新智元推荐
来源：DataWhale
作者：张怡
编辑整理：元子
这是一篇关于如何成为一名AI算法工程师的长文。作者回顾了自己成长为一名算法工程师，并分享了入门机器学习的经验，以及学习资源。
这是一篇关于如何成为一名AI算法工程师的长文。作者回顾了自己成长为一名算法工程师，进行了经验总结。
本文分为以下几个部分：
我是因为什么开始接触敲代码人工智能/机器学习/深度学习自学如何寻找学习资料如何选择编程语言/框架校招/社招/实习/面试经验一碗鸡汤
声明：
本篇内容均属于个人观点，建议采纳对自己有用的经验，如有疏漏，欢迎指正，共同进步！
年5月开始第一份实习/年7月开始学敲代码/年11月硕士毕业
擅长的编程语言：R/Python。
不花钱报班，全靠自学，最初是因为穷，后来发现“开源”的世界真是太美好了！
我是因为什么开始接触敲代码？
我的第一个模型是什么？由于本科是数学，研究生是量化分析，第一份实习是一家金融科技公司，开始接触所谓的“Fintech”
第一个任务就是做客户的信用评分卡模型，目的给每个用户打一个信用分数，类似支付宝的芝麻信用分。这是银行标配的一个模型，最常见最传统的算法用的就是逻辑回归。
在课堂上使用的工具是SAS，SPSS，属于有操作界面的，菜单非常齐全，只需要鼠标点一点就能建模，很好上手。
但是SAS这些要付钱的，年费还是相当的贵，所以深圳大部分公司进行数据分析和建模工作都选择开源免费的R语言或者Python。这就体现了掌握一门编程语言的重要性。
虽然说是建模任务，但是前三个月跟建模基本都扯不上边。都在做数据清洗，表格整理（摊手），都在library各种包，用的最多的可能是data.table和dplyr。没办法，很多模型都有包可以直接调用，是最简单的环节了。
其实一开始，我一直在犯很低级的错误，各种报错，没有library啦，标点符号没打对啦，各种很low的错误犯了一次又一次，而且连报错的内容都不会看，不知道怎么去改正。如果你也像我一样，真的请不要灰心，我就是这样走过来的。对着错误一个个去解决就好了~
当时什么都不知道的时候，觉得真难呀，每个环节都有那么多细节要照顾，要学的那么多，做完一个还有一个，还要理解业务含义。但是当完整的做一遍之后再回头，就会觉得，其实，也没那么难嘛~
敲代码容易吗
因为我不是计算机专业的，所以基本上属于没怎么敲过代码的那种。
后来发现程序员也有好多种类的，前端后端等，因此敲的代码种类也很多，才会有几十种的编程语言，下图是一些这几年的主流语言。
实习时我一直被队友嫌弃很蠢，而且一开始敲的东西怎么也运行不通，运行出来的都是鬼结果。有n次想放弃的念头，“我干嘛一定要敲这玩意儿？”，但也有n+1次想坚持的理由，因为我真的喜欢我正在做的事。为什么用“坚持”，因为真的不容易。不难，但真的需要有耐心。
一开始我的状态就是一行行代码的运行，一个个命令的熟悉，反复看，反复运行。
从敲出第一行代码到敲出第一个完整的模型花了3个月学习XGBoost，光是理论学了3个月，因为前期铺垫要学的还有adaboost/gbdt和各种机器学习的知识模块从R切换到python花了1个月从机器学习(MachineLearning)切换到自动机器学习(AutoMachineLearning)花了2个月从NLP零基础到搭建一个智能问答机器人花了1个月
从一年前的“什么是过拟合，什么是交叉检验，损失函数有哪些”到后来参加全球人工智能峰会时都能听懂的七七八八，会觉得，努力没有白费呀！
可以看出，经过前面的积累，后面会学的越来越快。
慢慢的就从一开始的那种“唉，怎么又报错啊，好挫败”的心态变成现在的“啊？没error？感觉不对啊，再查验一遍吧”这种抖M倾向的人。代码虐我千百遍，我已经被磨的没有了脾气。
已经有几个朋友说想转行了，我何曾没想过，只是不知不觉中坚持了下来而已。因为热爱，越虐越停不下来
小结
设定一个非常清晰的目标
为什么第一个写：“我是因为什么开始敲代码的”，因为动机真的非常重要！
所以，很多人在问我“如何学python？”这种问题时，我的第一回答都是“你学python用来干嘛？”
在学校也敲打过python，做个爬虫demo什么的，因为目的性不强没多久就放一边了。清晰的目标就比如说你要做NLP，你要知道NLP的应用有智能问答，机器翻译，搜索引擎等等。
然后如果你要做智能问答你要知道现在最发达的技术是深度学习，使用的算法有RNN/LSTM/Seq2Seq/等等一系列。而我的清晰目标是在实习的时候给我的任务。当任务很明确的时候，所需要的语言就明确了，所要学习的算法也就明确了，很多东西就顺理成章了不用一头乱撞了。
从金融到科技
AI的应用范围很广，每一个研究方向都是无穷尽的。由于金融公司很少与图像处理，NLP等技术会有交集，而我强大的好奇心让我决定去纯粹的科技公司一探究竟。目前已投身于智能家居，目标是Javis
人工智能/机器学习/深度学习
我经常在公交的广告牌上看见这些词，好像哪家公司没有这个技术就落后了似的。更多的还有强化学习，迁移学习，增量学习等各种学习。这些词儿之间到底什么关系？
机器学习是人工智能的一种，深度学习是机器学习的一种。学AI先学机器学习。
计算机的“算法”与数学的“算法”的区别
理论知识对于AI算法工程师极其重要。敲代码只是思路的一个实现过程。这里的“算法”和计算机CS的“算法”还不太一样，AI算法是偏数学推导的，所以数学底子还是需要点的，学的越深，要求越高。面试的时候，很少让手写代码，90%都是在问模型抠算法细节。
在学校我是一个不爱记笔记的人，甚至是一个不爱上课的人。但是自从入了机器学习的坑后，笔记写的飞起~
机器学习的框架
按照数据集有没有Y值可以将机器学习分为监督学习、半监督学习和无监督学习。监督学习是分类算法，无监督学习是聚类算法。
机器学习的通用流程和相关技术如下图：
ML这棵树还可以有更多的分支。先有个整体感受，再一个一个的解决掉。这里的知识点也是面试最爱问的几个，是重点呀！面试过的同学应该都不陌生了。
机器学习如何入门
机器学习之大，初学者都无从下手。说白了，机器学习就是各种模型做预测，那么就需要有数据，要想有好的效果，就要把原始的脏数据洗干净了才能用。数据内隐藏的信息有时候是肉眼不可见的，那么就需要一些相关技巧来把有用信息挖出来。所有绞尽脑汁使用的技巧，都是为了能预测的更准确。但是谁也没办法做到百分百的命中。
这里简单介绍下机器学习的三大块：传统的机器学习ML、图像处理CV、自然语言处理NLP。
再推荐一个入门神器：Kaggle（