从苹果售后到机器学习工程师，我趟过的 AI 坑
从苹果零售店的职员到创业失败、到 Uber 的司机，再到机器学习工程师，我找到了自己真正的兴趣。
我曾经在 Apple Store 里工作，但我想换一份工作，因为我想制作我每天都在维修的东西。
于是我开始研究机器学习和人工智能。
发现这个领域的东西太多了。
似乎每个星期 Google 或 Facebook 都会发布一种新的 AI 方面的技术，让它变得更快，或者改进我们的体验。
更不用说有多少自动驾驶汽车公司了。这是件好事，我不喜欢开车，路上太危险了。
虽然发生了这一切，但人们对于 AI 是什么依然没有一致的定义。
一些人认为深度学习是 AI，另一些人认为它们不是，因为它们还没有通过图灵测试。
缺乏准确的定义一开始真让我迷惘。想学这种定义五花八门的东西太难了。
所以别再提定义了。
怎样入门？
我和我的朋友创建了一个 Web 创业公司，但最后失败了。我们放弃的原因是因为缺乏意义。但同时，我开始听到越来越多关于 ML 和 AI 的事情。
我不敢相信：“计算机代替你学习东西？”
我被 Udacity 的深度学习微学位吸引了。它的广告上有个很滑稽的角色叫 Siraj Raval，他能量满满，非常有感染力。尽管我不满足课程的基本要求（我从来没写过一行 Python 代码），我还是注册了。
结果在课程开始前三周，我给 Udacity 发邮件询问怎样退款。我很怕我没办法完成课程。
但最后我没有退款。我在规定的时间进度内完成了课程。课程很难，是我学过的最难的东西。我最初的两个项目都是晚了 4 天才提交的。但参与世界上最重要的技术之一的兴奋感推动着我继续前进。
完成深度学习的微学位之后，我可以继续学习 Udacity 的 AI 微学位、自动驾驶汽车微学位或者机器人微学位。无论哪个方向似乎都不错。
我有点迷失了，“我该选哪个呢？”
我需要一份课程计划。我在深度学习领域打下了一点基础，现在是时候想想接下来要干什么了。
我自己拼凑的 AI 硕士学位
我从来没打算回到大学里去。反正我也没有硕士学位所需要的 10 万美元。
所以我又重复了我最初做过的事情：问 Google。
我进入深度学习领域时还没有任何前提知识。我不是自己爬上AI的冰山的，而是找了个直升机把我扔到山顶了。
在研究了一堆课程之后，我把我最感兴趣的课程都放到了 Trello 上。
Trello 是我的个人助理和课程表。
我知道在线课程的退课率很高。我不能成为退课率中的一个数字，因为我有我的任务。
为了让我对自己的行为负责，我开始在网上分享我的学习之旅。我发现这样可以练习我学过的东西，还能找到对我所学的东西同样感兴趣的人。不过在我冒险尝试 AI 时，我的朋友们仍然认为我是个外星人。
我公开了这个 Trello 看板（https://trello.com/b/tyHAvpcY）并且写了篇关于我的努力的文章。
我的课程计划在我第一次完成之后稍稍改动了一些，但基本方向没变，而且我每周都会看几次，同时更新我的进度。
找工作
我买了张到美国的单程机票。我已经学习了一年，我觉得是时候把我所学的付诸实践了。
我的计划是去美国找份工作。
结果 Ashlee 在 LinkedIn 上发了个消息：“我看到你写的文章了，非常酷，我觉得你应该跟 Mike 谈谈。”
我找到了 Mike。
我告诉 Mike 我在网上学习的事情，我对医疗科技的热爱，以及我去美国的计划。
“你最好还是在这里再呆一年看看能干点什么。我觉得你肯定想见一见 Cameron。”
我见到了 Cameron。
我跟他说了与 Mike 类似的话。医疗，科技，在线学习，还有美国。
“我们正在解决一些医疗上的问题。你周四过来看看怎么样？”
周四到了。我有点紧张。不过有人说，紧张是兴奋的同义词。所以我感觉很兴奋。
那天我见到了 Max Kelsen（http://maxkelsen.com/）的团队和他们致力解决的问题。
两周后的一个周四，他们的 CEO Nick 和首席机器学习工程师 Athon 邀请我去喝咖啡。
Nick 问我：“加入我们怎么样？”
我说：“好。”
所以，我的美国机票只好推迟了几个月，并且我得买一张返程机票了。
分享你的工作
我知道在线学习并非正统。所有我申请过的角色都要求拥有硕士学位，或者至少拥有某种技术学位。
哪个学位我都没有。但我的确有从在线课程里学到的技能。
一路走来，我一直在网上分享我的共走。我的 GitHub 包含我所有完成的项目，我的 LinkedIn 联系人也很多，而且我一直在 YouTube 和 Medium 上交流我学到的知识。
我从来没给 Max Kelsen 提交过简历。“我们看了你的 LinkedIn 就知道了。”
我的工作就是我的简历。
不管你是在线学习还是通过硕士学位学习，自己的作品集就是展示自己的最好方式。
ML 和 AI 的技能需求量很大，但这并不意味着你不需要展示。即使是最好的产品，不上架也卖不出去。
GitHub 也好、Kaggle 也好、或者 LinkedIn 甚至博客都可以，你得有个地方让别人找得到你。再说，在互联网上拥有自己的一隅也很有意思。
怎样入门？
那么，你该怎样开始学习这些东西？哪些课程入门最合适？
实际上没有正确答案。每个人的路都是不同的。一些人更适合通过书本学习，一些人更适合通过视频学习。
与怎样入门相比，更重要的是为什么要学习。
所以先问自己为什么。
为什么要学这些技能？
想挣钱吗？
想做东西吗？
想改变现状吗？
同样，没有正确答案。任何答案都有道理。
先问为什么，是原因比方法更重要。有了原因，在遇到越来越大的困难时才有理由坚持下去。原因能提醒你这样做的初衷。
有答案了吗？好。现在开始推荐一些干货。
我只能推荐我尝试过的。
我完成了这些课程（按照时间顺序）：
TreeHouse - Python 入门（http://teamtreehouse.com/）
Udacity - 深度学习和 AI 的微学位（http://udacity.com/）
Coursera - Andrew Ng 的深度学习（http://bit.ly/CourseraDanielBourke）
fast.ai - 第一部分，马上要开始学第二部分（http://fast.ai/）
这些都是世界闻名的课程。我喜欢看视频学习。视频要比讲解容易得多，所以这些课程都是以视频演示为主。
如果你习惯于逻辑，那么可以从 Python 入门课程开始，等有了信心之后，可以去学习数据科学、机器学习和 AI。
需要很多数学知识吗？
我的数学水平还是高中程度。其余的数学知识都是在需要时在可汗学院学的。
关于机器学习和 AI 所需的数学知识，不同的人有不同的看法。我只说一下我的看法。
如果你想用机器学习和 AI 技术解决实际问题，那么你不需要深入理解数学就能获得很好的结果。TensorFlow、PyTorch 等库只需要一点点 Python 经验就可以做出世界领先的模型，这些库会负责背后的一切数学的东西。
如果你想做机器学习和 AI 方面的研究，通过博士课程或类似的什么东西，那么深入的数学知识是必须的。
对于我来说，我没打算深入数学并改进算法性能等。这些事情还是交给比我更聪明的人去做吧。
相反，我更喜欢用这些库来解决我遇到的问题。
机器学习工程师的工作
机器学习工程师的实际工作并不像你想象的那样。
虽然许多文章的封面图片都用机器人，但实际上机器学习工程师跟红眼睛的机器人并没有太大关系。
下面是 ML 工程师需要每天考虑的事情：
环境——ML怎样才能更了解你的问题？
数据——你需要更多数据吗？数据需要以什么格式呈现？如果缺少数据该怎么办？
建模——应该用哪个模型？模型是否对数据匹配得太好（过拟合）？或者是否不太好（欠拟合）？
生产环境——怎样才能将模型放到生产环境中？是应该使用在线模型，还是应该定期更新？
持续性——如果模型不工作了该怎么办？怎样用更多数据改善它？有没有更好的解决问题的办法？
这些条目是我从 Rachel Thomas 的一篇优秀的文章（http://www.fast.ai/2018/07/12/auto-ml-1/）中借鉴的，她是fast.ai（http://fast.ai/）的联合创始人之一，她的原文讲解得更详细。
关于更多信息，我做了个视频来介绍我们在 Max Kelsen（http://www.maxkelsen.com/）每周一的工作内容。
没有固定的方法
进入 ML 或 AI 没有正确或错误之分。
该领域之美在于，我们可以使用全世界最优秀的一些技术，我们只需要学习怎样使用。
你可以从学习 Python 代码开始。
你可以从学习微积分和统计学开始。
你可以从学习决策的哲学开始。
机器学习和人工智能让我着迷，因为它们是这些领域的交集。
我学得越多，就越能认识到我有更多东西要学。这让我更兴奋。
有时候代码不能运行，或者无法理解某个概念，我也感到很沮丧。这时我会暂时放弃。我暂时离开问题去睡一会儿，或者去散散步。等我回来后，就能用不同的角度去看问题，于是兴奋的感觉就回来了，就可以继续学习了。
这个领域每天都有太多东西发生，所以可能会让人望而止步。太多选择等于没有选择。所以只需忽略就好。
从你最感兴趣的开始并坚持下去。如果走到了死胡同，很好，你找到了你不感兴趣的东西。重新规划路线，找另一条路走。
计算机很聪明，但它们自己依然不能学习。它们需要你的帮助。
原文：https://hackernoon.com/i-want-to-learn-artificial-intelligence-and-machine-learning-where-can-i-start-7a392a3086ec
作者：Daniel
译者：弯月，责编：屠敏
推荐阅读：