两年前不知如何编写代码的我，现在是一名人工智能工程师
分类专栏： 人工智能 热点文章 AI
经常有小伙伴私信给小芯，我没有编程基础，不会写代码，如何进入AI行业呢？还能赶上AI浪潮吗？
任何时候努力都不算晚。
下面，小芯就给大家讲一个朋友的真实故事，希望能给那些处于迷茫与徘徊中的小伙伴们一丝启发。（下文以第一人称叙述）
图源：Unsplash
正如Elsa所说，职业转换是一次“进入未知领域”的旅程。
两年前，我从大学毕业，主修经济学与金融学，做好了在金融业工作的一切准备。投资银行和全球市场是我理想的工作。毕业前9个月，我找到了在一家投行的工作，感到十分自豪，因为如果之前没有在这家银行实习过就很难得到聘用的机会。
在那个岗位上干了几个月后，我学会了一些Excel VBA编程方法，以及如何使用Tableau、Power BI和UiPath（一款机器人过程自动化软件）。我意识到相对于银行产品，自己对使用这些工具和学习代码更有兴趣。我曾经对于银行产品的复杂性很好奇，但现在发现它只是银行从客户身上获利的一种方法罢了。
银行环境对我的个人价值观构成了极大的挑战，但那是以后的话题。
同时，我的一位同事向我打开了“机器学习”的大门。输入特定数据就能“预测”特定结果，这一事实深深吸引了我。
我立刻入迷了。
但问题来了，我的编程技巧太过基础。在我的字典里，Python是一种“蛇”，而Pig……是一只猪。
两年过去了，我将要进入人工智能（AI）行业，成为这个领域的一名工程师。这段旅程艰难而漫长。对我而言，转战人工智能只是学习和成长的新开始。
图源：Unsplash
我的旅程
跳上慕课的宣传列车
只有经济学和金融学背景，我不知道怎样编程。ExcelVBA与编程十分接近，但仅此而已。为了成为一名高成就者，跳进数据科学的潮流，我报名参加了很多大型网络公开课（慕课）。以下是我报名的课程列表：
· python训练营：从零到英雄[Udemy]
· 数据科学和机器学习的python训练营 [Udemy]
· 使用MySQL管理大数据[Coursera]
· 初学者的Java教程[Udemy]
· Web开发人员训练营[Udemy]
· 机器学习A-Z：数据科学中的python和R实践[Udemy]
· 使用Docker部署机器学习和NLP模型[Udemy]
毋庸置疑，大多数课程我都没能完成（只完成了标记粗体的课程）。我陷入了慕课自我延续的循环。知识的易获取性使得课程很自然地从一门课延续到下一门，因为覆盖的主题太简短，使我的兴趣转瞬即逝，我经常还没上完前一门课就跳到了下一门。
对我而言，内容简短是慕课最大的缺点。我本希望学完慕课就能得到一份数据科学的职业，但现在看来过于天真了。
为了提供观点，教授传统的机器学习（ML）方法的慕课常常忽略了模型的实际作用。慕课讲述随机森林算法是决策树的集合，但并未说明决策树如何决定在哪个分支上选择哪个特征（如熵的概念和计算）。它只简单讲述了支持向量机是一种分类方式，但没有说明如何确定超平面。
在更先进的AI领域（如深度学习）里，“我知道什么”和“我需要知道什么”大相径庭。教深度学习的慕课的惯用套路是：把一堆代码放到Tensorflow上，放在如MNIST的优秀数据库中，并推断“你现在已经是一名深度学习专家了”（有些夸张，但你应该能懂我意思）。这与现实相差甚远，因为研究报告经常包含复杂的结构，包括对深度神经网络模型中提取特征的理解，以及其他更复杂的特征，如变压器和双向编码的理解。理解最先进模型优于其他模型的原因也很重要，以及一些概念如转移学习和元学习。
我认为，教ML的慕课常常给人以这样的错觉，即任何人都能成为一名ML从业者。他们天真的以为，ML仅仅是几行包含.fit()和.predict()的代码。这是因为慕课表示人们可以较为轻松的开始学习ML（或许正是对于ML的大量炒作使得这些课程利润丰厚）。
不过别误解我，慕课其实很棒。它使人们能方便快捷地获得知识，开始某个话题。但是它们能使你成为专家吗？明显不能。你在学完课程后所做的，才能决定你能否成为专家。
把手弄“脏”
完成几个慕课课程后，我一无所获。诚然，我学会了python的一些基本技能，知道如何通过.fit()和.predict()使用sci-kit learn，但仅此而已。
为了提高编程技巧，我在Hackerrank上进行练习并完成了与SQL和Python相关的问题。与其同时，我想将python应用于真实项目中。于是我开始研究用于预订羽毛球场的机器人，它主要能使用Selenium与浏览器交互以进行网页导航，最终购买并支付定金（类似于运动鞋机器人）。我开始该研究的动机是，新加坡的羽毛球场通常提取两周就被订满了，常常一到放票时间，许多人就每天在预订网站上露营抢票。（它们通常在一两秒内就被预订了）
虽然我对自己的python编程比较自信，但我对代码效率一无所知。时间和空间复杂度对我来说是完全陌生的。对我而言，面对对象编程只是一个概念，我从未实战过（更不用说最终会被遗忘了）。
在ML领域，我是Jupyternotebook专家。我可以将Jupyter notebook的主题改为“黑暗模式”并充分利用键盘上所有快捷键。显然，我已经准备好接受数据科学家这一角色了。
而事实检验——我的面试惨败。设计代码的技术测试让我更快的迈出了“数据科学”的大门。我申请的技术分析岗位让我到另一个部门，因为他们觉得我去业务分析岗位可能更合适。
我距离我需要去的地方还很远。
图源：Unsplash
手还不够“脏”
为了更加深入学习ML和训练python技能，我决定在新加坡管理大学攻读IT商业硕士学位（专攻AI）。
我学习了传统ML模型背后的数学原理，并将最先进的深度学习架构应用到自我管理的数据集中。我学习了关于AI的重要概念，包括通用搜索算法、Q学习和深度Q学习。学习了算法设计，包括图形算法、时间和空间复杂度、名字匹配算法以及许多几乎要撕裂我非计算机科学大脑的算法。实质上，这些课程为我提供了慕课所缺乏的学术严谨性。
硕士期间我的一些项目小有成就。他们不是完全成熟的项目，因为所用的数据集通常是别人给的或者从Kaggle上获得的，而且展示在Jupyter notebook后项目就结束了。深度学习模型在Docker上持续运行，但是从未考虑过部署方面。毕竟只是学校的项目而已。
我认为，硕士学位提供了AI专业人士所必需的学术严谨性，但是缺乏实用性。硕士课程不会告诉你找到一份数据科学工作需要什么，你必须自己弄清楚。软件工程和开发运维技能是数据科学家工作的一部分（但是不够广泛）。代码协作在大型组织里也很重要。同样地，知道如何搭建Docker环境、启动AWS EC2实例、在Azure blob存储上托管数据集、有效组织代码以及使用GitHub或Gitlab进行版本控制都是一些必需的关键技巧，然而这些在课堂上也学不到。
就算你认为自己不够优秀，也要大胆去尝试。
我继续参加面试，在技术面试和非技术面试中积累了大量经验（尽管大多数面试还是不及格）。这使我了解自己的知识盲区并能花时间学习相关技能。更重要的是，它使我了解不同公司对同一岗位提出的不同工作描述，以及这些工作描述与公司在AI应用的成熟度上的相关性。
两年后，我得到了一份AI工程师的工作。对我来说，这是一个极大的学习和成长机会，是我所梦寐以求的。除此之外，这也证明了任何人都能完成他们着手做的事情，尽管有些人花费的时间可能会久一些。
最后，职业是一场马拉松，而不是冲刺赛。做你热爱的事情，因为工作会占据你人生的大部分时间。
如果你彷徨不知向何处去，请记住Elsa所说的，“做下一件该做的事”。
图源：Unsplash
所以，与其浪费时间在那纠结，不如赶紧行动起来吧~
声明：每个人在数据科学上的旅程是不同的。这篇文章不是关于“如何进入AI世界的大门”，也不应被视为入门指南。这只是我的个人经历，希望能鼓励人们冒险去做自己想做的，因为生命转瞬即逝，不应毫无意义地虚度一生。