从苹果店员到机器学习工程师，只有高中数学基础的我是如何自学AI的？

---

  新智元报道  

来源：towardsdatascience   作者：Daniel Bourke

编译：小潘同学   整理：张佳

【新智元导读】从在Apple Store打工到创业失败，再从Uber司机到成为一名机器学习工程师，一位只有高中数学基础的澳洲小哥自述如何从头开始自学AI和ML。来新智元 AI 朋友圈和AI大咖一起讨论吧～

我曾在Apple Store工作，直到我想做出一些改变。而改变就从搭建我在Apple Store所提供的技术作为开端。

我开始研究机器学习和人工智能，但这个开端的门槛真的太高了。几乎每周Google和Facebook都会发布一种新的AI科技来加速现有技术或者提高我们的用户体验。

自动驾驶虽然是一个很好的方向，但它对于我来说并非一个好的选择。首先我对驾驶并不着迷，而且这个领域也存在一定的危险系数。

虽然AI技术无处不在，但仍然很难给它赋予一个被广泛认可的定义。一些人认为，深度学习就是AI，但是一些人则提出，除非它通过了图灵测试，否则它不能被定义为AI。缺乏准确的定义，让我在开始阶段举步维艰。学习一个拥有多重定义的知识领域真的太难了。

 

我是如何开始我的AI征途的？

一开始，我和我的朋友一起建立了一个网络创业公司，但不久它就倒闭了，我们的失败源于缺少想法。但在这个过程中，越来越多的ML和AI领域的知识开始进入我的视野。

“计算机可以为我学习？“我持怀疑态度。一次偶然的机会让我接触到Udacity的深度学习纳米学位，一位名叫Siraj Raval的人出现在他们的宣传视频中，视频中的他极具感染力。虽然我并不满足他们最基本的要求（在那之前，我连一行的python代码都没写过），但是我还是注册了会员。

Siraj Raval

距离开课三周之前我给Udacity的客服发邮件询问退款政策，那时的我很害怕自己无法完成课程，但最终我没有选择退款，相反的，我在规定时间内完成了课程。这个过程困难重重，我提交的第一份作业比规定时间晚了四天，但是学习全球最重要技术之一所赋予我的那种成就感让我勇往直前。

完成了深度学习纳米学位以后，我面临3个选择：Udacity的AI纳米学位、自动驾驶纳米学位或者机器人纳米学位。这些都是不错的选择，但我再一次陷入迷茫。

还是那个问题：“接下来，我该何去何从？” 

在我获得深度学习纳米学位的过程中，我拥有了该领域的基础知识。现在，我需要学习下一门课程，而它应该是什么呢？

 

自学AI硕士课程

我从未想过回学校继续学业，因为我没有十万美元来支持我读一个硕士学位。像一开始一样，我向我的“导师” Google 寻求帮助。即使在没有该领域任何先验知识的情况下入坑深度学习，我也并不满足于只学习AI的冰山一角，我想要攀登上它的顶峰。

 

Trello是我的私人助理/课程协调员

在学习了一系列课程以后，我在Trello将我感兴趣的课程列了出来。我深知在线学习课程的辍学率很高，但我不会让自己成为其中的一员。我心中坚守着一个目标。

为了对自己负责，我开始分享我在线学习之旅。我发现，这不仅可以帮助我锻炼如何分析我所学习的知识，还可以帮助我结识一群志同道合的朋友。然而，我的朋友仍然认为我是AI领域的一个门外汉。

 

我开源了我的Trello (https:///b/tyHAvpcY/online-ai-masters-degree)，并写了一篇关于我这一路走来的励志博客。现在的课程设置和我那时的有了一些改变，但是依旧相关。我每周都会登录几次Trello并记录我的进度。

  

获得工作

我是一个澳大利亚人，而AI的大事件几乎都在美国上演。所以我做了一件最合逻辑的事情，买了一张前往美国的单程票。我已经学习了一年，我认为现在到了我开始实践技能的时候了。我的目标是进军美国并在那获得一份工作。

 

随后，Ashlee在领英（LinkedIn）上对我说：“嘿，我看过你的帖子，它们真的很酷，我想你应该和Mike见一面。” 随后我和Mike会面了。

我给他讲了我在网上学习的故事、我对健康科技（Healthtech）的热爱以及前往美国的计划。他对我说：”你最好在这里住一年左右，看看你能找到什么，我想你会希望认识Cameron的。” 

然后我又和Cameron见面了。我们聊了当初我和Mike聊的类似话题：健康、科技、在线学习、美国。Cameron说：“我们正在做一些健康问题相关的研究，你是否可以考虑星期四来公司看看？”

星期四终于到了，我很紧张。但是有人曾经告诉我紧张与激动的本质是一样的，于是我激动起来。我花了一天的时间与Max Kelsen团队会面，并讨论了他们正解决的问题。

两周过后，首席机器学习工程师Athon和首席执行官Nick邀请我一起去喝咖啡。Nick问：“你是否考虑加入我们的团队？” “当然，”我说。我的美国航班推迟了几个月，继而我购买了返程机票。

 

学会如何让工作成为你的名片

我知道在线学习是一种非常规的学习方式。我申请的所有职位都要求申请者有硕士学位或者某些技术性的学位。我不满足这两个要求中的任何一个，但是我却具备从众多在线学习课程中学习到的技能。

一路走来，我在网上分享我的工作。我的Github包含了我所完成的所有项目。我Linkedln主页里也堆积如山。在与同行讨论我在YouTube和Medium的文章中学到的知识的过程也锻炼了我的沟通交流能力。我从未向Max Kelsen递交过简历，却从他们那收到了“我们看到了您的Linkedln个人资料”的回馈。我的履历就是我的个人简历。

无论你是在线学习还是在读硕的过程中学习，能够将所完成的工作总结为一个作品集，就像在升级打怪的过程中积攒装备一样，是非常重要的。

当你具备了ML和AI技能以后，你要学会如何向他人展示自己。现在已经不再是酒香不怕巷子深的年代了。无论是在Github，Kaggle， Linkedln还是在你的博客上，你要拥有一个让他人发现你的平台。此外，能够在网络上有自己的一席之地会给你带来无限的乐趣。

 

你该如何开始？

你要到哪里学习这些技能而哪些课程又是最好的选择呢？

我不能给你一个最好的答案。因为这要因人而异。一些人可以从书本中找到答案，而另外一些人却更喜欢看视频学习。

相比较于如何开始，更重要的一个问题是为什么要开始？

多问问自己为什么：为什么你想学习这些技能？你想要挣钱么？你想做一个缔造者么？你想做点与众不同的事儿么？这些问题没有统一的答案，它们都可以成为正当的理由。

从问为什么开始，因为“为什么”永远比”如何做“更加重要。以”为什么“作为你的开端，可以在事情变得艰难时，引领你朝最初的目标努力，提醒自己不忘初心。

 

现在心中已经有了那个问号是么？好的，那是时候开始学习真正的技术了。我只能依据我的经验推荐给你们一些课程（有先后顺序）：

 

• 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（很快会有Part 2）

 

如果您是绝对的初学者，请从一些入门的Python课程开始，当你有了信心后，可以学习数据科学、机器学习和AI。DataCamp非常适合希望以数据科学和机器学习为重点来学习Python的初学者。

 

数学基础重要么？

我所受过的最等高的数学教育截止到高中。其余的数学都是我在Khan Academy按需学习的。不同人对ML和AI对数学基础的要求有很多不同的看法，下面我会分享我的看法。

 

如果你仅是将现有的ML和AI技术应用到你要解决的问题上，那么不必对数学知识进行深究，你也可以得到一个很好的结果。TensorFlow和PyTorch之类的库可以帮助Python初学者构建最先进的模型的同时，在其后端为你处理所涉及的数学问题。

 

如果你想通过博士学位课程或类似方法深入ML和AI研究，那么对数学有深入的了解是至关重要的。就我而言，我并非致力于深入研究数学并将算法的性能提高10％。我会将这个难题留给那些比我聪明的人。相反，我很乐意使用现有的开源库来解决我所面临的问题。

 

一个机器学习工程师的职责剖析

一个机器学习工程师的实际职责可能并非你想象的那样。尽管网上有许多文章用熬红了双眼在构建机器人的工程师的照片作为封面来夺人眼球，但事实并非如此。以下是机器学习工程师每天会思考的几个问题：

 

• 内容——如何应用ML来帮助你更好地解决问题？
• 数据——你是否需要更多的数据？数据的输入形式是什么？如何解决数据缺失问题？
• 建模——你应该应用哪些模型？这个模型是否会在你的数据集上过拟合亦或欠拟合？
• 预测——如何应用你构建的模型进行预测？这个模型是在线学习模型还是需要定期更新？
• 应用——如果你的模型不好用了怎么办？你该如何通过输入更多数据来提高它的效果？是否有更好的解决办法？

上述问题来源于Rachel Tomans的一篇文章。作为的创始人之一，她在文章中进行了更有深度的剖析。（详见：https://www./2018/07/12/auto-ml-1/）

 

条条大路通罗马

从来没有哪条特定的路是通往ML和AI的正确途径。这个领域的美妙之处在于，我们可以使用世界上一些最好的技术，而我们要做的就是学习如何使用它们。

你可以从学习Python作为开端（就像我一样），也可以通过学习一些微积分和统计学知识来入门，亦或通过学习决策论来开始这段学习之旅。ML和AI让我着迷的原因就是，它们是集大成者。

 

我了解得越多，我就意识到有更多的东西要学，这让我无比兴奋。有时，我会因为代码有bug或者无法理解一个概念而感到沮丧。这时我会选择暂时放弃。我通过小睡一会或去散散步来暂时摆脱问题。当我回来时，感觉自己可以从另外一个视角对问题进行审视，继而感到兴奋。我可以持续学习，因为我告诉自己：我是一台学习机器。

 

这些领域日新月异，因此上手时你可能会心存恐惧。而有时，太多的选择导致没有选择，因此你要学会忽略。

 

从你最感兴趣的领域开始并坚持下去。如果你进入了死胡同，那是一件好事，因为你已经排除了你不感兴趣的东西。带着梦想，重新启程。

请记住，电脑虽然很聪明，但它们无法自己学习，需要你施以援手。