近來，硅谷迎來裁員潮，機器學習領(lǐng)域的求職壓力也有所增加。如何規(guī)劃 ML 職業(yè)生涯，才能獲得長期成就？吳恩達教授為機器學習領(lǐng)域的畢業(yè)生提供了一些建議。

這篇文章內(nèi)容取自斯坦福大學教授、Coursera 聯(lián)合創(chuàng)始人吳恩達的課堂演講，主題為《關(guān)于在機器學習領(lǐng)域獲得成功職業(yè)生涯的幾點建議》。

本文提到的職業(yè)建議位于視頻后半部分。

演講主要包括以下幾部分內(nèi)容：

如何找到一份工作

成功的 AI 從業(yè)者模式

如何選擇一份工作

機器學習職業(yè)生涯的誤區(qū)

機器學習專業(yè)的學生在完成學術(shù)研究之后，通常會從事這一領(lǐng)域的工作，或者繼續(xù)讀博。

通常有兩種類型的公司會需要 AI 領(lǐng)域的人才。一種是大型科技公司，比如 Facebook、谷歌。另一種是年輕的，充滿活力的初創(chuàng)公司。

吳恩達教授提到一點：無論朝哪個方向走，你都應(yīng)該確保自己從事的是重要且有意義的工作。本文作者 Richmond Alake 詳細介紹了吳恩達教授的這一觀點，并結(jié)合自身經(jīng)歷談了談這些建議的具體內(nèi)容。

首先，如何找到工作？

如何找到一份工作

機器學習領(lǐng)域的工作競爭激烈，大部分人都了解這一點，已經(jīng)做好心理準備，但你可能不知道公司招聘時看重哪些技能和素質(zhì)。

多年來，吳恩達教授在 AI 團隊中和各類企業(yè)中積累了深厚的工作經(jīng)驗和領(lǐng)導經(jīng)驗，他給出了一些建議：

編程技能

機器學習研究工作要求個人至少要掌握平均水平的編程技能。程序員平均要掌握兩到三種編程語言，并且達到中級水平。

機器學習領(lǐng)域的從業(yè)者也應(yīng)具備編程技能，并且應(yīng)該了解幾門常用的編程語言，例如 Python、Java、JavaScript、R 語言等。

為什么需要掌握多種語言的實踐知識呢？

以我自己為例，我目前是一名計算機視覺工程師，我需要用到 3 種不同的編程語言。我用 Python 來實現(xiàn)模型（TensorFlow）和編寫腳本，用 javascript 來實現(xiàn)模型（tfjs），最后，我還要用 Swift 將模型和計算機視覺技術(shù)集成到 iOS 應(yīng)用程序中。

回答技術(shù)問題的能力

在簡歷通過之后，你就會進入面試的下一階段，通常是電話面試和現(xiàn)場面試。在這兩個面試階段，你都需要回答機器學習相關(guān)的問題，比如解釋梯度下降變體之間的差異，描述新型神經(jīng)網(wǎng)絡(luò)架構(gòu)的特性。

理論知識的實際應(yīng)用

面試之前，你可能在學術(shù)研究機構(gòu)中度過了幾年，所以已經(jīng)習慣了大學采用的基于理論的考試方法。

但是公司招聘的不是只掌握理論知識的人，而是能夠?qū)C器學習中的理論概念、技術(shù)以及思維進行實際應(yīng)用的優(yōu)秀人才。

比如，你首先要從概念上理解批歸一化的好處，但是只有會用并且大量用過 Jupyter notebook 或 GitHub repo 的人才能夠在招聘中脫穎而出。

業(yè)余項目

證明和應(yīng)用所學理論知識的一個好方法是在你的工作任務(wù)中加入一兩個業(yè)余項目，這是你展示技術(shù)、創(chuàng)造力和問題解決能力的絕好機會。

持續(xù)學習

一些傳統(tǒng)領(lǐng)域的職位不需要隨時更新專業(yè)知識，但在機器學習領(lǐng)域則完全不是這樣。作為一個熱門學科，人工智能領(lǐng)域里每天都有新開發(fā)的技術(shù)，每周都有更新的工具和庫，每個月都有大量新發(fā)表的研究論文。

在機器學習領(lǐng)域里，你不能停止學習的腳步。我目前正在參與這個領(lǐng)域的研究，利用研究和開源項目中的技術(shù)，盡管如此，我還是會經(jīng)常看到有全新的神經(jīng)網(wǎng)絡(luò)推動計算機視覺特定任務(wù)的發(fā)展，成為某方向的新 SOTA。

你的雇主總會希望你不滿足于現(xiàn)有水平，保持求知欲望。機器學習從業(yè)人員需要永遠處于領(lǐng)先技術(shù)的最前沿。

成功的 AI 從業(yè)者模式

AI 包含很多子領(lǐng)域，如機器學習、NLP、語音識別、CV 等等。吳恩達表示，職場的最強候選人和成功的 AI 從業(yè)者都用一種「T」形方法來學習 AI 子領(lǐng)域。

也就是說，他們對很多子領(lǐng)域都有一個大致的了解，但只深入其中的幾個。

以我個人為例，我在機器學習、計算機視覺和機器人學方向進行了深造。通過學習，我對 AI 的一些關(guān)鍵子領(lǐng)域有了基本了解。但在論文、個人項目和職業(yè)路徑中，我只關(guān)注三大領(lǐng)域：計算機視覺、自然語言處理和深度學習。

下圖顯示了我在大學畢業(yè)、完成 pwn 項目并開始工作之后構(gòu)建的「T」形知識路徑長什么樣。

在研究生階段學完 ML、CV 和機器人學相關(guān)課程之后，我獲得了 AI 主要子領(lǐng)域的基本知識。

大學畢業(yè)后的人工智能領(lǐng)域知識。

在我完成論文并開啟自己的職業(yè)生涯時，我的學習路徑是 T 型的。我專注于深度學習的子領(lǐng)域計算機視覺。由于關(guān)聯(lián)度較高，在研究過程中我也獲得了神經(jīng)網(wǎng)絡(luò)、機器學習、自然語言處理（圖像標注方面）和圖像處理等臨近領(lǐng)域的知識。當然，對于一個研究者而言，要想成為深度學習和計算機視覺方面的專家還有很長的路要走。

在完成碩士畢業(yè)論文并開始職業(yè)生涯之后我所獲得的 AI 領(lǐng)域知識。

深度知識

深度知識我們提到了很多遍，但深度意味著什么？在吳恩達看來，深度知識由以下幾個方面定義：

項目

開源貢獻

研究

實習

同樣，在特定子領(lǐng)域里做個人項目可以讓你的專業(yè)知識更加深入。這不僅可以讓你成為成功的 AI 從業(yè)人員，而且會讓你有更多參與面向?qū)嵺`任務(wù)的機會。

如何選擇一份工作

吳恩達意識到，擁有機器學習專長的人很受歡迎。對于一些人來說，選擇多是一件好事，但對于另一部分人來說，選擇多了反而容易出錯。

以下是吳恩達寫給學生的工作選擇建議：

選擇一個優(yōu)秀的團隊

在吳恩達看來，團隊的選擇非常重要。在選擇團隊時要注意以下幾個因素：

互動

溝通

成長

吳恩達建議，你所在的團隊應(yīng)該很容易實現(xiàn)組員之間的互動，通常這樣的團隊包含 10-30 人。此外，你還要留意團隊成員的努力程度，以及他們的個性、職業(yè)道德理念能否對你產(chǎn)生積極影響。

為什么這點如此重要？因為行為研究表明，和你相處時間最長的五個人的平均值就是你的各方面行為得分。

找準自己的定位

在決定接受一份 offer 之前，一定要弄清楚你要從事的工作是什么。

通常情況下，招聘廣告中給出的職位描述并不能反映真實的工作內(nèi)容。有時候，某個職位的職責范圍會被夸大，這很容易令人失望。還有時候，招聘廣告會淡化某個職位的工作量，這會導致你入職不久就陷入倦怠。

避免失望和倦怠的最好方法就是直接和你的上司對話，了解任務(wù)的內(nèi)容和交付時間。

此外，你還可以與類似崗位上的組員交流，了解一下他們的日常工作。

忽略公司品牌形象

公司都有自己的品牌形象和外部認可，但這往往只是他們想讓你看到的東西，而且通常是最好的一面，會讓你在選擇時產(chǎn)生先入為主的偏見。

吳恩達表示，從一般經(jīng)驗來看，公司的品牌形象和你在這家公司的個人經(jīng)歷關(guān)系不大。

在選擇一份 AI 方面的工作時，團隊比公司更應(yīng)該考慮，選擇行業(yè)時也是如此。

簡單來講，對于一家石油公司和一家醫(yī)療機構(gòu)的圖像分類機器學習項目來說，二者的區(qū)別其實只在于他們用來訓練 ML 模型的數(shù)據(jù)集以及模型的應(yīng)用。機器學習技能可以在行業(yè)之間遷移。

選擇一份感興趣的工作，考慮長期目標

人類是一種受到內(nèi)部和外部因素激勵的生物，如果內(nèi)外激勵都不具備，我們就會陷入懊悔、不安甚至是失望，

對此，吳恩達給出的建議非常直白：

「選擇一個你不會覺得無聊的工作」。

我還喜歡吳恩達的另一個觀點：迫不及待地進入某個角色并不是什么好主意。

在找工作期間，我拒絕了很多 offer。這些 offer 表面看起來都很不錯，但都需要我做出一些我不想做的個人犧牲。

還有一些 offer 短期來看非常不錯，但如果考慮未來十年的職業(yè)生涯，我并不覺得它們是最佳選擇。

我想要成為一家成功公司的 AI 領(lǐng)導，因此我要以比平時更快的速度深入這家公司。在這種情況下，一個大的團隊會讓我成為小透明，因此不是我的最佳選擇。相反，在一家創(chuàng)業(yè)公司工作可以讓我獲得更多的自主權(quán)和學習的環(huán)境，加速我的職業(yè)發(fā)展和成長。

因此，一定要選擇一份適合你個人目標和長期發(fā)展的工作。

機器學習職業(yè)生涯的誤區(qū)

做一個萬事通

在人工智能這個領(lǐng)域，做一個「萬事通」不一定有什么好處，反而意味著你在每個分支領(lǐng)域知識淺薄。這不是確保你在人工智能或者機器學習之路上擁有長遠發(fā)展的最佳路徑。

從長遠來看，專注于獲取深度知識會獲得相應(yīng)的回報，尤其是在人工智能這樣的領(lǐng)域，精通某個子方向的人往往更受歡迎。

沒有耐心

我經(jīng)常因為沒有耐心而內(nèi)疚，但老實說，在機器學習這種快速發(fā)展的領(lǐng)域，你很多時候會焦慮于自己吸收知識的速度不夠快。

但通過對那些在職業(yè)生涯中取得長期成就的人的深入觀察，我意識到，在人工智能的任何一個分支領(lǐng)域建立起真正的技能、知識、經(jīng)驗都需要時間。

我們這一代人習慣于即時滿足，急于看到快速成形的結(jié)果，最終會損害我們獲取知識的進度。

沒有實質(zhì)性項目

擁有一個自己的業(yè)余項目對機器學習生涯大有好處，但問題是，這個項目必須具備一定的水平，才能給外部評審者留下足夠深刻的印象。

因此，有十個平庸的業(yè)余項目不如有兩三個真正有影響力的項目，這能更好地展現(xiàn)出你的技術(shù)能力。正如吳恩達所說：質(zhì)量勝過數(shù)量。

結(jié)語

在吳恩達演講的最后，他總結(jié)了成就成功 ML 職業(yè)生涯的三個要素：

1、一定要在有利于學習的環(huán)境中工作；

2、確保你所做的項目和工作對他人的生活有積極意義；

3、做有助于實現(xiàn)個人目標的決定，這將使你獲得長期成功。