本文翻譯自Medium上的一篇文章，原文標題：I had no idea how to write code two years ago. Now I’m an AI engineer. 點擊文末的閱讀原文可以跳轉到英文原文。
兩年前，我大學畢業，大學讀的經濟和金融學。我決定從事金融業，投資銀行和全球市場 - 這些都是理想的工作。畢業前9個月，我在一家投資銀行謀得一份職位，感到很自豪，因爲如果以前沒有在那家銀行任職，通常很難謀到這個職位。
工作了幾個月後，我學習了一些 Excel VBA，還學習瞭如何使用 Tableau，Power BI 和 UiPath（機器人過程自動化軟件）。我認識到我對選擇這些工具，學習編碼更感興趣，而不是學習銀行產品。曾經因其複雜性而令我着迷的銀行產品，現在僅被視爲銀行從客戶獲利的一種方式。
銀行業環境極大地衝擊了我的個人價值觀，但這是另一個話題。
同時，與我一起工作的同事爲我敞開了機器學習世界。一個人可以從某些輸入中預測某些結果的事實使我很感興趣。
我立刻被迷住了。
但是有一個問題 – 我只有初級的編碼技能。在我的字典中，Python 是蛇的一種，而 Pig ... 是一頭豬。
時光飛逝，兩年後，我進入 AI 行業，成爲 AI 工程師。這一路並不輕鬆，也不短。對我而言，轉戰 AI 行業僅僅是開始 - 我學習和成長的新開始。這就是我的旅程。
免責聲明
每個人的數據科學之旅都是不同的。本文不是探討如何進入人工智能，不應將其視爲手把手指南。我希望這是個人的軼事，我希望它能激發人們的信念，去做自己想做的事情，因爲生命太短暫了，不要去過沒有意義的生活。
我的旅途
登上 MOOC 快車
雖然具有經濟和金融學背景，但我不知道如何編碼。Excel VBA 非常近似於編程，但僅此而已。作爲一名優秀的學生，我想加入到數據科學的潮流中來，因此報名參加了一些的大規模開放在線課程（Massive Open Online Courses， MOOC）。不是一個，而是少量。這是我註冊的課程列表：
-
Python 訓練營：Python 3 從零開始到精通[Udemy]
-
適用於數據科學和機器學習的Python訓練營 [Udemy]
-
使用MySQL管理大數據[Coursera]
-
Java初學者教程[Udemy]
-
Web開發人員訓練營[Udemy]
-
機器學習A-Z：動手實踐數據科學, Python 和 R [Udemy]
-
使用Docker部署機器學習和NLP模型[Udemy]
不用說，我並沒有完成其中的大部分課程（只完成了黑體字的部分）。我陷入了所謂的 MOOC 自我延續週期。容易獲得知識使得從一門課程轉到下一門課程是很自然的，由於所涵蓋主題的簡短，使我的興趣短暫，常常無法完成前一門課程。
對我而言，這是 MOOC 的最大缺點 - 所涵蓋內容的過於簡單。也許我最初對 MOOC 可以推動我從事數據科學事業的期望太過幼稚。
爲了說明問題，典型的 MOOC 講授傳統的機器學習（ML）方法通常會浮於表面，而略過模型實際的作用。隨機森林被教導爲決策樹的集合，但是不涉及決策樹如何確定在哪個分支選擇了哪些特徵（比如熵的概念和數學知識）。支持向量機僅作爲分類方法進行講授，但是將不介紹如何確定超平面。
當我們研究諸如深度學習之類的更高級的 AI 領域時，我所知道的與我所需要知道的之間的差異得到了體現。教深度學習的 MOOC 通常會在 Tensorflow 上使用諸如 MNIST 這樣的不錯的數據集編寫大量代碼，並得出結論，您現在是深度學習專家（我有點誇張，但您會明白要點）。這顯然與實際情況相去甚遠，因爲研究論文通常包含複雜的體系結構，涉及理解深度神經網絡模型中的特徵提取，以及其他更復雜的特徵，例如變換器和雙向編碼。理解爲什麼某些最新模型比其他模型更好地工作，以及遷移學習和元學習等概念也很重要。
我認爲，教學機器學習（ML）的 MOOC 常常給人一種錯誤的印象，即任何人都可以成爲 ML 實踐者。天真地認爲， ML 只是涉及 .fit() 和 .predict() 的幾行代碼，這是因爲 MOOC 以這樣一種方式表達：人們可以相對輕鬆地開始使用ML（也許可以將它們貨幣化，由於 ML 的大量宣傳，課程非常有利可圖）。
別誤會我 - MOOC很棒。它們爲人們提供了快速簡便的方法來獲取知識並進入某個領域。它們會讓您成爲專家嗎？不。完成課程後，您要做什麼，將決定您是否成爲專家。
動手實踐
完成了幾門 MOOC 之後，我知道自己再不會有所收穫。當然，我掌握了一些 Python 的基本技能，並且知道如何以 .fit() 和 .predict() 的方式使用 sci-kit learn，但是僅此而已。
爲了提高我的編碼技能，我在 Hackerrank 上進行了練習，並完成了有關 SQL 和 Python 的問題。同時，我希望有一個可以使用 Python 的真實項目。我開始做一個可以爲我預訂羽毛球場的機器人的項目。這主要涉及使用 Selenium 與瀏覽器進行交互以瀏覽網頁，並最終加入購物車並向羽毛球館付費（這類似於秒殺運動鞋機器人）。這樣做的動機是，新加坡的羽毛球場通常兩週之前就預訂一空，很多人常常每天蹲守網站，守候發佈時間（他們通常在一兩秒鐘之內就預訂了）。
即使我對用Python編寫代碼更有信心，但我對代碼效率一無所知。時間和空間的複雜性對我來說完全陌生。面向對象的編程在我腦海中是一個永遠不會發光的概念（更不用說最終被遺忘了）。
在 ML 方面，我是 Jupyter notebook 專家。我可以將 Jupyter notebook 的主題更改爲暗模式，並會使用所有鍵盤快捷鍵。顯然，我已做好擔任數據科學家角色的準備。
現實檢驗 - 我的面試慘敗。還沒等我提及數據科學，涉及代碼的技術測試便擋住了我的腳步。我申請的技術分析師的職位使我轉到了另一個部門，因爲他們認爲我會更好地擔任業務分析師。
我離我要去的地方還很遠。
實踐還不夠
爲了深入瞭解 ML 並磨練我的 Python 技能，我決定前往新加坡管理大學攻讀商業 IT 碩士學位（專門研究 AI ）。
我瞭解了傳統 ML 模型背後的數學原理，並在自定義數據集上應用了最新的深度學習架構。我瞭解了有關 AI 的重要概念，包括常見的搜索算法，Q-learning和深度Q-learning。我學習了算法設計，包括圖形算法、時間和空間複雜度、名稱匹配算法以及許多幾乎使我的非計算機科學頭腦爆裂的算法。從本質上講，該課程爲我提供了 MOOC 所缺乏的學術嚴謹性。
在這個時候，我有幾個導師的項目。它們不是完整的項目，因爲數據集通常是從 Kaggle 提供或獲取的，並且通常在Jupyter notebook中展現。爲了確保一致性，在Docker上運行了深度學習模型，但從未考慮過部署方面。它們畢竟是學校的項目。
我認爲，碩士課程爲 AI 專業人員提供了嚴格的學術要求，但缺乏實際應用方面的鍛鍊。碩士學位課程不會告訴您從事數據科學工作的必要條件 - 您必須自己弄清楚這一點。數據科學家的工作範圍通常需要軟件工程和 DevOps 技能（儘管範圍不廣）。在大型組織中，代碼協作也很重要。因此，瞭解如何設置 Docker 環境、啓動 AWS EC2 實例、在 Azure blob 存儲上託管數據集、有效地組織代碼以及使用 GitHub 或 GitLab 進行版本控制是一些必需的關鍵技能，但課堂上並未講授這些技能。
即使您認爲自己不夠出色，也要嘗試
我繼續進行面試，在技術面試和非技術面試中積累了很多經驗（儘管大多數都不及格）。它還使我知道了我不知道的內容，並花了一些時間來學習這些技能。更重要的是，它使我能夠理解公司爲相同角色提出的不同類型的職位描述，以及這些職位描述如何與公司在採用 AI 方面的成熟度相對應。
兩年後，我獲得了一個AI 工程師的職位。對我來說，這是一個學習和發展自己充滿激情的領域的絕佳機會。不僅如此，這證明了任何人都可以完成他們打算要做的事情，儘管有些人可能要花更長的時間。
歸根結底，職業是馬拉松，而不是短跑。做自己喜歡做的事情，因爲它將佔據你生命中的大部分時間。
如果您感到迷茫，請記住 Elsa 所說的話，然後做對的事情。
很高興收到任何評論:)
