成为未来几年最炙手可热的机器学习人才，基本功、秘密武器和弹药补给

成为未来几年最炙手可热的机器学习人才，基本功、秘密武器和弹药补给

在知乎上看到一篇文章：成为未来几年最炙手可热的机器学习人才，基本功、秘密武器和弹药补给 对机器学习的研究总结的很好。归纳一下重点下来：

工业界需要什么样的人才？

对学术界而言，任何一个研究方向，NLP,深度学习，机器视觉等任何一个小的研究方向都值得花数十年时间，对那些在这个领域钻研和寻求突破的人值得尊敬。相比学术界而言，工业界由于受客观因素影响，如运算能力，人力成本，数据安全，算法稳定硬件运算等， 从而相比学术界而言，更偏重于算法的落地，对跨领域能将模型应用于专业领域的人需求非常强烈。
而在实际中，对大多数人来说，如何快速成长为一个机器学习专家，在自己所学专业上成为独当一方的多面手，显然更实用和更符合实际。
因此，将研究与专业和实践相结合用于实践，显然更符合这个社会大多数企业的需求。同时结合自己的专业进行钻研和深耕，能够使自己在众多的机器学习人才中脱颖而出。
因此询问：哪个方向的机器学习人才最紧缺？
答：每个领域都需要专精的机器学习人才，你对特定领域的理解就是你的武器。

如何打好基本功

机器学习对数学的要求并不是那么强烈，吴恩达教授列举出了数学四个方向依次的重要性：
- 线性代数
- 概率论与数理统计
- 微积分
- 优化理论

而实际上，机器学习虽然需要一定的专业知识，但大部分时候没必要通晓数学，但有需要时，再有针对性的去了解和学习对应的知识点，并及时进行总结，久而久之将这些零碎的知识点由点到线到面成为一个系统，这样明显会更有效果。 值得推荐的一些好的书籍：Deep learning 大牛的书， 中文书籍：周志华的西瓜书机器学习
目前大部分机器学习都有现成的封装，只需要知道每个算法的基本原理，需要选择什么样的模型，调用对应的API即可。并可以结合API源码，看最终的算法实现可以加深对算法的理解。
工业中常见的分类模型需要理解和运用：
1. 回归模型 (Regression) 包括产品定价，预测产品销量等。 以及现阶段现阶段比较流行的回归方法是以数为模型的xgboost
2. 分类模型（classification） 随机森林（Random Forests）和支持矢量机（SVM）， Logistic Regression 分类，相比神经网络，这些模型依然非常流行。
3. 神经网络（Neural Networks） 掌握工业界比较实用的基本的三套网络： ANN, CNN, RNN-LSTM，reinforcement learning（很有潜力）
4. 无监督和半监督模型 无监督：标签数据缺失； 半监督：标签数据很少。无监督或许可以通过数据标定变为半监督问题。Hintion就在deeplearning.ai中认为监督学习明显比无监督学习更实用更有效。 如何利用有限的标签进行学习。这个可能还涉及到迁移学习。对半监督问题或许能够提供一定的解决思路。
5. 可视化技术；暂时还没有学习和了解。
Andrew教授在[任何人都能成为机器学习专家]（https://baijiahao.baidu.com/s?id=1578477131305108370&wfr=spider&for=pc）中，对如何成为深度学习专家提供了一下几点意见（大道至简，大牛的总结就是这么精辟，这与经典文章技术大牛养成指南，一篇不鸡汤的成功学实践介绍的一万小时理论惊人的相似； 文章写的非常好，建议大家都看看）原来成为大牛就取决于你是否愿意坚持和付出：
1. 学习coursea课程和经典论文以及其它大牛博客，网站等资料理解算法的理论和方法
2. 下载大牛的程序复现他们的工作；并熟悉该门编程语言；
3. 把学习到的东西和感悟总结和分享出来（像我这样写博客，虽然知道不多，但不断的积累和分享，不为别人，更为自己）
4. 不断的花费大量的时间重复1-2-3 然后坚持