问及关于 入行或转行AI 的问题，其中颇有一些高频重复出现，今天总结出来几个，供大家参考。
相关文章请参见：
《 入行AI，如何选个脚踏实地的岗位 》
《 制定“机器学习”学习计划【1】 》
《 制定“机器学习”学习计划【2】 》
《 制定“机器学习”学习计划【3】 》
问题1 ：年龄偏大了，而且之前也不是计算机相关专业的，怎么才能转行做AI？
这个问题经常被问其。有不少朋友，工作了几年之后，想转向AI技术岗位。但感觉 自己 年纪比较大了，或者有生活压力，考全日制的研究生不太现实。
偏偏大多数公司招AI工程师的时候，要求应聘者有相关专业硕士学位等学术背书。作为转行者，应该怎样提高专业背景？
针对这种情况，笔者的建议是： 从自己原来的专业领域入手 。
比如，一位原本制造业的自动化工程师，肯定对各种工业生产设备比较熟悉，了解各种各样的电机、传感器， 知道 这些设备输出信号的物理含义。
那么，当工业领域运用机器学习方法时，自动化工程师在特征工程方面就具备了相当的优势，这些领域知识，不是纯粹搞机器学习的人能比的。
至少在现阶段，机器学习、深度学习的实际落地都以数据为主——能够把实际问题转化成数值拿去运算，比把运算本身（算法）做得精巧要来的重要。
因此，转行的人员如果能够充分利用之前的专业背景，而不是抛弃它，以前的专业就会成为加分项。以此为突破转向AI，反而可能比去读一个学位更容易。
另外，现在许多行业都在尝试AI+，把AI技术应用于传统业务。这种大背景之下，如果想 转向AI岗位，不妨先在自己本行业内寻找机会 。
也许自己现在的单位就在做或者准备做AI+的项目，那么可以先争取加入进去。毕竟，在单位内部谋求一份新的工作内容，一般都比跳槽容易。
很多企业在尝试AI转型时，会聘用一些有AI背景的咨询人员，为他们做规划和解决方案。
外聘人员有机器学习方面的知识和技能，但是他们对业务领域不熟悉，需要本行业的人协助—— 在这个时候看看能不能成为他们的协助者，通过和专业人员合作来学习AI在实际领域的应用。
假设能够有这种经历，或者至少对自己行业的数据有足够深入的了解，对于业务应用有思考和尝试，就拥有了 XX行业AI实践经验。 而不必非要通过读书或者打比赛来提升背景。
问题2 ：我想入职人工智能行业，但发现要学的东西太多了，而且都那么难。是不是先多学两年，然后再去找工作？
这个问题也是蛮典型的。
客观的来讲，一个人去报考一个人工智能相关专业的研究生，或者自己在家安安心心的学两三年，之后再去求职，是不是的真的竞争能力就会提高？
虽然学术背景确实是加分项，但是笔者并不推荐“等两年再入职”这种做法。
首先，当一个人有这个想法的时候，其实是畏难情绪的体现。说白了“等两年”是一种逃避，而非计划。
现在不动手，往往并不是真的去学习了，而是从此就放弃了。
另外，就算有些人没有放弃，真的是去埋头学了，也不要忘了， 任何行业的高速上升都是有窗口期的 。
目前，人工智能正处在这样的一个窗口期。因为需求远大于供给，因此给大量没有学术背景的人提供了入行机会。
然而，这样的窗口稍纵即逝。很可能短则一两年，长则也不过三四年后就会关闭。等到那个时候，想入职AI，就不是光自学就可以，而是真的必须要有毕业证了。
想入行而不去抢时间点，趁着窗口期赶紧进去，反而说要在那里等，那么大概率的结果是将机会错过。
问题3 ：这是一个和问题2类似的问题——我想成为机器学习工程师，但是感觉难度太大。那我是不是先去尝试一下门槛更低的职位，比如做数据标注？数据标注工作做得好，是不是也可以“升级”成算法工程师？
应该说，在行业内部逆难度而上逐步达到职位升级的概率不是零，但是实际上可能性很小的。
对一个个人而言，以“做数据”的岗位入行，就已经给自己打上了一个标签，而别人也会以此来对TA进行归类。
难度不同的岗位，原本门槛不同，人们自然会为它们划定界限。要从做数据的岗位晋升到做工程，就要冲破一层天花板。
现实当中，真的能够冲破天花板的人极少。更何况这种原本已经很小的可能性，还受制于行业大势的。
当行业的岗位缺口开得很大的时候，进去相对还容易一点。
如果是在几年前，一个人从做数据标注工作入行，能接触到很多算法专家、机器学习工程师，一边借着做项目的过程拼命学习，一边等待机会——像机器学习工程师这类岗位，在一个时期内会非常急需人才——一旦遇到做工程的岗位空缺，就赶紧冲上去。
老板了解这是一个靠谱的人，愿意学习，有学习能力，又做过数据方面的工作，也许确实会给TA一个 进阶的机会。
但随着时间的推移，越往后，行业缺口越小，这种职位跃迁的可能性也就随之加倍缩小。
所以，笔者建议：想做机器学习工程师，就应该以此为目标努力学习，不要犹豫，不要等待，更不要逃避，从现在开始赶紧去学！
问题4 ：很多同学都会说：”我想从事XXX领域的工作（这里的领域多种多样，比如：股票预测，用AI治疗疑难杂症，计算机视觉，语音识别，强化学习等等），需要学习哪些知识？笔试面试怎么准备？”
大家首先要区分开研究和工程实践这两件事。
如果你是想去做研究——在高校、科研院所，或者大公司的研究院里做算法科学家，那么可以把重点放在某一项具体的技术上面，比如强化学习。
假设你就是想研究强化学习，那你可以去大学、研究所，还有一些这方面走在比较前沿的公司，诸如Facebook，DeepMind等等，到那里去求职，做算法研究。当然，一般走到这一步都至少要有个博士学位才行。
但是如果你想做的是工程，准备求职的是工程类技术岗位，就不是用某一种技术来做区分的了。
在工业界，领域的区分是产品导向的，对标的是一个个应用方向，比如人脸识别、语音识别等。
在应用方向之下，具体用什么样的技术则要看当时的需求。并不是说要去做计算机视觉，就只会用cnn就行了。要解决实际问题，往往会将各种学术界的成果结合起来使用，并根据具体的限制与要求进行改进。
在这个过程中，会不会用到某一种技术，决定因素非常多样，要看该技术能否支持需求解决；客观的设备、人员、时间是否允许采用这种技术； 你的老板是否有动力做这方面的尝试 等……
做工程的过程中要用到的 工具 有很多，而无论做工程还是做研究，都要具备最基础的知识！
经典的机器学习模型，常见的深度学习网络，以及模型训练和推断（预测）的整个流程，都必须掌握。
如果你就是对某一种应用特别感兴趣，比如就是想要预测股票，那你完全可以自己先试一试，毕竟股票数据到处都有。
虽然早就已经有许多人才和机构尝试用机器学习的办法解决投资股票的问题，但直到现在，就长期的股票预测而言，机器还是完败给人类的。
你要做互联网金融，或者想去金融企业做机器学习，都还有对应岗位可找，但好像并没有某一类工业界的职位是让你一天到晚坐在那儿只预测股票价格的。
至于AI在医疗方面的落地，更多不是技术问题，而是体制壁垒和数据获取的问题。
要做医疗AI，首先得能和医院对接上。就算有渠道做到这一步，大量的病例都是手写的，而且大夫的那种手写体，有什么办法把它电子化，用计算机管理起来？
这获取数据的第一步，就是目前AI+医疗都还没有解决的问题。连最基础的数据管理和统计都没有，还谈什么数据分析，谈什么AI？
说到笔试和面试，所有的笔试和面试一定会从基础的知识问起。
比如，面试时面试官往往会选定一种经典模型（早些年是线性回归，前两年是逻辑回归，现在可能已经到了SVM了），问你它的模型函数是什么？目标函数是什么？最优化算法有哪些？然后看你能否把函数公式写清楚，能否把过程一步步说清楚。
大家不必太功利。有具体的职业目标是好的，但在这个目标之前， 先要把基础掌握好 。
先学会那些最经典的模型，例如：Linear Regression，Logistic Regression，Naive Bayes，Decision Tree， SVM，HMM，CRF，Clustering，GMM，PCA等。
沉下心来把基础打牢，到了面试的时候，自然就能对答如流了 。
小编直通车：扫描下列二维码添加联系人
“众智汇” 愿景
尽职尽才，允公允能 —— 本社群不定期举行线上分享，组织群友分享知识、经验、资源，以达到 让我们每个人的职业生涯得到最大程度的发展 的目的 。
往期线上分享实例
成全自己的热爱与疯狂——从医生到创业者+动漫创作者，梦想使然
欢迎扫面下列二维码关注“悦思悦读”公众微信号
以上所述就是小编给大家介绍的《关于入行 AI 的几个常见问题》，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持！
猜你喜欢:
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
Effective STL中文版
[美]Scott Meyers / 潘爱民、陈铭、邹开红 / 清华大学出版社 / 2006-1 / 30.00元
STL是C++标准库的一部分。本书是针对STL的经验总结，书中列出了50个条款，绝大多数条款都解释了在使用STL时应该注意的某一个方面的问题，并且详尽地分析了问题的来源、解决方案的优劣。一起来看看 《Effective STL中文版》 这本书的介绍吧!
