AI 职业发展不走弯路！人工智能权威学者吴恩达亲自指导，AI 小白也能顺利拿到高质量 offer！
大家有没有感受到，今年关于“就业指导”的自媒体，在各大社交平台出现的数量，比以往翻一番。“XX 年大厂职场 er 教你职业规划“，“资深 HR 教你如何拿下 offer“这些自媒体，已经包围了小编每一个社交 app。
但小编并没有向这些自媒体哐哐砸钱，通过这两年不停的网上冲浪，已经知晓人工智能（AI）是这些年重要的发展方向，再加上人工智能和机器学习领域国际上最权威的学者之一“吴恩达”亲自出书进行职业指导，这条 AI 职业规划路瞬间清晰！
如果你是想要进入 AI 领域的学生， AI 领域的初学者和新手，想要转行 AI 领域的职业人那就一定要听咱们吴恩达先生的全方位 AI 职业发展建议，小编将其规划建议重点毫无保留的整理出来！话不多说，我们往下看！
绘制 AI 职业路线图
吴恩达表示：职业发展的三个关键步骤是学习基础技能、做项目（提升你的技能，建立作品集并产生影响）以及找工作。这些步骤相互叠加。然后为我们绘制了职业路线图：
关于人工智能领域的职业路线如下：
LEARNING：
学习基础技能是一个终身的过程。人工智能仍处于初级阶段，许多技术仍在发展中。虽然机器学习和深度学习的基础正在成熟——课程是掌握它们的有效方式——但超越这些基础，在变化的技术中保持与时俱进对人工智能比在更成熟的领域更重要。
PROJECTS：
在项目中工作通常意味着与缺乏人工智能专业知识的利益相关者合作。这使得“找到合适的项目、估算项目的时长和投资回报以及设定预期”变得具有挑战性。
此外，AI 项目的高度迭代性质给项目管理带来了特殊的挑战：当你事先不知道达到目标精度需要多长时间时，如何为构建系统制定计划？即使系统达到了目标精度，在部署后可能还需要进一步的迭代来解决漂移问题。
JOB：虽然在人工智能领域找工作可能与其他行业类似，但也有一些重要的不同之处。许多公司仍在努力弄清楚他们需要哪些人工智能技能，以及如何雇佣具备这些技能的人。你在工作中做过的事情可能与面试官见过的东西大不相同，你更有可能需要向潜在雇主解释你的工作内容的一些方面。
在完成每一步的同时，你也应该建立一个支持性的社区。拥有能帮助你的朋友和盟友——以及你可以努力去帮助的朋友和盟友——会让道路变得更容易走。无论你是刚开始还是已经在这条道路上走了好多年，这都是事实。
AI 职业路线图详细说明
深入探讨第一步：学习基础知识。
关于人工智能的研究论文，吴恩达比任何人在一生中能阅读的都多。因此，在学习时，优先考虑主题选择至关重要。
吴恩达认为机器学习技术职业中最重要的话题如下：
基础机器学习技能：例如，了解线性回归、逻辑回归、神经网络、决策树、聚类和异常检测等模型是很重要的。除了具体的模型之外，更重要的是理解机器学习如何以及为何能够工作背后的核心概念 ，比如偏差/方差、代价函数、正则化、优化算法和错误分析。
深度学习：这是机器学习的一个如此重要的部分，以至于在不了解它的情况下很难在这个领域取得优异的成绩！了解神经网络的基本知识（如超参数调整）、卷积网络、序列模型和转换器是有价值的。
与机器学习相关的数学：关键领域包括线性代数（向量、矩阵以及它们的各种操作）以及概率论和统计学（包括离散和连续概率、标准概率分布、独立性和贝叶斯规则等基本原理，以及假设检验）。
此外，探索性数据分析（EDA）——使用可视化和其他方法对数据集进行系统探索——是一项被低估的技能。吴恩达发现，在以数据为中心的人工智能开发中，探索性数据分析特别有用，分析错误并获得洞察力可以真正推动进展！
软件开发：虽然只需要具备机器学习建模技能就可以找到工作并做出巨大贡献，但如果你还能编写出优秀的软件来实现复杂的 AI 系统，那么就业机会将会增加。这些技能包括编程基础、数据结构（尤其是与机器学习相关的数据帧）、算法（包括与数据库和数据操作相关的算法）、软件设计、熟悉 Python 以及熟悉 TensorFlow 或 PyTorch 和 scikit-learn 等关键库。
即使掌握了以上列表上的所有内容，吴恩达也希望各位能能继续学习，并不断提高自己的技术知识。
如何获得这些技能？
吴恩达表示阅读松散的网页效率低下，不一致的术语会拖慢学习的速度，质量参差不齐且有遗漏。因此建议选择好的课程来学习技能，因为一个好的课程，其内容已经被组织称连贯和逻辑的形式，是掌握有意义的知识最省时间的方法。当吸收了课程中可用的知识后，你可以转向论文和其他资源。
吴恩达表示：没有人可以在一个周末或甚至一个月内掌握他们需要知道的一切。
他认识的所有擅长机器学习的人都是一生的学习者。考虑到我们领域的变化速度如此之快，如果你想跟上步伐，那就别无选择，只能继续学习。
深入探讨第二步： 成功项目获得与作品集制作
多年来，吴恩达一直享受着在制造业、医疗保健、气候变化、农业、电子商务、广告和其他行业应用机器学习的乐趣。
不同领域都不了解的人如何在其中找到有意义的项目呢？
这里有五个步骤可以帮助你确定项目的范围。
第一步：识别一个业务问题（而不是人工智能的问题）。
吴恩达喜欢找一个领域的专家，然后问他们：“你们希望哪些事情能改善？为什么它们还没有得到改善？”例如，如果你想应用人工智能来应对气候变化，你可能会发现电力运营商无法准确预测未来风能和太阳能等间歇性能源可能产生的电量。
第二步：头脑风暴人工智能解决方案。
年轻的时候，吴恩达常常会执行让我感到兴奋的第一个想法。有时效果还不错，但有时我会错过一个更好的主意，而这个主意可能并不需要更多的努力来实现。一旦你理解了一个问题，你可以更有效地头脑风暴潜在的解决方案。例如，为了预测间歇性能源发电，我们可以考虑使用卫星图像来更准确地绘制风力涡轮机的位置，使用卫星图像来估计风力涡轮机的高度和发电能力，或者使用天气数据更好地预测云层覆盖情况，从而更好地预测太阳辐射。有时没有很好的 AI 解决方案也没关系。
第三步：评估潜在解决方案的可行性和价值。
你可以通过查看已发表的研究、竞争对手已经做了什么，或者构建一个快速原型来确定方法是否在技术上可行。你可以通过咨询领域专家（例如电力运营商）来判断其价值，他们可以就上述潜在解决方案的实用性提供建议。
第四步：确定里程碑。
一旦你认为项目具有足够的价值，下一步就是确定要达到的目标。这包括机器学习指标（如准确率）和业务指标（如收入）。机器学习团队通常对学习算法可以优化的指标最熟悉。但有时我们需要走出舒适区，提出与用户参与度、收入等相关的业务指标。 不幸的是，并不是每个商业问题都可以简化为提高测试集精度！如果你无法确定合理的里程碑，那可能表明你需要更多地了解该问题。快速原型设计可以帮助提供缺失的视角。
第五步：为资源分配预算。
为资源分配预算。考虑所有完成项目所需的资源，包括数据、人员、时间和可能需要来自其他团队的支持或集成。例如，如果你需要资金购买卫星图像，请确保你的预算中有这笔钱。做项目是一个迭代的过程。如果你发现当前的方向不可行，那就回到之前的步骤，并根据你的新理解继续进行。
如果没有任何项目想法怎么办？
以下是几种产生想法的方法：
加入现有的项目。如果你发现其他人有同样的想法，可以要求加入他们的项目。
继续阅读、学习，和人交谈。花很多时间读书、上课或与领域专家交谈时，就会产生新的想法。
关注一个应用领域。许多研究人员都在努力推进基础人工智能技术——比如说，通过发明下一代变压器或进一步扩大语言模型。如果你的公司或学校关心某个特定的应用程序，请探索机器学习的可能性。这可以让你先于其他人看到一个潜在的创造性应用程序。
开始一个副业。即使你有一份全职工作，一个可能或不可能发展成更大事业的有趣项目也可以激发创造力，并加强与合作伙伴的关系。
当吴恩达是一名全职教授时，在线教育并不是他的“工作”，他的工作是做研究和教课。这是一个有趣的爱好，他经常出于对教育的热情而致力于它。他在家录制视频的早期经历后来帮助其以更实质性的方式开展在线教育的工作。硅谷有很多关于初创公司如何从副业开始的故事。只要不与雇主发生冲突，这些项目就可以成为走向成功的垫脚石。
如果已经有一些项目想法，应该选择哪一个？
以下是需要考虑的一些因素：
这个项目能帮助你技术上成长吗？理想情况下，它应该具有挑战性，足以拉伸你的技能，但又不至于让你几乎没有成功的机会。这会让你走上掌握日益复杂的技术的道路。
你有好的队友一起工作吗？如果没有，你可以跟谁讨论事情呢？我们从身边的人身上学到很多东西，而优秀的合作伙伴会对你的成长产生很大的影响。
它能成为踏脚石吗？如果该项目成功，其技术复杂性/或商业影响是否使其成为更大项目的有意义的踏脚石？如果项目比您之前完成的任何项目都大，则它很可能是这样的一个踏脚石。
最后，避免分析瘫痪。花一个月的时间来决定是否值得花一周时间完成一个项目是没有意义的。在你的职业生涯中，你会做多个项目，所以你会有很多机会去思考什么是有价值的。
构建一个展示技能进步的作品集
课程项目：最初的一些项目可能是范围狭窄的家庭作业，答案已经预先设定好了。这些通常是很好的学习经历！
个人项目：你可以继续独立或与朋友一起完成小规模项目。例如，您可以重新实现一个已知算法，在业余时间用机器学习来处理您的爱好（比如预测您最喜欢的运动队是否会赢），或者在工作之余构建一个小而有用的系统（比如一个基于机器学习的脚本，帮助同事自动化一些工作）。参加 Kaggle 等组织的比赛也是获得经验的一种方式。
创造价值：最终，你会获得足够的技能来构建他人会看到更多实际价值的项目。这为获取更多资源打开了大门。例如，与其在业余时间开发机器学习系统，不如将其作为工作的一部分，并可能获得更多设备、计算时间、标签预算或人力。
范围扩大，复杂性增加：成功会相互叠加，从而打开通往更多技术增长、更多资源和日益重要的项目机会的大门。
每个项目只是长旅程中的一步，希望这是一步向着积极方向前进的。此外：
不要担心从一个小项目开始。吴恩达第一个机器学习研究项目之一就是训练一个神经网络，让它学会模仿正弦函数 sin（x）。这并没有什么用处，但是这是一个很好的学习经历，让我能够继续进行更大的项目。
沟通是关键。如果你想让别人看到你的工作的价值，并相信你可以投资于更大的项目，那么你就需要能够解释你的想法。为了启动一个项目，清楚地传达你希望实现的目标的价值会帮助同事、导师和管理者加入进来——并帮助他们指出你推理中的漏洞。在你完成之后，能够清楚地解释你所取得的成就将有助于说服其他人对更大的项目敞开大门。
领导力不仅仅属于管理者。当你开始从事需要团队合作的大规模人工智能项目时，无论你是否担任正式的管理职位，你的项目领导能力都会变得更加重要。
建立一个项目组合，尤其是从简单到复杂的任务随着时间推移不断发展的项目组合，将会在寻找工作时大有帮助。
深入探讨第三步：AI 求职计划启动
找工作的过程可以分为几个可预测的步骤，吴恩达提供一个对许多求职者都有用的框架，尤其是那些从不同领域转行进入人工智能领域的求职者。
如果你在考虑下一份工作，问问自己：
你在转换角色吗？例如，如果你是一名软件工程师、大学生或物理学家，并且希望成为一名机器学习工程师，那就是一种角色转换。
你在换行业吗？例如，如果你在医疗保健公司、金融服务公司或政府机构工作，而你想为软件公司工作，那就是换行业。
在科技初创公司担任产品经理的人，转到同一或不同公司的数据科学家岗位，就职角色发生了变化。制造业公司的一名营销人员，在科技公司担任营销人员，则跳槽了行业。金融服务业公司的分析师，在科技公司成为机器学习工程师，不仅职位变了，行业也变了。
如果你正在寻找第一份人工智能工作，你可能会发现转换角色或行业比同时做这两件事更容易。
假设你是金融服务业的分析师：
如果你在金融服务领域找到了数据科学或机器学习的工作，那么你可以继续使用你的专业知识，同时获得人工智能的知识和专长。在担任这个职位一段时间后，你会更好地准备转向科技公司（如果这是你的目标）。
或者，如果你在科技公司成为分析师，你可以继续使用你的分析技能，但将其应用于不同的行业。作为科技公司的一员也使得从同事那里学习关于人工智能的实际挑战、成功所需的关键技能等变得更加容易。
当你换工作时，你在走向未知，尤其是如果你正在切换角色或行业，
了解新角色/行业的最佳方法之一是信息面试。
如果你正准备转换角色（比如，第一次担任机器学习工程师）或行业（比如，第一次在人工智能科技公司工作），那么你很可能对目标职位知之甚少。信息面试是一种很好的了解方法。
信息面试涉及寻找一家公司或一个职位，你想了解更多关于它的情况，并与他们进行非正式的交谈。这些对话与找工作是分开的。事实上，在开始求职之前，最好先找一些符合你兴趣的人进行访谈。
信息面试对人工智能尤其有用。由于该领域正在发展，许多公司使用不一致的方式来定义职位名称。在一家公司里，数据科学家可能主要负责分析业务数据，并在幻灯片上呈现结论。而在另一家公司，他们可能会编写并维护生产代码。信息面试可以帮助您了解某家公司的 AI 人员实际上都在做些什么。
随着人工智能机会的迅速扩展，许多人会第一次从事人工智能工作。在这种情况下，信息面试对于了解正在发生的事情以及做好这项工作的技能要求非常有价值。例如，您可以了解特定公司使用哪些算法、部署过程和软件堆栈。如果您不熟悉数据为中心的人工智能运动，您可能会惊讶地发现大多数机器学习工程师花在迭代清理数据集上的时间。
提前做好信息面试准备，事先研究好被访者和公司，这样你就可以带着深思熟虑的问题去参加面试。你可以问：
你在一周或一天中做什么？这个角色最重要的任务是什么？成功最重要的技能是什么？你的团队是如何一起合作完成目标的？雇佣流程是什么？考虑一下过去的候选人，是什么让他们脱颖而出？找到可以采访的人并不总是那么容易，但是今天许多担任高级职位的人都得到了帮助，当他们刚入行时，那些比他们更早进入该领域的人给予了他们帮助，如果你能找到已经在你的社交圈子里的人——也许是在你之前就职或毕业于同一所学校的朋友——那就太好了！、
之前多次提到过你们的人脉和社区的重要性。除了提供有价值的信息外，你们遇到的人还可以通过向你们推荐潜在雇主来发挥宝贵的参考作用。
AI 职业发展的关键
以下是你可以考虑的一些额外因素
团队合作：当我们处理大型项目时，团队合作比个人工作更有效。与他人协作、影响他人并受他人影响的能力至关重要。因此，人际交往和沟通技巧真的很重要。（顺便说一句，我曾经是个很差劲的沟通者。）
网络：没有人是一座孤岛，在你需要帮助或建议的时候，有一个强大的专业网络可以让你向前推进。在吴恩达看来，建立社区比社交更有用。因此他不再试图扩大社交圈，而是专注于加强其所在的社区。这也有助于我结识更多的人，交到朋友。
求职：在建立职业生涯的所有步骤中，这一步往往会受到最多的关注。不幸的是，在互联网上有很多关于这个问题的糟糕建议。(例如，许多文章都要求对潜在雇主采取对抗的态度，我认为这不是很有帮助)。虽然找工作似乎是最终极的目标，但它只是职业生涯漫长旅程中的一个小小步骤。
利他主义：那些在自己的旅程中帮助他人的人，往往能取得更好的自我成就。
个人自律：很少有人会知道你是如何度过周末的，是在学习还是在沉迷于电视节目——但他们会在一段时间后注意到不同。许多成功人士养成了良好的饮食、锻炼、睡眠、人际关系、工作、学习和自我照顾的习惯。这些习惯帮助他们保持健康并不断前进。
克服“冒名顶替综合症”
人工智能新手有时会遇到的冒名顶替综合症。即使某人在该领域取得了成功，他们仍怀疑自己是否是骗子，是否真的属于人工智能社区。我想确保这不会阻止你或任何人成长。
据估计，大约有 70%的人在某个时候会经历某种形式的“冒名顶替者综合症”。许多才华横溢的人都公开谈论过这种经历，包括前 Facebook 首席运营官谢丽尔·桑德伯格、美国第一夫人米歇尔·奥巴马、演员汤姆·汉克斯以及 Atlassian 联合首席执行官迈克·坎农-布鲁克斯。人工智能在技术上很复杂，它拥有足够多的聪明且能力超群的人。但请记住，要成为任何领域的专家，第一步都是要糟糕透顶。如果你在人工智能领域表现得很糟糕——恭喜你，你已经走在成功之路上了！吴恩达自己曾经努力去理解线性回归背后的数学原理。当逻辑回归在自己数据上表现得很奇怪时，花了好几天才在自己的基本神经网络实现中找到一个错误。直到今天，仍然发现许多研究论文很难阅读。所以，如果你也觉得 AI 的部分内容很困难，没关系。大家都有过这样的经历。如果遇到类似的困难，问问自己是否有支持性的导师或同行吗？如果没有，那就去参加“派对与人工智能”或其他活动、使用讨论板，并努力寻找一些。如果你的导师或经理不支持你的成长，那就找那些支持你的人。
写在最后
吴恩达先生的最终思考：让每天过的有意义。以下为他的个人自述：
也许你擅长数学；我相信你能通过快速计算回答下面的问题。但是请允许我问你一个问题， 请你凭直觉来作答，不要思考。
人类的平均寿命是多少天？
当我问朋友们时，很多人选择了几十万。(其他人则会计算出答案，让我很恼火！)当我还是研究生的时候，我记得我把我的统计数据输入到一个死亡计算器里来计算我的预期寿命。这个计算器告诉我我可以活 27649 天。我觉得这个数字好小啊。我把它用大字体打印出来贴在我办公室的墙上作为每天的提醒。这是我们可以与亲人共度、学习、为未来做准备并帮助他人的时间。无论你在做什么，今天所做的事情值得你生命中的三分之一吗？
文章推荐
分享SPG，AGL，ACE和LLM在金融领域的进展。 2023-12-25 加入
还未添加个人简介
评论