图源：Unsplash
常常有小伙伴私信给小芯，我没有编程根本，不会写代码，如何进入AI行业呢？还能遇上AI浪潮吗？
任何时候努力都不算晚。
下面，小芯就给大家讲一个朋友的真实故事，希望能给那些处于迷茫与徘徊中的小伙伴们一丝启示。（下文以第一人称阐述）
图源：Unsplash
正如Elsa所说，职业转换是一次“进入未知领域”的旅程。
两年前，我从大学毕业，主修经济学与金融学，做好了在金融业事情的统统准备。投资银行和环球市场是我空想的事情。毕业前9个月，我找到了在一家投行的事情，感到十分自满，由于如果之前没有在这家银行演习过就很难得到聘任的机会。
在那个岗位上干了几个月后，我学会了一些Excel VBA编程方法，以及如何利用Tableau、Power BI和UiPath（一款机器人过程自动化软件）。我意识到相对付银行产品，自己对利用这些工具和学习代码更有兴趣。我曾经对付银行产品的繁芜性很好奇，但现在创造它只是银行从客户身上获利的一种方法罢了。
银行环境对我的个人代价不雅观构成了极大的寻衅，但那是往后的话题。
同时，我的一位同事向我打开了“机器学习”的大门。输入特天命据就能“预测”特定结果，这一事实深深吸引了我。
我急速入迷了。
但问题来了，我的编程技巧太过根本。在我的字典里，Python是一种“蛇”，而Pig……是一只猪。
两年过去了，我将要进入人工智能（AI）行业，成为这个领域的一名工程师。这段旅程困难而漫长。对我而言，转战人工智能只是学习和发展的新开始。
图源：Unsplash
我的旅程
跳上慕课的宣扬列车
只有经济学和金融学背景，我不知道若何编程。ExcelVBA与编程十分靠近，但仅此而已。为了成为一名高造诣者，跳进数据科学的潮流，我报名参加了很多大型网络公开课（慕课）。以下是我报名的课程列表：
· python演习营：从零到英雄[Udemy]
· 数据科学和机器学习的python演习营 [Udemy]
· 利用MySQL管理大数据[Coursera]
· 初学者的Java教程[Udemy]
· Web开拓职员演习营[Udemy]
· 机器学习A-Z：数据科学中的python和R实践[Udemy]
· 利用Docker支配机器学习和NLP模型[Udemy]
毋庸置疑，大多数课程我都没能完成（只完成了标记粗体的课程）。我陷入了慕课自我延续的循环。知识的易获取性使得课程很自然地从一门课延续到下一门，由于覆盖的主题太简短，使我的兴趣须臾即逝，我常常还没上完前一门课就跳到了下一门。
对我而言，内容简短是慕课最大的缺陷。我本希望学完慕课就能得到一份数据科学的职业，但现在看来过于天真了。
为了供应不雅观点，教授传统的机器学习（ML）方法的慕课常常忽略了模型的实际浸染。慕课讲述随机森林算法是决策树的凑集，但并未解释决策树如何决定在哪个分支上选择哪个特色（如熵的观点和打算）。它只大略讲述了支持向量机是一种分类办法，但没有解释如何确定超平面。
在更前辈的AI领域（如深度学习）里，“我知道什么”和“我须要知道什么”大相径庭。教深度学习的慕课的惯用套路是：把一堆代码放到Tensorflow上，放在如MNIST的精良数据库中，并推断“你现在已经是一名深度学习专家了”（有些夸年夜，但你该当能懂我意思）。这与现实相差甚远，由于研究报告常常包含繁芜的构造，包括对深度神经网络模型中提取特色的理解，以及其他更繁芜的特色，如变压器和双向编码的理解。理解最前辈模型优于其他模型的缘故原由也很主要，以及一些观点如转移学习和元学习。
我认为，教ML的慕课常常给人以这样的错觉，即任何人都能成为一名ML从业者。他们天真的以为，ML仅仅是几行包含.fit()和.predict()的代码。这是由于慕课表示人们可以较为轻松的开始学习ML（或许正是对付ML的大量炒作使得这些课程利润丰硕）。
不过别误解我，慕课实在很棒。它使人们能方便快捷地得到知识，开始某个话题。但是它们能使你成为专家吗？明显不能。你在学完课程后所做的，才能决定你能否成为专家。
把手弄“脏”
完成几个慕课课程后，我一无所获。诚然，我学会了python的一些基本技能，知道如何通过.fit()和.predict()利用sci-kit learn，但仅此而已。
为了提高编程技巧，我在Hackerrank上进行练习并完成了与SQL和Python干系的问题。与其同时，我想将python运用于真实项目中。于是我开始研究用于预订羽毛球场的机器人，它紧张能利用Selenium与浏览器交互以进行网页导航，终极购买并支付定金（类似于运动鞋机器人）。我开始该研究的动机是，新加坡的羽毛球场常日提取两周就被订满了，常常一到放票韶光，许多人就每天在预订网站上露营抢票。（它们常日在一两秒内就被预订了）
虽然我对自己的python编程比较自傲，但我对代码效率一无所知。韶光和空间繁芜度对我来说是完备陌生的。对我而言，面对工具编程只是一个观点，我从未实战过（更不用说终极会被遗忘了）。
在ML领域，我是Jupyternotebook专家。我可以将Jupyter notebook的主题改为“阴郁模式”并充分利用键盘上所有快捷键。显然，我已经准备好接管数据科学家这一角色了。
而事实考验——我的口试惨败。设计代码的技能测试让我更快的迈出了“数据科学”的大门。我申请的技能剖析岗位让我到另一个部门，由于他们以为我去业务剖析岗位可能更得当。
我间隔我须要去的地方还很远。
图源：Unsplash
手还不足“脏”
为了更加深入学习ML和演习python技能，我决定在新加坡管理大学攻读IT商业硕士学位（专攻AI）。
我学习了传统ML模型背后的数学事理，并将最前辈的深度学习架构运用到自我管理的数据集中。我学习了关于AI的主要观点，包括通用搜索算法、Q学习和深度Q学习。学习了算法设计，包括图形算法、韶光和空间繁芜度、名字匹配算法以及许多险些要撕裂我非打算机科学大脑的算法。本色上，这些课程为我供应了慕课所缺少的学术严谨性。
硕士期间我的一些项目小有造诣。他们不是完备成熟的项目，由于所用的数据集常日是别人给的或者从Kaggle上得到的，而且展示在Jupyter notebook后项目就结束了。深度学习模型在Docker上持续运行，但是从未考虑过支配方面。毕竟只是学校的项目而已。
我认为，硕士学位供应了AI专业人士所必需的学术严谨性，但是缺少实用性。硕士课程不会见告你找到一份数据科学事情须要什么，你必须自己弄清楚。软件工程和开拓运维技能是数据科学家事情的一部分（但是不足广泛）。代码协作在大型组织里也很主要。同样地，知道如何搭建Docker环境、启动AWS EC2实例、在Azure blob存储上托管数据集、有效组织代码以及利用GitHub或Gitlab进行版本掌握都是一些必需的关键技巧，然而这些在教室上也学不到。
就算你认为自己不足精良，也要大胆去考试测验。
我连续参加口试，在技能口试和非技能口试中积累了大量履历（只管大多数口试还是不及格）。这使我理解自己的知识盲区并能花韶光学习干系技能。更主要的是，它使我理解不同公司对同一岗位提出的不同事情描述，以及这些事情描述与公司在AI运用的成熟度上的干系性。
两年后，我得到了一份AI工程师的事情。对我来说，这是一个极大的学习和发展机会，是我所梦寐以求的。除此之外，这也证明了任何人都能完成他们动手做的事情，只管有些人花费的韶光可能会久一些。
末了，职业是一场马拉松，而不是冲刺赛。做你热爱的事情，由于事情会霸占你人生的大部分韶光。
如果你彷徨不知向何处去，请记住Elsa所说的，“做下一件该做的事”。
图源：Unsplash
以是，与其摧残浪费蹂躏韶光在那纠结，不如赶紧行动起来吧~
声明：每个人在数据科学上的旅程是不同的。这篇文章不是关于“如何进入AI天下的大门”，也不应被视为入门指南。这只是我的个人经历，希望能鼓励人们冒险去做自己想做的，由于生命须臾即逝，不应毫无意义地虚度生平。
留言点赞关注
我们一起分享AI学习与发展的干货
如转载，请后台留言，遵守转载规范