软件工程师：机器学习也需要学习？

整理 | 郭露
出品 | CSDN（ID：CSDNnews）

对于软件工程师而言，机器学习（ML）的前提在于需要数据要足够真实。但事实上即使数据来源真实，软件工程师仍会面临许多问题，例如机器学习的门槛高、软件操作的难度大、系统维护困难等等，下面详细介绍了工程师在开发过程中所面临的问题。

（图源自ICphoto）

机器学习也需要学习？

机器学习作为人工智能的一大分支，指的是机器通过分析大量数据进行学习。目前机器学期依旧处于研究阶段，并且人们可能需要花大量的时间了解如何通过机器学习完成最基本的事情。

例如在图像分类中，必须：

• 了解张量、损失函数、迁移学习、逻辑回归、网络微调、超参数搜索、过拟合、主动学习、正则化和量化等概念；
• 熟悉一个及以上ML库，例如PyTorch、Tensorflow、FastAI或是scikit-learn等等。学习ML库比学习编程库要难得多，因为ML的概念与程序员的认知非常不同；
• 了解最先进的SOTA深度神经网络模型； 确保深度网络在适当的数据语料库中进行了预训练。

学习软件是必备项？

对于软件工程师来说，只有通过数据探索和管理的软件才能可视化数据、对数据进行详细的分析、查找数据样本并调试数据等。除此之外࿰