[译]两年前我对编程一无所知，现在我是一名AI工程师

本文翻译自Medium上的一篇文章，原文标题：I had no idea how to write code two years ago. Now I’m an AI engineer. 点击文末的阅读原文可以跳转到英文原文。

两年前，我大学毕业，大学读的经济和金融学。我决定从事金融业，投资银行和全球市场 - 这些都是理想的工作。毕业前9个月，我在一家投资银行谋得一份职位，感到很自豪，因为如果以前没有在那家银行任职，通常很难谋到这个职位。

工作了几个月后，我学习了一些 Excel VBA，还学习了如何使用 Tableau，Power BI 和 UiPath（机器人过程自动化软件）。我认识到我对选择这些工具，学习编码更感兴趣，而不是学习银行产品。曾经因其复杂性而令我着迷的银行产品，现在仅被视为银行从客户获利的一种方式。

银行业环境极大地冲击了我的个人价值观，但这是另一个话题。

同时，与我一起工作的同事为我敞开了机器学习世界。一个人可以从某些输入中预测某些结果的事实使我很感兴趣。

我立刻被迷住了。

但是有一个问题 – 我只有初级的编码技能。在我的字典中，Python 是蛇的一种，而 Pig ... 是一头猪。

时光飞逝，两年后，我进入 AI 行业，成为 AI 工程师。这一路并不轻松，也不短。对我而言，转战 AI 行业仅仅是开始 - 我学习和成长的新开始。这就是我的旅程。

免责声明

每个人的数据科学之旅都是不同的。本文不是探讨如何进入人工智能，不应将其视为手把手指南。我希望这是个人的轶事，我希望它能激发人们的信念，去做自己想做的事情，因为生命太短暂了，不要去过没有意义的生活。

我的旅途

登上 MOOC 快车

虽然具有经济和金融学背景，但我不知道如何编码。Excel VBA 非常近似于编程，但仅此而已。作为一名优秀的学生，我想加入到数据科学的潮流中来，因此报名参加了一些的大规模开放在线课程（Massive Open Online Courses， MOOC）。不是一个，而是少量。这是我注册的课程列表：

• Python 训练营：Python 3 从零开始到精通[Udemy]
• 适用于数据科学和机器学习的Python训练营 [Udemy]
• 使用MySQL管理大数据[Coursera]
• Java初学者教程[Udemy]
• Web开发人员训练营[Udemy]
• 机器学习A-Z：动手实践数据科学, Python 和 R [Udemy]
• 使用Docker部署机器学习和NLP模型[Udemy]

不用说，我并没有完成其中的大部分课程（只完成了黑体字的部分）。我陷入了所谓的 MOOC 自我延续周期。容易获得知识使得从一门课程转到下一门课程是很自然的，由于所涵盖主题的简短，使我的兴趣短暂，常常无法完成前一门课程。

对我而言，这是 MOOC 的最大缺点 - 所涵盖内容的过于简单。也许我最初对 MOOC 可以推动我从事数据科学事业的期望太过幼稚。

为了说明问题，典型的 MOOC 讲授传统的机器学习（ML）方法通常会浮于表面，而略过模型实际的作用。随机森林被教导为决策树的集合，但是不涉及决策树如何确定在哪个分支选择了哪些特征（比如熵的概念和数学知识）。支持向量机仅作为分类方法进行讲授，但是将不介绍如何确定超平面。

当我们研究诸如深度学习之类的更高级的 AI 领域时，我所知道的与我所需要知道的之间的差异得到了体现。教深度学习的 MOOC 通常会在 Tensorflow 上使用诸如 MNIST 这样的不错的数据集编写大量代码，并得出结论，您现在是深度学习专家（我有点夸张，但您会明白要点）。这显然与实际情况相去甚远，因为研究论文通常包含复杂的体系结构，涉及理解深度神经网络模型中的特征提取，以及其他更复杂的特征，例如变换器和双向编码。理解为什么某些最新模型比其他模型更好地工作，以及迁移学习和元学习等概念也很重要。

我认为，教学机器学习（ML）的 MOOC 常常给人一种错误的印象，即任何人都可以成为 ML 实践者。天真地认为， ML 只是涉及 .fit() 和 .predict() 的几行代码，这是因为 MOOC 以这样一种方式表达：人们可以相对轻松地开始使用ML（也许可以将它们货币化，由于 ML 的大量宣传，课程非常有利可图）。

别误会我 - MOOC很棒。它们为人们提供了快速简便的方法来获取知识并进入某个领域。它们会让您成为专家吗？不。完成课程后，您要做什么，将决定您是否成为专家。

动手实践

完成了几门 MOOC 之后，我知道自己再不会有所收获。当然，我掌握了一些 Python 的基本技能，并且知道如何以 .fit() 和 .predict() 的方式使用 sci-kit learn，但是仅此而已。

为了提高我的编码技能，我在 Hackerrank 上进行了练习，并完成了有关 SQL 和 Python 的问题。同时，我希望有一个可以使用 Python 的真实项目。我开始做一个可以为我预订羽毛球场的机器人的项目。这主要涉及使用 Selenium 与浏览器进行交互以浏览网页，并最终加入购物车并向羽毛球馆付费（这类似于秒杀运动鞋机器人）。这样做的动机是，新加坡的羽毛球场通常两周之前就预订一空，很多人常常每天蹲守网站，守候发布时间（他们通常在一两秒钟之内就预订了）。

即使我对用Python编写代码更有信心，但我对代码效率一无所知。时间和空间的复杂性对我来说完全陌生。面向对象的编程在我脑海中是一个永远不会发光的概念（更不用说最终被遗忘了）。

在 ML 方面，我是 Jupyter notebook 专家。我可以将 Jupyter notebook 的主题更改为暗模式，并会使用所有键盘快捷键。显然，我已做好担任数据科学家角色的准备。

现实检验 - 我的面试惨败。还没等我提及数据科学，涉及代码的技术测试便挡住了我的脚步。我申请的技术分析师的职位使我转到了另一个部门，因为他们认为我会更好地担任业务分析师。

我离我要去的地方还很远。

实践还不够

为了深入了解 ML 并磨练我的 Python 技能，我决定前往新加坡管理大学攻读商业 IT 硕士学位（专门研究 AI ）。

我了解了传统 ML 模型背后的数学原理，并在自定义数据集上应用了最新的深度学习架构。我了解了有关 AI 的重要概念，包括常见的搜索算法，Q-learning和深度Q-learning。我学习了算法设计，包括图形算法、时间和空间复杂度、名称匹配算法以及许多几乎使我的非计算机科学头脑爆裂的算法。从本质上讲，该课程为我提供了 MOOC 所缺乏的学术严谨性。

在这个时候，我有几个导师的项目。它们不是完整的项目，因为数据集通常是从 Kaggle 提供或获取的，并且通常在Jupyter notebook中展现。为了确保一致性，在Docker上运行了深度学习模型，但从未考虑过部署方面。它们毕竟是学校的项目。

我认为，硕士课程为 AI 专业人员提供了严格的学术要求，但缺乏实际应用方面的锻炼。硕士学位课程不会告诉您从事数据科学工作的必要条件 - 您必须自己弄清楚这一点。数据科学家的工作范围通常需要软件工程和 DevOps 技能（尽管范围不广）。在大型组织中，代码协作也很重要。因此，了解如何设置 Docker 环境、启动 AWS EC2 实例、在 Azure blob 存储上托管数据集、有效地组织代码以及使用 GitHub 或 GitLab 进行版本控制是一些必需的关键技能，但课堂上并未讲授这些技能。

即使您认为自己不够出色，也要尝试

我继续进行面试，在技术面试和非技术面试中积累了很多经验（尽管大多数都不及格）。它还使我知道了我不知道的内容，并花了一些时间来学习这些技能。更重要的是，它使我能够理解公司为相同角色提出的不同类型的职位描述，以及这些职位描述如何与公司在采用 AI 方面的成熟度相对应。

两年后，我获得了一个AI 工程师的职位。对我来说，这是一个学习和发展自己充满激情的领域的绝佳机会。不仅如此，这证明了任何人都可以完成他们打算要做的事情，尽管有些人可能要花更长的时间。

归根结底，职业是马拉松，而不是短跑。做自己喜欢做的事情，因为它将占据你生命中的大部分时间。

如果您感到迷茫，请记住 Elsa 所说的话，然后做对的事情。

很高兴收到任何评论:)