我是不是应该转行机器学习？
开始
先说结论： 要不要转行，不妨先业余时间玩一把，看这个是不是真的适合自己，然后再去做决定。
这篇文章谈及了我对机器学习的一些看法，希望能有所帮助。
说个笑话
上次在微博上看，说是马云说数据是最重要的，李彦宏说是算法最重要，马化腾说他两一文科生，一理科生，讲不到一块，都对，也都不对。马化腾说场景最重要。场景对了，就有源源不断的数据了，可以针对该场景有更好的算法。不过呢，不过遗憾的是，他们都没有把算法工程师当做最重要的。。。ORZ
破除神秘
机器学习行业有着一股神秘劲，尤其是深度学习崛起的今天，各种吸引眼球的新“智能”被发明，比如让机器打游戏，让机器看医疗文献，让机器下围棋等等，让我们很容易激动，很愿意参与进去，这个是人类千百年来的本性，你看看古代，对于一些无法理解的东西，就当做神明了。
要不要转行进入机器学习，首先要破除这个神秘感，知道机器学习是如何做到上面的这些的。
日常工作是什么
不同阶段的算法工程师做的事情自然不一样，码农已经是被工业化了的工种，所以大部分算法工程师做的事情并不像机器学习界领军人物的工作那样，充满挑战和未知，利用自己强力的智慧给其他算法工程师指明道路。这块大家可以参看我之前写的 【程序员之殇】。
关于算法的工作，第一个是，大部分算法工程师就是针对不同的事情参看别人的经验和论文做不同的设计，实施，然后很有可能在这个事情上对原有业务做了不少提升。很多情况下，和业务工程师没啥区别，接到需求就做需求而已。
第二个，现在大部分算法依然是监督类学习，意味着你需要大量标记数据。这倒是合理的，因为我们人类掌握各种技能，也是靠坚持不懈的努力去学习得到的，机器也是类似的，初始化也是张白纸，你需要通过标记的数据不断灌入知识，让他学会，所以你不过是机器学习的一个饲养员，你的大部分时间是帮助机器获取数据，处理数据，然后喂给它，期待它更聪明。
所以说，机器学习其实是一个苦力活，以前是，有了深度学习后，现在还是。
成长路径
其实我觉得更好的路径应该是
数据工程师 -> 分析师 -> 算法工程师
先积累大量的工程经验，这个时候你可以随便倒腾数据，接着可以对其进行各种统计分析，最后通过算法让机器取代人去做一些事情。不过这是理想化的状态了，工业化阶段，各个企业也等不及的，缺口很大，所以期望的还是能一毕业，就是个能上手的算法工程师。
企业什么时候需要算法工程师么
对于企业而言，第一阶段自然还是更需要工程师而非算法工程师。
之前我写了篇 【数据团队规划布局感悟(三)】，里面谈到了算法工程师其实是在产品遇到成长瓶颈了，大家没辙了，所以试图通过AI来帮助产品获得更大的提升，也就是从90分做到91分。提升这一分的成本和开销，其实比之前从80做到90还大。但是大部分企业的产品还没有做到90分，企业缺少优秀的工程师让产品做到90分。不过如果你已经拥有优秀的工程师，那么算法工程师也是可以助力企业更快的从80分做到91分的。
当然，如果你这家公司就是一家AI企业，那就另当别论了。
门槛
说实在的，算法工程师门槛不低，门槛高的原因主要是机器太笨。很多人感觉机器学习门槛降低了，是因为企业长期持续的投入，理论和工具都比较成熟了，基本拿个工具就能做一些事情了。但实际上企业的要求也更高了，算法工程师的要学的东西其实就非常多：
- 一些数学基础，比如线性代数，概率论，多元微积分，统计学，
- 工程能力，会写代码，会使用一些大数据相关的工具套件如Hadoop，会涉及AB测试等
- 学会一些基本的机器学习库如scikit-learn
- 掌握一些机器学习平台，比如Tensorflow,Spark Mllib
- 了解机器学习的一些基础概念，如损失函数，梯度下降优化算法
6. 还需要一定的聪明，会看数据，分析数据，提出解决方案
做到一个领域资深，其实就成功了
为了热度投身机器学习领域我不认为是OK的，任何一个领域你做的好，那么你都会很抢手。按我现在实际体验，优秀的数据工程师非常难招，但是初级的算法工程师供大于求。加上很多工程师路还没走踏实就急着想转机器学习大军，更是凸显了这个问题。
总结
机器学习领域仍然是一个充满吸引力的领域，而且是人类通往科幻之路的必经领域。大方向不会错，也是一个值得长期投入的领域。