人工智能是最令人興奮和最具吸引力的領(lǐng)域之一。根據(jù)Gartner的數(shù)據(jù)，全球機(jī)器學(xué)習(xí)市場預(yù)計(jì)從2017年到2022年將獲得迅速發(fā)展。到2020年，人工智能預(yù)計(jì)將創(chuàng)造230萬個(gè)相關(guān)工作崗位。 機(jī)器學(xué)習(xí)工程師的平均工資在125,000美元到175,000美元之間。在AI人才收入最高的十大公司中，平均工資輕松超過20萬美元。但除了誘人的經(jīng)濟(jì)利益外，迅速發(fā)展的行業(yè)和高速學(xué)習(xí)的氛圍都讓這一領(lǐng)域產(chǎn)生了難以抵擋的魅力。本文將詳細(xì)介紹人工智能領(lǐng)域工作所要求的行業(yè)技能，以及如何腳踏實(shí)地地提高自己、習(xí)得足夠的能力。

人工智能領(lǐng)域的工作是怎樣的呢？

首先，我們需要清晰的定義這一領(lǐng)域的工作內(nèi)容和崗位職責(zé)。人工智能是一個(gè)非常廣泛的術(shù)語——它涉及在機(jī)器中復(fù)制人類學(xué)習(xí)和行為的理想動力。那我們?nèi)绾未蚱瓶鋸埖恼f法呢？讓我們首先談?wù)勅斯ぶ悄艿囊粋€(gè)特定要素，它有效且能到良好的回報(bào)：機(jī)器學(xué)習(xí)。機(jī)器學(xué)習(xí)是人工智能的一個(gè)子集，它涉及使用某些規(guī)則和算法來嘗試將有用信息從一個(gè)數(shù)據(jù)集推廣到更廣泛的數(shù)據(jù)集。

您可以采用人工分類的標(biāo)記數(shù)據(jù)，并通過機(jī)器學(xué)習(xí)擴(kuò)展邏輯，或讓計(jì)算機(jī)瀏覽未標(biāo)記的數(shù)據(jù)并為您解決問題。您可能會采用類似于深度學(xué)習(xí)或者強(qiáng)化學(xué)習(xí)的形式來達(dá)到預(yù)期的結(jié)果。如果您選擇進(jìn)入機(jī)器學(xué)習(xí)行業(yè)，您將使用數(shù)據(jù)管道——在從類似數(shù)據(jù)集中提煉出某些規(guī)則后，讓機(jī)器為新數(shù)據(jù)集做出預(yù)測和標(biāo)簽的技能。機(jī)器學(xué)習(xí)是一組用于處理數(shù)據(jù)的編程工具，深度學(xué)習(xí)或強(qiáng)化學(xué)習(xí)是其中的一個(gè)子集。關(guān)鍵的區(qū)別在于深度學(xué)習(xí)將通過多層反饋來運(yùn)作。類似神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型將自我糾正并針對某個(gè)結(jié)果進(jìn)行優(yōu)化，調(diào)整自身，使其輸出通過模型中權(quán)重的自我修改逐漸匹配其輸入。

這可能是最簡單的深度學(xué)習(xí)模型：也即上文提及的的感知器。在這種情況下，從一系列輸入中，在輸入和輸出之間執(zhí)行的隱藏計(jì)算層會自我修改，直到它到達(dá)所需的輸出。為什么這很重要呢？因?yàn)樗鼧?gòu)成了您所聽到的各種令人興奮的人工智能創(chuàng)新的基礎(chǔ)，從自動駕駛汽車到視頻/圖像識別。通過創(chuàng)建越來越高效的模型，幫助機(jī)器管理數(shù)據(jù)模式的復(fù)雜性，可以擴(kuò)展到數(shù)萬億的可能性，人類可以從自動處理更大規(guī)模的數(shù)據(jù)中受益——從豐富的數(shù)據(jù)集中獲得更多的信息。這些信息可以讓像Facebook這樣的社交網(wǎng)絡(luò)自動對其網(wǎng)絡(luò)上的照片進(jìn)行分類，或者允許某人根據(jù)您的搜索歷史進(jìn)行模式匹配和預(yù)測您的行為。

基礎(chǔ)概念和定義

接下來，讓我們明確定義機(jī)器學(xué)習(xí)領(lǐng)域的一些術(shù)語，以便我們清晰地理解。數(shù)據(jù)科學(xué)涉及使用統(tǒng)計(jì)和理論來處理大型數(shù)據(jù)集，以便您可以根據(jù)基礎(chǔ)數(shù)據(jù)集獲得商業(yè)領(lǐng)域的答案或預(yù)測。人工智能是使機(jī)器像人類一樣學(xué)習(xí)和推理的更廣泛的理念，但其中大部分的內(nèi)容理論多于實(shí)踐、想法多于落地。而機(jī)器學(xué)習(xí)是一種創(chuàng)建預(yù)測模型的方法，不需要詳盡的編程即可從數(shù)據(jù)中學(xué)習(xí)，這是一個(gè)具備可操作性的人工智能的子集。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)子集，很多情況下特指像卷積神經(jīng)網(wǎng)絡(luò)這樣的模型，它將輸入和輸出與密集的隱藏層相協(xié)調(diào)，這些隱藏層通過數(shù)據(jù)給出的監(jiān)督信號來修正權(quán)重的，以達(dá)到預(yù)期的結(jié)果。

當(dāng)您使用數(shù)據(jù)集和人工智能/機(jī)器學(xué)習(xí)時(shí)，傳統(tǒng)而言，在職位上有兩個(gè)基本區(qū)別：

數(shù)據(jù)科學(xué)家：他們通過模型的結(jié)果來分析和重構(gòu)商業(yè)邏輯，并對業(yè)務(wù)流程給出指導(dǎo)性建議。數(shù)據(jù)科學(xué)家將數(shù)據(jù)模型的結(jié)果傳達(dá)給商業(yè)決策者，他們也幫助調(diào)整和定制模型，幫助企業(yè)提出和解決正確的數(shù)據(jù)問題。機(jī)器學(xué)習(xí)工程師：他們構(gòu)建數(shù)據(jù)管道，允許數(shù)據(jù)科學(xué)家處理大量不斷更新的數(shù)據(jù)。在實(shí)踐中，他們負(fù)責(zé)為數(shù)據(jù)科學(xué)家定義的模型提供其所需數(shù)據(jù)，且他們經(jīng)常負(fù)責(zé)實(shí)現(xiàn)理論中的數(shù)據(jù)科學(xué)模型，并使其大規(guī)模地穩(wěn)定地運(yùn)行，實(shí)現(xiàn)適應(yīng)超大數(shù)據(jù)量的產(chǎn)品級的服務(wù)。雖然這里分為了兩個(gè)職位，但根據(jù)經(jīng)驗(yàn)來看即使兩個(gè)廣泛的角色有一些重疊，數(shù)據(jù)科學(xué)家也經(jīng)常會使用人工智能數(shù)據(jù)科學(xué)背后的理論，而機(jī)器學(xué)習(xí)工程師將在實(shí)踐中實(shí)施模型。數(shù)據(jù)科學(xué)家往往在機(jī)器學(xué)習(xí)、統(tǒng)計(jì)學(xué)和數(shù)學(xué)方面擁有更強(qiáng)的理論基礎(chǔ)，而機(jī)器學(xué)習(xí)工程師通常擁有更強(qiáng)大的軟件工程背景。

長遠(yuǎn)前景

很多人對人工智能或機(jī)器學(xué)習(xí)的長遠(yuǎn)前景仍然缺乏信息。這項(xiàng)工作是否會隨著其他人工智能的自動化而自動化？這個(gè)問題的確存在，但就目前而言，更重要的是要將人工智能放到與過去工業(yè)革命同樣的情況下去考慮：這波技術(shù)浪潮為人們帶來的是全新能力和創(chuàng)造新經(jīng)濟(jì)的可能性。 例如，ATM與銀行員工的數(shù)目相關(guān)。我們可以從ATM的歷史中了解到，自動化并不總是意味著失業(yè)，它還意味著新技術(shù)可以顛覆已確立的真理。

薪酬

數(shù)據(jù)科學(xué)家在這里的分類定義中有一個(gè)廣泛存在的差異：數(shù)據(jù)分析師也屬于他們的職權(quán)范圍。主要區(qū)別在于數(shù)據(jù)分析師更傾向于分析數(shù)據(jù)并對已建立的數(shù)據(jù)模型進(jìn)行一次性查詢，這些數(shù)據(jù)模型往往由數(shù)據(jù)科學(xué)家定義。下面將數(shù)據(jù)分析師和數(shù)據(jù)科學(xué)家角色之間的區(qū)別。

了解這一差異可能非常重要。在美國，數(shù)據(jù)分析師的平均工資約為6萬美元。 而數(shù)據(jù)科學(xué)家每年將獲得約3萬美元的收入。與此同時(shí)，數(shù)據(jù)工程師每年平均收入約為9萬美元。 然而，專門致力于實(shí)現(xiàn)機(jī)器學(xué)習(xí)的工程師收入明顯增加，每年輕松超過10萬美元。AI領(lǐng)域的知名人士有時(shí)會獲得數(shù)百萬美元的紅利和股票，盡管他們往往是在全球頂尖大學(xué)或?qū)嶒?yàn)室從事尖端工作和研究的AI從業(yè)者。從廣義上講，如果你想開啟自己人工智能的職業(yè)道路，可以開始學(xué)習(xí)軟件開發(fā)的背景知識并學(xué)習(xí)機(jī)器學(xué)習(xí)理論，或者你可以從機(jī)器學(xué)習(xí)理論并逐步掌握編程在機(jī)器學(xué)習(xí)中的應(yīng)用。

所需的技能

為了使用人工智能/機(jī)器學(xué)習(xí)，您通常需要四種技能：

· 軟件工程技能——在實(shí)踐中構(gòu)建模型。您要經(jīng)常使用Python、Pandas、Scikit-Learn、TensorFlow和Spark等工具。在該工具集中熟練工作的能力將決定您處理和管理數(shù)據(jù)的能力。·機(jī)器學(xué)習(xí)理論知識，這讓您了解要構(gòu)建的模型和原理，以及將某些方法應(yīng)用于某些數(shù)據(jù)問題的優(yōu)缺點(diǎn)?！な褂媒y(tǒng)計(jì)推斷來快速評估模型是否正常工作的能力?！?專業(yè)的知識以及與商務(wù)人士溝通的能力。這不僅因?yàn)榭梢詳U(kuò)大數(shù)據(jù)中發(fā)現(xiàn)價(jià)值的影響力，更能在商業(yè)層面推動正確的行動，可以幫助實(shí)際的業(yè)務(wù)場景建立起數(shù)據(jù)驅(qū)動的能力?？偟膩碇v機(jī)器學(xué)習(xí)工程師將會在軟件方面投入更多，而數(shù)據(jù)科學(xué)家則更多地依賴于他們在機(jī)器學(xué)習(xí)和統(tǒng)計(jì)推理方面的能力，以及與人溝通和分享數(shù)據(jù)中的發(fā)現(xiàn)。

學(xué)習(xí)方向

為了讓希望入坑的小伙伴們更好地地掌握機(jī)器學(xué)習(xí)和人工智能，下面提供了軟件、理論和就業(yè)方面的資源。

軟件能力（偏向大數(shù)據(jù)方向）

·python與機(jī)器學(xué)習(xí)：作為使用最為廣泛的AI/機(jī)器學(xué)習(xí)語言，python豐富的生態(tài)和工具棧為每一個(gè)數(shù)據(jù)科學(xué)、機(jī)器學(xué)習(xí)從業(yè)人員提供了強(qiáng)大的工具。其中numpy、scipy、pandas、sci-kit等都是重要的python工具包。

·ApacheSparkon Databricks：作為工程師需要熟悉大規(guī)模數(shù)據(jù)的使用。Spark提供了豐富的教程來講解如何使用大數(shù)據(jù)集進(jìn)行工作的流程。

·Tensorflow：作為使用最為廣泛的深度學(xué)習(xí)框架之一，學(xué)習(xí)tensorflow深入理解人工智能的具體流程的工作方法，同時(shí)分布式的機(jī)器學(xué)習(xí)、產(chǎn)品級部署和維護(hù)也是工程師的一項(xiàng)重要技能。

理論

要想深入理解和熟練掌握機(jī)器學(xué)習(xí)和人工智能，就需要有堅(jiān)實(shí)的理論基礎(chǔ)。需要學(xué)習(xí)的方向包括概率論、貝葉斯統(tǒng)計(jì)、統(tǒng)計(jì)學(xué)習(xí)以及機(jī)器學(xué)習(xí)中的常用算法和現(xiàn)代深度學(xué)習(xí)的基本理論。