如何在AI领域搞事业（感性翻译）【保持更新中】

BTW，知乎上**吴恩达**老师账号下面也有直接发双语的，可以自行看看。（不知道为啥，总会觉得翻译有些词不达意，建议大家还是读原文咯）

写在前面：
最近在思考一些职业和人生规划问题，刚巧在deeplearningAI the batch上看到了Andrew写的一点点建议，简单阅读翻译一下，也给自己一点时间思考沉淀。

关键词：KEEP LEARNING

参考来源：
Part 1: Three Steps to Career Growth
Part 2: Learning Technical Skills
Part 3: Choosing Projects
Part 4: Progress Through

搞事业的三个步骤

AI领域的快速发展带来了一大波AI相关职位，很多人都开始在AI领域搞事业。个人事业是一个相对较长的旅程，并且很多时候都不是一条笔直的路。Andrew给大家分享了一些可能对大家搞事业有用的想法。

搞事业比较关键的三个步骤：

• 首先，学习基础技术、技巧（learning technical skills）
• 然后，做一些实践项目（doing project work）
• 最后，找相关的工作（searching for a job）

这三个步骤对大多数岗位来说其实都适用，但是在AI相关岗位又有些特别：

1. AI是新兴领域，很多技术都还在不断发展中。机器学习和深度学习的理论基础正在不断发展成熟的过程中，需要去系统学习（感觉老师在营销课程hhh（狗头保命）），此外还要关注AI领域的技术革新（keeping up-to-date with changing technology）。
2. 做项目经常意味着要和没有AI领域知识的人一起工作。对和技术领域外的人一起确定项目内容、目标、时长等，是一件有挑战的事情（这真的是大实话）。此外，AI项目的快速迭代对项目管理来说也是一种挑战：当你不清楚要多久才能达到目标准确性值时，你该如何去规划系统开发计划呢？即使当前系统已经达到了目标，后续产品的优化迭代也会比较复杂。
3. 当你找AI相关岗位的时候，会发现其实很多公司也还没搞清楚自己需要什么类型AI人才，以及怎么去招聘他们。可能你自己做的东西和面试官想的完全不一样，还要和招聘者解释你的工作。

Andrew认为社区（community）可以为搞AI事业的人提供一些帮助。和有相同兴趣、爱好、志向的人一起分享，互帮互助，或许会更easy一点。

关于学习AI基础技能

AI领域的论文简直太多了，可能任何人穷其一生都没办法全部读完。所以很重要的一点就是要找一个自己感兴趣的topic，Andrew列了一些机器学习领域比较重要的技术topic：

• 机器学习基础

  理解基础的机器学习模型（线性回归、逻辑回归、神经网络、决策树、聚类、异常检测等）是非常重要的。除了这些模型以外，更重要的是要理解机器学习的原理，比如bias/variance, cost functions, regularization, optimization algorithms 以及 error analysis（老感觉这些概念的中文翻译很诡异，直接放英文了）。

• 深度学习

  深度学习已经成为了机器学习一个非常大的分支，如果不理解深度学习就不要谈去好好使用它啦。首先了解神经网络的基础概念是非常关键的，然后还要学习如何去调整它们来适应目标任务（调参），还要学习卷积网络，序列模型和transformer等内容。

• 机器学习相关数学理论

  主要涉及到的数学内容是线性代数（向量、矩阵和矩阵操作）和概率论以及统计学（离散和连续概率，标准概率分布、独立性法则、Bayes法则、假设检验等）。此外，探索性数据分析EDA（exploratory data analysis）也非常重要（通过数据可视化等方法对数据集进行系统性探索）。Andrew还发现在以数据为中心的AI任务中，EDA方法非常有用（可以通过EDA分析错误和获得启示，以得到一些progress）。最后，对微积分的一些基础理解也能给AI任务带来帮助。在这里，Andrew曾经有写过数学对机器学习的重要性，不过随着时间推移算法的发展，这些东西也随之改变了。比如一些任务中可能需要用到微积分知识，现在已经有自动微分的软件胡总和神经网络框架可以直接使用，不用亲自去做微积分。

• 软件开发

  假设你仅通过机器学习建模技巧就能找到工作并作出贡献，这时如果你又会做软件开发来实现AI系统，那你的工作机会就会更多啦。软件开发技巧包括编程基础，数据结构（特别是机器学习相关的内容，如数据框等），算法（数据库和数据操作相关），软件设计，熟练掌握Python，熟悉Tensorflow或者PyTorch等主要的Python库。

以上这些已经是非常丰富的学习内容了。即使你已经掌握了以上所有内容，但还是需要保持学习并加强相关技术知识。很多不同应用领域（NLP、CV）或者技术领域（概率图模型、弹性软件系统）的机器学习工程师都在不断的学习提高自己的技术栈。

那要如何学习这些技术呢？网上有很多好的资源，阅读这些优秀内容是有必要的。但是如果想要深入理解，仅靠这些网站资源（不系统、冗余重复、非专业术语、质量参差不齐）是远远不够的。所以还是推荐选择一门课程来学习（这里有点儿广告嫌疑了 hhhh 不过有时间系统学习还是非常必要的），然后还可以看看研究文献或者其他资源。

最后，没有人能一蹴而就，很多机器学习大牛都是终身学习的人。实际上，这个领域真的在飞速发展，如果你不想落下就必须得保持学习。那要如何持续学习呢？Andrew也写了点儿东西在这里。总结就是“不积跬步 无以至千里 不积小流 无以成江海”。

选择项目

首先毫无疑问，我们的项目必须是对人有益的、负责任并且合乎道德的。虽然有这些限制，但是我们能做的项目还是有很多的。Andrew在这里写过一下如何去识别并定义AI项目的内容。这里将从搞事业的角度介绍如何选择和执行项目。

在整个事业旅程中会有很多大大小小的项目，不一定一开始就要做个很宏伟的项目，所以从一个小项目开始是一件很正常不过的事情。从简单的项目开始学习，随着技能的提升逐渐去完成较大的项目。

开始做项目时不要去期待别人给你想法或资源，很多人都是从业余时间的小项目开始的。在得到小项目的正向反馈后，你的技能和能力的提升将会让你有更好的想法，这个时候再去寻求他人合作大一点的项目就会更容易。

如果你真的想不到什么好点子？可以从下面几点来启发一下自己：

• 参与现有项目
  如果你对别人的项目感兴趣，可以问问是否能够加入他们的项目。

• 保持阅读和沟通
  Andrew说自己在阅读，上课或者和领域专家交谈时会有灵感，大家可以试试。

• 关注一个应用领域
  很多研究者都想做基础AI技术的研发（比如下一代transformers或者更大的语言模型），虽然确实很酷，但是是真的难。不过机器学习尚未应用的领域却是非常广泛的。Andrew说自己很幸运能够将神经网络应用到直升机自动驾驶、在线广告投放等各个领域，当时这些领域应用AI技术的人还比较少。如果你所在的公司或者学校比较关注一个特定的领域，那你可以考虑一下能否应用机器学习技术来做点儿什么，这或许能帮你创造一个别人没做过的新应用。

• 搞搞副业
  即使你有全职工作，一个有趣的项目（不管最后能不能有大的产出）能让你保持创造性，也能帮你加强与同伴的联系。当Andrew还是个全职教授的时候，做在线教育项目并不是他的“工作”，他只是把这个作为一个有趣的爱好而已。早期在家录制视频的经验也为他的在线教育项目提供了实质性的帮助。硅谷的很多创业故事都是从副业开始的。只要不影响你的本职工作，这些项目都将成为伟大事业的垫脚石。

如果你已经有一些想法了，那要选择哪一个想法开始实现呢？可以从以下几点考虑：

• 这个项目能帮助你提升技术吗？
  最理想的状态是，这个项目有一定的难度可以帮你提升技能，但是又不至于很难成功。这可以帮你掌握更大的技术复杂性。

• 你有好的队友一起吗？
  如果你没有好的队友一起实践，那是否有人可以和你一起讨论呢？我们其实可以从周围人身上学到很多东西，好的伙伴会对你的成长有很大影响。

• 它能成为垫脚石吗？
  如果这个项目能完成，那其技术复杂性或者业务影响是否能让它成为更大项目的垫脚石呢？（如果这个项目比你之前做的项目要大，那它就有可能成为这样一块垫脚石）

最后，想那么多不如直接开干。避免浪费一个月的时间去思考是不是要做一个一周就能做完的事儿的情况发生。在整个职业生涯里你会做好多好多的项目，会有很多时间去回顾哪些项目是有价值的，目标也会慢慢清晰。在这么多可行的AI项目里，与其遵循传统的“ready, aim, fire”路线，不如直接“ready, fire, aim”干了再说。

关于ready, aim, fire和ready, fire, aim可以看看这里

项目与事业结合

在搞事业的路上，你不会仅完成一个AI项目，而是循序渐进的完成更大更复杂的一系列项目。比如：

1. 课堂项目
   最开始的项目可能是有标答的课后作业类型，比较局限。不过也是有用的学习经验。

2. 个人项目
   可能会需要独自或者和朋友一起去完成一些小项目。比如说，你可能会需要重现一个已知的算法，或者将机器学习方法应用到感兴趣的地方（比如预测你最喜欢的球队是否能获胜），又或是在空闲时间开发一个用于工作的小巧实用的系统（比如用机器学习方法来帮助同事自动处理一些工作）。参加一些比赛（比如Kaggle比赛）也是一个积累经验的好方法。

3. 创造价值
   最终你会获得足够的经验，来做一些能让人看到其中有形价值的项目，这将会为你带来更多资源。比如，你不用通过空闲时间来开发系统了，开发系统可能会变成你的正式工作，或许你还能有更多的硬件装备，计算时间，数据标注预算甚至可以招纳员工。

4. 提升范围和复杂度
   成功是相辅相成的，它将为你带来更多的技术提升，更多的资源，以及更多项目资源。

所以在挑选项目的时候，要记得这个项目只是漫长旅程的一部分（如果是正向的部分就很好啦）。此外：

• 不要担心初始项目太小
  我最开始的机器学习研究项目中，有一个是训练一个神经网络来模拟sin(x)方程。它看起来并不那么实用，但是是一个通向更大项目的很重要的经验。

• 保持沟通是关键
  如果你想让大家看到你的工作价值，并且充满信任的将资源交给你，那么你就得学会去表达自己的想法。在项目启动前，和他人沟通你想做的事情的价值会帮助你带来盟友、指导者以及管理者的加入，并且能让他们更好的指出项目的瑕疵/缺陷。当你完成项目时，清晰阐述你完成的工作也是非常重要的能力，这能说服别人给你提供更大的项目机会。

• 领导力不仅是管理者所需要的能力
  当你开始参与需要团队合作才能完成的大型AI项目时，不论你是不是正式的领导角色，你的领导能力将会显得更为重要。Andrew说他很多朋友都喜欢承担技术角色而不是管理角色，但是他们能通过深入的应用自身技术来对项目进行指导（比如合适投资新的技术框架或者收集更多特定类型的数据），这种形式的领导力也能对项目起到重要帮助。

下次将介绍如何去有计划的构建一套合适的项目，成体系的项目（随时间从易到难不断提高）将会为找工作提供很大的帮助。