人到中年，想半路出家转行成机器学习工程师，可行吗？最近，这位成功转行的国外小哥用一篇干货满满的硬核博客告诉我们：完全可以！

　　他强调说：我不是Karpathy，但我可以算一名扎实的中级机器学习工程师。

　　他是通过刻意的努力，才成为一名工程师的。而且，就是在最近，他刚刚从业余爱好者转成了一名专业人士。

　　因此，他写下来这篇博文，希望为有类似愿望的人们提供可行的路线图和资源，从而为职业生涯奠定基础。

　　因为机器学习和相关职位名称及其混乱，Mynter特意和人合写了一份34页的白皮书。

　　在指南中，机器学习工程师指的是在组织中工作，并使用机器学习来解决业务案例的人，这就从另一方面代表着创建、改进产品，或让组织更高效地工作。

　　注意，机器学习研究人员与之不同。他们强调的是在科研中开发新颖的方法，但并不是特别需要解决眼前的业务需求。

　　机器学习工程是一个跨学科的职业，我们应该掌握软件工程、数据科学和数学等不相同的领域的技能，以及应用领域的一些知识。

　　当然，一个合格的机器学习工程师必须会写代码，但最重要的是，你需要是一位有能力的软件工程师。原因见下——

　　首先，由于机器学习是在数据中发现模式，因此机器学习工程师一定要能处理足够数量的数据。通常这意味着数据量超出了手动处理的量。

　　其次，由于机器学习工程师的绩效是通过业务反映的，因此这个岗位就需要能部署模型，并且将其集成到更大的产品环境中。

　　最后，如果了解计算机的内部工作原理，以及构建定制工具的能力，你的开发速度就会大大提高。

　　直觉和专业知识确实可以极大地帮助你设计模型，但在实验过程中构建机器学习模型，始终是必要的。

　　在这个过程中，机器学习工程师需要尝试大量有根据的猜测，并且探究怎样会让效果更好。

　　这个过程迭代得越快，最终的输出就越好。而软件工程技能有助于更快地自动化和迭代，并且使得各个实验更加高效。

　　Brockman曾表示：学习机器学习其实比学习软件快得多，优秀的软件工程师潜力巨大

　　可以说，机器学习最终是一门计算机科学的学科，而软件工程，就是让计算机科学成为有效应用的方式。

　　他们需要可处理混乱的现实世界数据记录，知道如何收集、理解这些数据，还要能设计出有用的特征，并且解释模型输出的敏感性。

　　最棘手的错误并不是内存不足，而是当训练循环运行后，模型输出了看似正确但其实是错误的结果时。

　　数据科学家一次又一次地尝到惨痛的教训：想要构建一个优秀的模型，最优秀的方法就是花大量时间处理数据。

　　你需要识别与你手头问题相关的论文，并且能够复刻这些方法，应用到自己的领域。

　　因为了解正确的数学知识，对于理解当前问题的数据、选择合适的算法来说至关重要。

　　为此，机器学习工程师需要具备实数微积分、线性代数和概率论的基础。这些是用于构建和训练许多机器学习模型的核心数学理论。

　　而在训练LLM或处理大型数据集时，你会从数值方法和优化理论的知识中受益。

　　虽然ML更像是一个通用工具箱，但ML工程师却可以从特定领域知识中受益匪浅。

　　数据科学路线。首先，你需要精通数学和数据工作，开始使用机器学习，然后学习必要的软件工程技能。

　　软件工程路线。当你成为一名有能力的软件工程师，可以在职业生涯的某个时候转向学习数学、数据和机器学习技能。

　　许多业务问题相对简单，只要部署简单模型，就已经可以产生价值，而困在Jupyter笔记本中的出色模型，只是一个玩具而已（尽管非常有趣）。

　　如果你碰巧在大学攻读定量学位，那在默认情况下，你上的课会或多或少遵循路线。

　　学习计算机科学并专门研究机器学习，同时进行大量实习，以学习行业级的协作开发，这两条路可以同时进行。

　　你可以随时进行切换，使用你更喜欢的资源，或者通过直接做项目来掌握所需技能。

　　由于Python的机器学习和数据科学生态系统最为强大，且拥有最多的可用资源，因此是一个安全的选择。

　　哈佛的CS50课程，涵盖了Python的基础知识，对编程和软件工程做了精彩的介绍。

　　如果想更深入了解一下，可以去看赫尔辛基大学的《编程基础》。对于已经学过CS50的人，可以浏览一下前几章。

　　虽然你并不需要了解Python的内部工作原理，就可以将其用于数据科学和机器学习，但这些东西在以后会非常有用。

　　请将《Dead Simple Python》之类的书放在床头柜上，并时不时地阅读一章。

　　你应该从浅层的学习算法开始。它们比神经网络更直观，你可以藉此培养处理数据的技能，无需增加复杂性。

　　吴恩达的《机器学习专业化》是一个很好的资源，它一直是许多人进入AI的门户。

　　了解了ML的基础知识后，接下来你就可以转向深度学习、当前的行业标准和强大的工具箱。

　　如果你喜欢更具大学风格的课程，我推荐Yann LeCun在纽约大学的深度学习讲座。

　　如果你需要更实用的方法，fast.ai和随附的《程序员实用深度学习》一书可以帮你。

　　这些资源还涵盖了一些必要的数学知识。如果你发现自己的知识缺乏，deeplearning.ai有深度学习数学课程。

　　这些课程本身当然不够，但它们是很好的入门读物，可以为您提供研究出论文的基础、背景和词汇，并为你可以构建的项目提出想法。

　　软件、编码、机器学习——对于所有这些项目，一些理论知识都是必要的，但工程其实是一种实践，你可以通过实践来学习。

　　一般来说，拥有一个或几个令人印象深刻、架构良好、值得花费一个月时间的创新性项目，比拥有许多基本项目要更好。

　　它不涉及机器学习，但涵盖了许多工具和实践，它们对于机器学习工程师来说非常有价值，例如构建分布式系统、数据库和容器化。

　　虽然这一开始可能令人畏惧，但竟然你已经走了这么长一段路，此时硬着头皮给自己的工具包添加另一种语言，也是值得的。

　　要了解如何在整个生命周期中管理和设计ML产品，fullstackdeeplearning 是一个很好的资源，可以让你了解一个大概。

　　选择让你的ML工程师生活更轻松的实践，应用到你的项目中，这些努力都是值得的。

　　作者表示，如果你遵循本指南，一定可以成为入门级ML工程职位有竞争力的候选人。

　　因为你既掌握了必要的理论知识，做过的项目也使你成为了几个重点领域的专家。

　　FreeCodeCamp的创始人Quincy Larson，就写了一本很棒的书，关于他成为软件工程师的旅程。

　　其他人在你之前就已经做到了，如果你下决心，就可以做到（这里有另一篇文章，指导你如何有效地学习困难的东西）。

　　如果你可以上大学，这是最简单的途径。大学可以为你提供所需的社区、指导、课程、实习资源。

　　如果你想从不相干的行业转行，请一定要利用起之前的经验。即使想要离开，你的专业相关知识也会让你与众不同。

　　下班后，你可以花大约六个月的时间，学习浅层和深层的机器学习，以及你缺乏的数学知识。

　　如果你是一名数据科学家，你大概率迟早会因为缺乏软件工程能力，而触到职业天花板。

　　对于数据科学领域的从业者来说，转向机器学习或多或少是一种自然的职业发展轨道。

　　你可以在当前的工作资源中寻找ML项目，花几个月时间来完成它们，然后构建一个组合，来让自己转型。

　　4.1) 如果有必要，能够最终靠fullstackopen来学习软件工程，比如学习Web开发以及分布式系统、DevOps和关系数据库的基础知识

　　寻找您想要从事的领域，通过建立你的作品集来发展专业相关知识。你可以从Hugginface课程中找到一个起点，跟随你感兴趣的兔子洞，通过论文实现构建一些有趣的项目。