AI时代就业指南：机器学习工程师求职须知

什么是机器学习？

我们来看一下机器学习是做什么的，能解决什么问题。

首先我们来看机器学习的一个类型，监督学习。

蓝色箭头部分是训练一个机器学习模型的过程。首先有Input，包括原始数据和Labels。然后把原始数据转化成Feature Vectors，将其与Labels结合到一起，通过机器学习算法，训练出一个预测模型，这就完成了Training的部分。

再看绿色箭头部分，同样首先有Input，包括一些数据，同样把他们转化为Feature Vector，然后通过刚刚产生的模型，预测出Expected Label。这叫做有监督模型。具体来看，会用到回归（Regression）和分类（Classification）

机器学习算法的另一类是无监督学习。

同样是用Input Data训练一个模型，然后根据新的Data做预测。它和有监督学习不同的是，在训练模型的部分里没有Label。具体是用到Clustering和Dimensionality Reduction。

机器学习算法大致包括三个成分

Hypothesis, Loss, Optimization。Hypothesis的目的是想要找到输入数据与输出数据的关系。Loss是想要评估和量化假设的好坏与否。而Optimization是想要使得Loss最小，找到合适的模型。

机器学习工程师做什么？

可以把机器学习工程师的工作分为以下几点：

• 机器学习的实现和搭建各个公司的机器学习架构。
• 搭建架构之后，维护该架构，包括在新的数据局进来时，该架构的速度、可靠性和性能。
• 开发内部机器学习框架并抽象出来以推动其正常任务运行，例如training / testing, feature use / reuse / creation /storage/deployment等。这些框架不仅被机器学习工程师使用，也会被数据科学家使用。

实际上，机器学习工程师的工作也取决于具体的公司，不同的公司对机器学习的理解和应用不一样，因此他们的机器学习工程师的工作职责也会不一样。

机器学习工程师所需的技能

首先，Machine Learning Engineer仍然是engineer，所以计算机基础知识和编程能力是必须有一定水准的，所以第一和第五点是基础。此外，说到用于研究和进行ML其它的一些算法工作，数学、概率、统计知识也是必不可少的；更进一步的要求是，需要数学建模和数据评估知识，还要懂得Machine Learning算法和如何用Libraries去实现你的idea。

而关于其中第五点，之所以System Design能力在Machine Learning Engineer中仍然很重要，就是因为Machine Learning的发展，是很大一部分得益于计算能力的增强。犹记得在Google里100多人的TensorFlow的团队中，每一个参与开发该框架的成员，都对于System Design非常精通。

通常来说，普通的Software Engineer 和 Machine Learning Engineer更多只会用到图上第一和第五点技能，但是要成为 Core Machine Learning Engineer 的话，对于3,4项技能的依赖会越来越大。

关于机器学习的求职须知

机器学习涵盖的领域非常广，包括三大块，计算机视觉、自然语言处理、以及类似系统GPU的内容，其中又可以分为无数小块。只要根据个人的兴趣，找准一个方向切入进去，目前市面都会有大把的工作机会。

以百度的Job Description举例：

首先，前三点都是要求要有数据结构和算法的能力，基本也适用于Software Engineer。但是，注意其中一点，不同公司对于不同语言会有要求，所以投简历前一定要详细的看公司的Job Description。在百度，如果要求应聘者拥有 C++ 的技能，那么在面试的时候就一定会出现C++的内容；而有的公司或许要求SQL，R等语言，都是一样；最后一点，线性回归，概率论、统计、中枢网络等，是对于ML工程师的特殊要求。