本文转载自公众号“读心术”（ID：AI_Discovery）有没有想过亚马逊甚至Netflix是如何为用户持续推荐产品的？与公众的想法相反，它们并不适用于天网，您随时都不太可能遇到故障。相反，他们依赖于一种最流行的人工智能技术——机器学习。随着技术的进步，对机器学习和数据分析的需求仍然很高。几乎没有哪个行业在交易中不涉及机器学习，机器学习算法的应用范围非常广泛。从让计算机与人类交流成为可能，到撰写和发布体育报道，机器学习可以做很多事情。让我们来看看它这些年的发展。1950年：艾伦·图灵提出“图灵测试”以确定计算机是否真的比人类“聪明”。1952年：ArthurSamuel使用IBM电脑研发棋盘游戏，发明了第一个电脑学习程序。2006年：JeffreyHinton解释了允许计算机“看到”和区分图像和视频中的对象和文本的新算法，并创造了“深度学习”一词。2012年：Google的XLab通过浏览YouTube识别其中的猫视频，成为最大的猫追踪器。2015年及以后：随着AI技术越来越先进，其数据可在公开网站上获取，史蒂芬霍金、埃隆马斯克、史蒂夫沃兹尼亚克、马克扎克伯格等人就诚信和信任在社会影响层面的真正含义展开争论。在人工智能时代，我们有机器人、自动驾驶汽车、可以口头交流的自动拨号电话、控制我们家庭的智能IoT（物联网）服务，以及在做饭时突然向我们提问的Alexa智能助手.有一天，我13岁的妹妹问我：“为什么我还需要驾照？那是浪费时间和金钱。等我会开车的时候，汽车就会自动驾驶了。”我意识到她可能是对的，同时，也有一些对汽车可以自动驾驶的生活的向往。那个时候，我绝对不会浪费时间和金钱去学开车。现在，数据是前所未有的新“石油工业”和“淘金热”，因为我们试图将其应用于消费品和可生产产品。这确实是机器学习发挥作用的地方。机器学习有机会改善许多行业！《福布斯》表明，到2020年，机器学习有可能在营销和销售额中产生额外的2.6万亿美元，其中不包括2万亿美元的制造业。如果这还不足以让您震惊，那就是不断发展的市场和数据量。公司一直在寻找更便宜、更强大的方法来处理计算，更不用说具有成本效益的数据存储了。通过分析数据和建立准确的模型，企业至少可以实现两倍甚至三倍的增长。机器学习具有强大的功能，可以帮助组织识别有利可图的机会并规避风险。微软需求优化总监AnirbanSengupta谈到了机器学习的重要性：“随着我在亚马逊职业生涯的进步（我面临的问题），机器学习比传统的统计和计量经济学建模方法更明显的解决方案。对于例如，使用参数统计模型很难实时检测欺诈，特征数量很多，它们之间存在交互作用。同样，在这些情况下，预测准确率/准确率/召回率模型可以说明弹性更重要，这使得机器学习成为更明智的选择。机器学习将继续存在。同样，对数据的投资正在增长并将继续增长。投资数据和数据基础设施的目标是挖掘数据以获得可操作的见解以推动业务发展价值。对真正能够大规模进行如此复杂的数据分析和模型构建的人员的需求只会增加。”机器学习如何影响多个行业医疗保健事实上，机器学习的使用已经成为医疗保健领域的一个增长趋势，催生了一些非常有吸引力的应用。总部位于美国马萨诸塞州的PathAI利用机器学习提出了一项新技术这将帮助病理学家更快地做出诊断。不要小看它，它可以解决医院人满为患的问题，让患者更快地接受治疗。尤其是对于癌症等疾病的患者，早期诊断可以对结果产生很大的影响。金融业随着我们逐渐转向在线交易方式，银行和金融行业的其他企业对机器学习可以提供的实时数据分析的需求越来越大。网络监控和欺诈预防应用程序可以为投资者提供安全保障，使他们能够轻松进行交易.IdentityMindGlobal是一家人工智能公司，帮助金融机构和企业在线战斗音频。该公司已经建立了50多个数据点来帮助验证一个人的身份。此外，他们还提供打击洗钱和打击资助恐怖主义的服务。能源部门环保主义者多年来一直要求清洁能源。更不用说，每次我们转身，都会有另一场天然气危机。石油和天然气是机器学习无限可能的另一个领域。机器学习可以应用于无数领域，从创建更高效??的炼油厂到分析矿物。美国能源行业知名咨询公司提供的天然气和石油数据可以通过开发基于多元模型的资源来改善钻井作业。它们不仅可以为公司提供准确的地质和地球物理数据，还可以减少公司在石油作业中所需的时间。财政和人力资源。人才需求持续增加！许多工程师都害怕错过(F-O-M-O)正如我在开头所说的那样，机器学习不会很快过时。事实上，许多招聘网站上与机器学习相关的职位发布数量猛增了90%。但困难的是，整整两个月后，至少还有40%的职位空缺。由此可见，虽然对机器学习工程师的需求量很大，但人才供给是个问题。工程师争论泛化与专业化。但重要的是要知道，我们采访的大多数行业领导者都希望他们的候选人拥有广泛的经验，而不仅仅是领域专业知识。大多数经理、董事和CTO都非常明确地表示，他们希望员工主动将机器学习经验应用到各种项目中，而不必局限于个人专业领域。如果你专攻物体识别和计算机视觉，不要拒绝NLP（自然语言处理）项目，因为它与前者只是略有不同。大多数机器学习领导者都同意经典技术可以跨项目使用。公司可能希望他们的员工偶尔转换角色，但情况并非总是如此。尽管如此，在您的专业领域之外获得一些经验并没有什么损失。一些热门的专业领域包括推荐系统（被Facebook等科技巨头使用）、计算机和机器视觉（被Snap,Inc.团队使用）和自然语言处理（Apple的Siri）。听听医疗技术公司ChangeHealthcare的AI负责人AlexErmolaev说：“……我认为一次专注于一个领域会有所帮助，但每隔几年在不同领域之间切换仍然有点有趣。专注于一个领域是件好事，因为掌握它、掌握工具和学习细微差别需要时间……”公司正在寻找在他们擅长的领域表现出色并且乐于接受新挑战的候选人。接受新的挑战并了解公司内部的不同领域将使您能够跨领域从事不同的项目。最终，您将更深入地了解多个项目并了解核心用户和客户。所以，如果你决定踏入机器学习行业，那绝对是朝着正确方向迈出的一步。这是一个快速发展的领域，具有不断发展的应用程序。事实上，一份谷歌趋势报告表明，机器学习即将在搜索结果领域取代人工智能。不要陷入过多的细节之中。这确实是一个竞争激烈的市场，每个人都想有所作为，但最终还是要看工作的水平。专注于获得跨领域的经验，你可以积极地学习与自己交流。磨练你的头脑，理性地看待世界，并提出创新的解决方案，让你、你的雇主和整个社会受益。如何成为一名机器学习工程师看看像“哈尔”这样的好莱坞热门参考资料，难怪人们对机器学习所能提供的可能性有点担心。值得庆幸的是，当今世界机器学习的现实远非一台有自尊问题的杀手级感知计算机。机器学习可以极大地改变我们的生活，以至于有人甚至将其与工业革命相提并论。说到工业革命，您是否知道机器学习使焊接等??危险工作更容易外包。工业级焊接产生的热量、噪音和有毒烟雾对工人来说是巨大的风险。但配备计算机视觉和深度学习的机器人焊工可以更灵活地完成工作，而不会危及生命。这只是机器学习对我们生活方式的积极影响之一。中小企业和大型企业都表现出将数字化转型纳入其关键举措的意愿。作为一名技术招聘人员，我最近有机会采访机器学习行业的领导者，了解他们对求职者的要求。后面我想知道的是他们加入这个领域的动机。是对创新的热爱，还是他们想成为可能改变数百万人生活的一部分？Geocaching数据科学与数据分析主管LeeSherry介绍了他进入机器学习领域的原因。“对我来说，没有什么比沉浸在数据中和学习新事物的感觉更好的了。这是关于与数字背后的现实联系。我喜欢通过数据研究世界，将复杂的信息提炼成最简单的事实和所获得的理解。数据可以是变革性的；它可以用来克服我们已经学会尽可能简单地处理的障碍。”对我来说，这就是为什么许多人发现自己被机器学习所吸引的本质。没有多少人有能力摆脱混乱，但这就是工作描述中包含的内容。我知道我们都听过这个笑话，“数据已经存在了足够长的时间，它会告诉你任何事情”，但是相信统计数据而不是“直觉”的企业往往表现更好是有原因的。IDC等公司预测到2021年人工智能支出也将超过500亿美元，这是有原因的。机器学习已经成为预测未来的方式。没有哪个时代像这样吸引人。另外，我知道很多人有兴趣进入机器学习行业，但他们不太清楚如何去做。这篇文章可以帮助解决这个问题。从所需的教育到常见的面试错误，我们将揭开您成为ML工程师所需了解的知识的神秘面纱。硕士还是博士，哪个更重要？每个对ML感兴趣的人都会问一个问题——硕士还是博士？让我们从这个问题开始。机器学习工程师学位的不确定性是真实存在的。人们常常想知道硕士学位是否足以让他们找到合适的工作，或者他们是否需要获得博士学位作为储备。理学硕士可以帮助您在许多实际情况下积极做出贡献。大多数ML硕士课程都有一种通用方法，可以让学生为计算机视觉编程、软件设计、语音识别、自然语言处理等主题做好准备。该学位课程侧重于提高学生在统计、数学和编程方面的分析技能和能力。在这一点上，您可能会想，当MSc如此广泛时，博士学位能带来什么？尽管博士有时会受到抨击，但他们在职业生涯中可以起到决定性作用。通常，博士生是在没有通用方法的情况下培养出来的，他们可以以研究为基础的职业生涯开始。拥有博士学位，您可以推动ML的前沿并专注于开发下一代算法。或者机器学习可以应用于社会重要问题并提出可行的解决方案。对于AI社区的许多领导者来说，机器学习的一大好处是能够参与研究和出版，并帮助开源社区开发将演进到下一代的模型。如果你正在攻读博士学位，你需要在毕业前从事多项出版工作。对于专注于研发的公司来说，这是一个非常大的优势。与我交谈过的不少行业领导者并不要求应聘者拥有硕士学位或博士学位。不过，SoftmaxData的管理合伙人陈佳很清楚，为什么他更喜欢团队中具有深厚学术背景的人。他发现学术背景强的人更能处理论文和进行研究，丰富的数学经验可以帮助他们实现机器学习所需的突破。在ML中，数学直觉和研究技能的重要性不容忽视。像博士学位这样的资格是获得此类经验并扎实掌握算法内部工作原理的绝佳方式。训练数据机器学习是一个不断发展的领域，因此，所需的基本技能非常广泛。尽管如此，扎实的学术背景和丰富的经验是一个加分项。机器学习的主要技能是统计、概率、编程和数据建模。这正是SoftmaxData管理合伙人贾晨的想法。当被问及机器学习工程师应该具备哪些技能时，陈说：“……数据工程、软件开发、数学技能和沟通技巧。”要了解ML中数据建模的重要性，请参阅地理缓存数据科学和数据分析主管LeeSherry：“......虽然编程经验很有用，但我认为建模非常重要：机器学习工程师应该知道如何有效地解决问题.这意味着确定情况的主要特征，弄清楚如何构建一个产生所需答案的问题，确定哪些近似值有意义，并了解适用于手头问题的算法和方法。”冰山一角。数字、日期和字符串等结构化数据可以很容易地存储为行和列。视频、图像和电子邮件等非结构化数据则不容易指定。但是，非结构化数据是数据建模的基础。根据Gartner，它构成了80%的企业数据。在机器学习算法中使用非结构化数据可以提供至关重要的洞察力。它在业务运营策略中具有很大的适用性。它提高了准确性并培养了新的思维方式和使用信息的方式。最终，透彻理解监督和非监督学习也是必不可少的。这是两种最流行的机器学习方法。让我们从监督学习开始ng.这是一个可以使用输入和输出变量的系统，通常您会使用算法来确定数据的映射函数。目标是提出一个精确的映射函数，以便算法可以在给定新输入时预测结果。如果专业术语有点重，可以这样想——监督学习非常有价值，其中数据在预测未来事件中起着至关重要的作用。一个很好的例子是金融机构如何使用监督学习来预测潜在的欺诈性信用卡交易。另一方面，无监督学习的功能更像是训练集。给定一个系统输入数据，但没有可比较的输出值，目的是探索数据并发现结果。无监督学习在市场营销等领域很有用，它可以帮助识别客户行为模式。然后，企业可以使用这些模型来制定营销策略，其准确性几乎令人瞠目结舌（如Facebook）。基本的编程技能和经验朋友可能会告诉你，你只需要一些必要的编程技能就可以成为一名认证的ML工程师。但是，尽管学习基础知识可以帮助您适应ML特定的编程技能，但成为一名工程师可能需要丰富的编程经验。ChangeHealthcare的AI负责人AlexErmolaev建议，ML工程师需要具备构建高性能/可扩展产品的经验、数据管理技能，以及构建AI/ML模型或工具的经验。全球最流行的编程语言有Python、JavaScript和C++等。通常，Python是首选的数据分析工具，而C++是深度学习和计算机视觉的必备工具。您选择使用的编程语言会在一定程度上影响您的体验。收集有关语言语法、分析库和合适的集成开发环境(IDE)的信息也会有所帮助。您还需要关注部署和扩展模型等问题。可能还需要部署和扩展模型的经验。部署是机器学习生命周期中最重要的部分之一，它与扩展一起有助于简化大规模消费的过程。一些公司有软件工程师团队来处理这些细节，但其他公司则没有。这就是为什么最好在面试日期之前就弄清楚这些细节。对于那些对编码实践感兴趣的人，请查看我的文章-“IFailedtheDamnCodingInterview”。尽管如此，无论特定工作是否需要编码，大多数ML领导者都希望潜在的候选人了解向工程师交付模型所涉及的内容。重要的是能够根据数据量、运行时间和复杂性等因素对模型是否具有生产价值做出现实的评估。ML中的建模ML中的术语“模型”是指训练过程中的产品或工件。建模是一组数学参数和表达式，它们以给定数据集不同元素的类和动作的形式与输入和输出链接在一起。建模的任务是处理数据的回归、分类和扩充。或者简单地说，建模需要大量的数学知识。通常不是学校教的那种。这既是ML工程师的数学能力非常重要的原因，也是为什么像博士学位这样的资格证书非常重要的原因。可以给一个优势。在机器学习中使用“学习”一词的人并不是在开玩笑，因为您需要熟悉几种学习类型（甚至是子领域）。尽管我很想在这里谈论它们，但我打算在机器真正开始工作之前结束这篇文章。错误的面试和应避免的错误面试中应避免的三大错误是什么？微软需求优化负责人AnirbanSengupta表示，潜在候选人的三个致命错误是用复杂的术语给面试官留下深刻印象，注重数量而不是质量，无法描述过去的项目。还有其他错误——面试官恐慌，没有花时间正确回答问题。恕我直言，如果您不是万事通也没关系，只要您精通某些领域即可。始终专注于质量。如果你不知道什么，就承认它并表现出学习的热情。一路上向潜在的雇主证明，如果你愿意，你可以学到新东西。在与一些机器学习负责人的交谈中，我发现机器学习工程师倾向于展示自己快速学习新事物的能力，能够展示学习的高度，并且不会机械地回答问题。例如，如果您不确定面试官想要什么，请不要回避询问有关您自己的问题。对你知道或不知道的事情保持乐观。面试官想体验的是和你一起工作一天是什么感觉。如果你在面试中缺乏协作或澄清问题的能力，他们自然会认为你在工作中也会避免澄清问题。面试官通常喜欢判断你的分析能力和处理问题的方式。他们想评估你的思维过程。这就是为什么你在面试时应该诚实和一丝不苟。夸大你的简历是一个很大的禁忌，永远不要这样做。如果你说谎，你很快就会被发现。一旦面试官深入到一个你不完全理解的话题，就该说出你的想法了。成功候选人展现的共同特征成功的人总是有一些共同点，以下是大多数成功候选人所具备的特征。协作。机器学习不是单人游戏。这更像是一项团队运动。当您以ML工程师的身份开始您的职业生涯时，您可能会与技术人员和非技术人员一起工作。您应该具备出色的沟通和领导能力，才能与团队合作并领导团队。要有自知之明。能够从错误中吸取教训尤为重要。为错误辩护不会让你走得太远。这只是一种告诉世界你不能接受失败的方式。最后但同样重要的是，对你所做的事情保持谦虚和热情，因为这是你能够做出积极贡献的方式。向您发送Xyonix创始人DeepDhillon的话：“人才难得。现在，他们的劳动报酬过高而未得到充分利用。”Facebook、谷歌和亚马逊正在招聘所有顶尖人才。博士这些公司的毕业生正在努力改善营销活动、广告收入和点击率，这样他们就可以像在Xyonix那样从事其他项目。我们永远专注于人工智能。其中一些项目包括：医院单位的患者普查预测器智能手机和基于音频的异常心跳检测器用于体内手术的自动视频注释和分割引擎用于自动意见提取的医学外科文本审查解析器拥有大量数据集的公司。他们的一些项目超越了营销和销售。关键是要确定你是否真的热衷于此？机器学习工程师和数据科学家的需求量很大。您在哪里工作或做什么并不重要。你们都会得到丰厚的报酬。不同之处仅在于世界受到影响的方式以及日常生活中技术的使用。
