從蘋果店員到機器學(xué)習(xí)工程師，只有高中數(shù)學(xué)基礎(chǔ)的我是如何自學(xué)AI的？

長沙7喜 2019-12-17

展開全文

新智元報道

來源：towardsdatascience 作者：Daniel Bourke

編譯：小潘同學(xué) 整理：張佳

【新智元導(dǎo)讀】從在Apple Store打工到創(chuàng)業(yè)失敗，再從Uber司機到成為一名機器學(xué)習(xí)工程師，一位只有高中數(shù)學(xué)基礎(chǔ)的澳洲小哥自述如何從頭開始自學(xué)AI和ML。來新智元 AI 朋友圈和AI大咖一起討論吧～

我曾在Apple Store工作，直到我想做出一些改變。而改變就從搭建我在Apple Store所提供的技術(shù)作為開端。

我開始研究機器學(xué)習(xí)和人工智能，但這個開端的門檻真的太高了。幾乎每周Google和Facebook都會發(fā)布一種新的AI科技來加速現(xiàn)有技術(shù)或者提高我們的用戶體驗。

自動駕駛雖然是一個很好的方向，但它對于我來說并非一個好的選擇。首先我對駕駛并不著迷，而且這個領(lǐng)域也存在一定的危險系數(shù)。

雖然AI技術(shù)無處不在，但仍然很難給它賦予一個被廣泛認(rèn)可的定義。一些人認(rèn)為，深度學(xué)習(xí)就是AI，但是一些人則提出，除非它通過了圖靈測試，否則它不能被定義為AI。缺乏準(zhǔn)確的定義，讓我在開始階段舉步維艱。學(xué)習(xí)一個擁有多重定義的知識領(lǐng)域真的太難了。

我是如何開始我的AI征途的？

一開始，我和我的朋友一起建立了一個網(wǎng)絡(luò)創(chuàng)業(yè)公司，但不久它就倒閉了，我們的失敗源于缺少想法。但在這個過程中，越來越多的ML和AI領(lǐng)域的知識開始進(jìn)入我的視野。

“計算機可以為我學(xué)習(xí)？“我持懷疑態(tài)度。一次偶然的機會讓我接觸到Udacity的深度學(xué)習(xí)納米學(xué)位，一位名叫Siraj Raval的人出現(xiàn)在他們的宣傳視頻中，視頻中的他極具感染力。雖然我并不滿足他們最基本的要求（在那之前，我連一行的python代碼都沒寫過），但是我還是注冊了會員。

Siraj Raval

距離開課三周之前我給Udacity的客服發(fā)郵件詢問退款政策，那時的我很害怕自己無法完成課程，但最終我沒有選擇退款，相反的，我在規(guī)定時間內(nèi)完成了課程。這個過程困難重重，我提交的第一份作業(yè)比規(guī)定時間晚了四天，但是學(xué)習(xí)全球最重要技術(shù)之一所賦予我的那種成就感讓我勇往直前。

完成了深度學(xué)習(xí)納米學(xué)位以后，我面臨3個選擇：Udacity的AI納米學(xué)位、自動駕駛納米學(xué)位或者機器人納米學(xué)位。這些都是不錯的選擇，但我再一次陷入迷茫。

還是那個問題：“接下來，我該何去何從？”

在我獲得深度學(xué)習(xí)納米學(xué)位的過程中，我擁有了該領(lǐng)域的基礎(chǔ)知識?，F(xiàn)在，我需要學(xué)習(xí)下一門課程，而它應(yīng)該是什么呢？

自學(xué)AI碩士課程

我從未想過回學(xué)校繼續(xù)學(xué)業(yè)，因為我沒有十萬美元來支持我讀一個碩士學(xué)位。像一開始一樣，我向我的“導(dǎo)師” Google 尋求幫助。即使在沒有該領(lǐng)域任何先驗知識的情況下入坑深度學(xué)習(xí)，我也并不滿足于只學(xué)習(xí)AI的冰山一角，我想要攀登上它的頂峰。

Trello是我的私人助理/課程協(xié)調(diào)員

在學(xué)習(xí)了一系列課程以后，我在Trello將我感興趣的課程列了出來。我深知在線學(xué)習(xí)課程的輟學(xué)率很高，但我不會讓自己成為其中的一員。我心中堅守著一個目標(biāo)。

為了對自己負(fù)責(zé)，我開始分享我在線學(xué)習(xí)之旅。我發(fā)現(xiàn)，這不僅可以幫助我鍛煉如何分析我所學(xué)習(xí)的知識，還可以幫助我結(jié)識一群志同道合的朋友。然而，我的朋友仍然認(rèn)為我是AI領(lǐng)域的一個門外漢。

我開源了我的Trello (https:///b/tyHAvpcY/online-ai-masters-degree)，并寫了一篇關(guān)于我這一路走來的勵志博客。現(xiàn)在的課程設(shè)置和我那時的有了一些改變，但是依舊相關(guān)。我每周都會登錄幾次Trello并記錄我的進(jìn)度。

獲得工作

我是一個澳大利亞人，而AI的大事件幾乎都在美國上演。所以我做了一件最合邏輯的事情，買了一張前往美國的單程票。我已經(jīng)學(xué)習(xí)了一年，我認(rèn)為現(xiàn)在到了我開始實踐技能的時候了。我的目標(biāo)是進(jìn)軍美國并在那獲得一份工作。

隨后，Ashlee在領(lǐng)英（LinkedIn）上對我說：“嘿，我看過你的帖子，它們真的很酷，我想你應(yīng)該和Mike見一面?！?隨后我和Mike會面了。

我給他講了我在網(wǎng)上學(xué)習(xí)的故事、我對健康科技（Healthtech）的熱愛以及前往美國的計劃。他對我說：”你最好在這里住一年左右，看看你能找到什么，我想你會希望認(rèn)識Cameron的?！?nbsp;

然后我又和Cameron見面了。我們聊了當(dāng)初我和Mike聊的類似話題：健康、科技、在線學(xué)習(xí)、美國。Cameron說：“我們正在做一些健康問題相關(guān)的研究，你是否可以考慮星期四來公司看看？”

星期四終于到了，我很緊張。但是有人曾經(jīng)告訴我緊張與激動的本質(zhì)是一樣的，于是我激動起來。我花了一天的時間與Max Kelsen團隊會面，并討論了他們正解決的問題。

兩周過后，首席機器學(xué)習(xí)工程師Athon和首席執(zhí)行官Nick邀請我一起去喝咖啡。Nick問：“你是否考慮加入我們的團隊？” “當(dāng)然，”我說。我的美國航班推遲了幾個月，繼而我購買了返程機票。

學(xué)會如何讓工作成為你的名片

我知道在線學(xué)習(xí)是一種非常規(guī)的學(xué)習(xí)方式。我申請的所有職位都要求申請者有碩士學(xué)位或者某些技術(shù)性的學(xué)位。我不滿足這兩個要求中的任何一個，但是我卻具備從眾多在線學(xué)習(xí)課程中學(xué)習(xí)到的技能。

一路走來，我在網(wǎng)上分享我的工作。我的Github包含了我所完成的所有項目。我Linkedln主頁里也堆積如山。在與同行討論我在YouTube和Medium的文章中學(xué)到的知識的過程也鍛煉了我的溝通交流能力。我從未向Max Kelsen遞交過簡歷，卻從他們那收到了“我們看到了您的Linkedln個人資料”的回饋。我的履歷就是我的個人簡歷。

無論你是在線學(xué)習(xí)還是在讀碩的過程中學(xué)習(xí)，能夠?qū)⑺瓿傻墓ぷ骺偨Y(jié)為一個作品集，就像在升級打怪的過程中積攢裝備一樣，是非常重要的。

當(dāng)你具備了ML和AI技能以后，你要學(xué)會如何向他人展示自己?，F(xiàn)在已經(jīng)不再是酒香不怕巷子深的年代了。無論是在Github，Kaggle， Linkedln還是在你的博客上，你要擁有一個讓他人發(fā)現(xiàn)你的平臺。此外，能夠在網(wǎng)絡(luò)上有自己的一席之地會給你帶來無限的樂趣。

你該如何開始？

你要到哪里學(xué)習(xí)這些技能而哪些課程又是最好的選擇呢？

我不能給你一個最好的答案。因為這要因人而異。一些人可以從書本中找到答案，而另外一些人卻更喜歡看視頻學(xué)習(xí)。

相比較于如何開始，更重要的一個問題是為什么要開始？

多問問自己為什么：為什么你想學(xué)習(xí)這些技能？你想要掙錢么？你想做一個締造者么？你想做點與眾不同的事兒么？這些問題沒有統(tǒng)一的答案，它們都可以成為正當(dāng)?shù)睦碛伞?/section>

從問為什么開始，因為“為什么”永遠(yuǎn)比”如何做“更加重要。以”為什么“作為你的開端，可以在事情變得艱難時，引領(lǐng)你朝最初的目標(biāo)努力，提醒自己不忘初心。

現(xiàn)在心中已經(jīng)有了那個問號是么？好的，那是時候開始學(xué)習(xí)真正的技術(shù)了。我只能依據(jù)我的經(jīng)驗推薦給你們一些課程（有先后順序）：

Treehouse — Introduction to Python
DataCamp — Introduction to Python & Python for Data Science Track
Udacity — Deep Learning & AI Nanodegree
Coursera — Deep Learning by Andrew Ng
— Part 1（很快會有Part 2）

如果您是絕對的初學(xué)者，請從一些入門的Python課程開始，當(dāng)你有了信心后，可以學(xué)習(xí)數(shù)據(jù)科學(xué)、機器學(xué)習(xí)和AI。DataCamp非常適合希望以數(shù)據(jù)科學(xué)和機器學(xué)習(xí)為重點來學(xué)習(xí)Python的初學(xué)者。

數(shù)學(xué)基礎(chǔ)重要么？

我所受過的最等高的數(shù)學(xué)教育截止到高中。其余的數(shù)學(xué)都是我在Khan Academy按需學(xué)習(xí)的。不同人對ML和AI對數(shù)學(xué)基礎(chǔ)的要求有很多不同的看法，下面我會分享我的看法。

如果你僅是將現(xiàn)有的ML和AI技術(shù)應(yīng)用到你要解決的問題上，那么不必對數(shù)學(xué)知識進(jìn)行深究，你也可以得到一個很好的結(jié)果。TensorFlow和PyTorch之類的庫可以幫助Python初學(xué)者構(gòu)建最先進(jìn)的模型的同時，在其后端為你處理所涉及的數(shù)學(xué)問題。

如果你想通過博士學(xué)位課程或類似方法深入ML和AI研究，那么對數(shù)學(xué)有深入的了解是至關(guān)重要的。就我而言，我并非致力于深入研究數(shù)學(xué)并將算法的性能提高10％。我會將這個難題留給那些比我聰明的人。相反，我很樂意使用現(xiàn)有的開源庫來解決我所面臨的問題。

一個機器學(xué)習(xí)工程師的職責(zé)剖析

一個機器學(xué)習(xí)工程師的實際職責(zé)可能并非你想象的那樣。盡管網(wǎng)上有許多文章用熬紅了雙眼在構(gòu)建機器人的工程師的照片作為封面來奪人眼球，但事實并非如此。以下是機器學(xué)習(xí)工程師每天會思考的幾個問題：

內(nèi)容——如何應(yīng)用ML來幫助你更好地解決問題？
數(shù)據(jù)——你是否需要更多的數(shù)據(jù)？數(shù)據(jù)的輸入形式是什么？如何解決數(shù)據(jù)缺失問題？
建模——你應(yīng)該應(yīng)用哪些模型？這個模型是否會在你的數(shù)據(jù)集上過擬合亦或欠擬合？
預(yù)測——如何應(yīng)用你構(gòu)建的模型進(jìn)行預(yù)測？這個模型是在線學(xué)習(xí)模型還是需要定期更新？
應(yīng)用——如果你的模型不好用了怎么辦？你該如何通過輸入更多數(shù)據(jù)來提高它的效果？是否有更好的解決辦法？

上述問題來源于Rachel Tomans的一篇文章。作為的創(chuàng)始人之一，她在文章中進(jìn)行了更有深度的剖析。（詳見：https://www./2018/07/12/auto-ml-1/）

條條大路通羅馬

從來沒有哪條特定的路是通往ML和AI的正確途徑。這個領(lǐng)域的美妙之處在于，我們可以使用世界上一些最好的技術(shù)，而我們要做的就是學(xué)習(xí)如何使用它們。

你可以從學(xué)習(xí)Python作為開端（就像我一樣），也可以通過學(xué)習(xí)一些微積分和統(tǒng)計學(xué)知識來入門，亦或通過學(xué)習(xí)決策論來開始這段學(xué)習(xí)之旅。ML和AI讓我著迷的原因就是，它們是集大成者。

我了解得越多，我就意識到有更多的東西要學(xué)，這讓我無比興奮。有時，我會因為代碼有bug或者無法理解一個概念而感到沮喪。這時我會選擇暫時放棄。我通過小睡一會或去散散步來暫時擺脫問題。當(dāng)我回來時，感覺自己可以從另外一個視角對問題進(jìn)行審視，繼而感到興奮。我可以持續(xù)學(xué)習(xí)，因為我告訴自己：我是一臺學(xué)習(xí)機器。

這些領(lǐng)域日新月異，因此上手時你可能會心存恐懼。而有時，太多的選擇導(dǎo)致沒有選擇，因此你要學(xué)會忽略。

從你最感興趣的領(lǐng)域開始并堅持下去。如果你進(jìn)入了死胡同，那是一件好事，因為你已經(jīng)排除了你不感興趣的東西。帶著夢想，重新啟程。

請記住，電腦雖然很聰明，但它們無法自己學(xué)習(xí)，需要你施以援手。