制定「机器学习」学习计划【1】

IT 行业发展迅速，各种新名词此起彼伏。身处这样一个热点行业，学习是必须的。

大数据、AI（人工智能）相继席卷世界后，作为程序员，真得学点机器学习了。具体为什么大家还是自己思考一下吧——本文的重点不在于讲解Machine Learning到底有什么用，而是讲如何从0开始自学它。

之前我们讲过，有效学习三要点：目标明确、系统性强、足够深入，三者缺一不可。

既然是定制针对自己的学习计划，那么势必要让计划符合这三个要素。

那么首先，最重要的就是要确定学习目标！本文的重点也就在于此。

制定「机器学习」学习计划——明确学习目标

在目标的指引下，比较容易找到什么“有用”——虽然有点功利，但不得不承认，“有用”与否是大多数人产生驱动力的重要所在。

确定清晰的目标

所有的目标都有一个相对“大”的前景。比如，为什么要学习“机器学习”呢？因为我想找和AI相关的技术工作。

但是要注意，这个目标如果仅仅停留在：“我要做AI”，是不能称之为一个目标的。真正的目标必须具有可实施性，并最终体现为实施计划。

想要入行AI，先搞清楚几件事：

• 目前真正落地的AI领域都有哪些？
• 每个领域有什么样的代表企业？
• 这些企业中，都有什么样的技术岗位？
• 每种岗位哦需要什么入门条件？

至少要能够定位到你的目标岗位，明确了这个/类岗位的技术要求，才有可能确定需要学习的内容有哪些，从而选择到正确的培训课程。

一步步划定目标

但是怎么能知道这些呢？笔者个人推荐如下调研步骤：

Step 1. 先确定一个领域（图像、语音、NLP等等）

可能你本来就有特别感兴趣的领域；或者你对某一种技术，比如人脸识别，特别兴趣，那么可以直接由此入手。

如果你本来对AI了解不多，只是想做当前市场上最热门的领域，那也比较好办。多爬一些招聘网站、职场社交媒体的招聘信息，做一下数据分析，看看哪些领域招的人最多，薪水最高。

Step 2. 了解本领域当前的科研状况

最简单的方法：找十篇本领域核心期刊或会议的论文，读一遍。

用Google找论文还是比较赞的，而且相关度排序综合了论文的成果贡献，作者的学术地位和新颖度。

如果方便用Google，直接输入领域相关keyword，取前3-5篇拿来读。读后再根据阅读中遇到的问题、产生的兴趣回溯寻找其引用文献，或者重新搜索。

真的能认真读进去10篇比较新的论文，哪怕是普通博士生发表的，也能让你对一个学术领域有最基本的理解了。

Step 3. 了解本领域理论的落地技术以及相关企业

AI作为一个新兴方向，很多领域还处在研究阶段，真正能够应用到现实产品中的领域相当有限。

有代表性不过就是：语音识别/合成，图片/人脸识别，和NLP的一些分散应用。

当然并不是说尚未投入使用的技术就不值得去了解或者投身。比如现今热点中的热点——自动驾驶——尚处于研究性质远超实用的探索阶段，虽然很多公司都在做，但其实并没有实际的投入真实世界使用。

此处只是说，落地技术的范围并不算太广，了解起来投入也有限。

有了目标技术再找企业就相对容易多了。虽然大公司掌控了当前AI领域的绝大多数人才和资源，但是也有越来越多的小企业在具体技术点上发力。

普遍来说，进大公司是为了公司，而进小公司则是为了跟人。而AI行业又是一个强学术背景的行业，一个公司也好，团队也罢，如果连一个有一些最起码学术建树的博士都没有，那能走多远真的不好说。

从这一点来看，step 2的调研过程也可以应用到此处。如果有感兴趣的小公司，尤其是刚刚创业不久的startup，不妨先评估一下技术合伙人的学术水平。

Step 4. 了解具体岗位的招聘需求

这里的具体岗位，到并不一定指XXX公司的XXXX岗位，而是指同一类型公司同一技术角色的相对普遍要求。

AI行业的技术岗位，按角色可以简单地分为三类： 角色1：科学家——研究理论，开发/改进算法； 角色2：工程师——结合业务，训练模型； 角色3：工程辅助——选择、清洗、标注数据等。 从目前实践来看，一个团队中，如果工程辅助不是外包给第三方的话，工程师本身也要肩负工程辅助的责任。或者虽然内部有分工，但工程师和工程辅助都属于一个团队，在职衔上也没有明显区别。 一般来说，如果不是科班出身，没有在学校读到相关专业博士毕业，在入行的时候就不必指望AI科学家了。对于一般人而言，需要确定的是角色2和3 而已。

当你选定了公司之后，注意先看看同等类型公司，至少有代表性的那些，角色2和3是分开的还是合并在一起的。这一点，通过招聘启事的职位描述就应该可以找到。

从描述来看，角色2和角色3是不同成员来分担时，2显然比3 cool多了。但正因为如此，两者的能力要求必然也有区别。

领域、企业和角色共同定义了岗位之后，再根据岗位需求来反推需要学习的内容，就是有的放矢了。

避免误入“捷径 ”

虽然推荐上述路径，但是笔者确实知道，很多人喜欢走“捷径“——去招聘网站用AI、人工智能等关键词搜索一堆职位，看看那些职位要求的工具和语言是什么，直接去学就好了。相当于从step1直接跳到了最后。

反正现在大多数职位都要求Python，Tensorflow，直接报个班学学怎么用Python调用现成的算法，或者怎么用tensorflow处理数据不就好了？何必那么麻烦，还要看什么论文，学什么理论。

这种想法，属于典型的被“捷径“误导。在AI行业从事技术工作，哪怕是做角色3的工程辅助工作，如果想要做得长久，有所发展，理论学习是必不可少的。

要详细解释这一点，完全可以单独开个chat了。此处且举个直观的例子：

工具就像是武器，学会使用一种工具只是学会了使用这种武器的最基本的招式和套路。而理论学习则是学习策略，决定了未来在真实对战中，遇到对手攻击时，你选取哪些招式套路，如何组合起来去迎敌。

不排除现在有些公司跟风慕名，想做AI，自己没有人才，就直接招聘，要求会用XX工具就可以了。只学会用工具做一些基本操作，也许就可以应聘这样的职位。但是这样的职位能长久吗？能解决真正的问题，产生价值吗？做这样的工作，能有长进提高个人价值吗？

为了个人长远的职业发展，我们还是扎实打牢基础。

未完待续……