入行AI最需要的五大技能

摘要： 作为一名软件工程师，我们应该活到老学到老，时刻与不断发展的框架、标准和范式保持同步。同时，还要能活学活用，在工作中使用最合适的工具，以提高工作效率。随着机器学习在越来越多的应用程序中寻得了一席之地，越来越多的程序员加入AI领域，那么，入行AI领域需要哪些技能呢？

作为一名软件工程师，我们应该活到老学到老，时刻与不断发展的框架、标准和范式保持同步。同时，还要能活学活用，在工作中使用最合适的工具，以提高工作效率。随着机器学习在越来越多的应用程序中寻得了一席之地，它成为了广大工程师迫切希望掌握的一门课题。

机器学习比一个新的框架更难掌握。要成为一名高效的实践者，你需要深入理解该领域相关的理论，广泛了解这个行业的现状，以及具备以非确定性的方式构建问题的能力。

你可以在网上找到很多教程来教你如何在一个精心挑选过的数据集上训练一个现成的模型，并使之达到不错的准确性。事实上，具备更多的相关技能是成为一个高效机器学习工程师的关键。

以下是我们与50多个顶尖机器学习团队的一些对话，他们来自海湾地区和纽约，这次来到Insight公司是为了探求人工智能从业者需要共同面对的问题，并希望能够加快自己融入应用人工智能领域的步伐 。

部署机器学习解决方案不仅仅是用数据对任意一个模型进行训练。你还需要了解：

• 你所拥有的**数据的类型**、**数据集在统计上如何分布**，以及数据集存在怎样的偏差。

  
  

• 适用于特定数据集的**统计模型**，以及这些模型成功的概率。

  
  

• 模型**优化**的相关指标，以及模型输出的含义。

换句话说，要对模型进行集成、部署和调试，除了要具备工程上的能力之外，你还需要了解统计的基本原理、线性代数和优化理论。

要针对某个问题构建一个定制化的机器学习解决方案，需要考虑的东西涵盖了从数据的获取、标记和预处理到模型的构建、更新和服务，以及这个过程中的所有一切。

最后，我们认为，为标准Web应用程序构建一套REST API是一个可以提前完成的任务。另一方面，机器学习模型不总是能保证收敛或者产生可用的输出。学习如何审视和交付有影响力的机器学习产品的最佳方法是了解其理论基础是如何与数据分类学相关联的。

统计学

要深入理解机器学习，必须要有扎实的统计学基础知识，这涉及到几个方面：

• 度量模型是否成功的各种方法（精确度、召回率、ROC曲线下面积等）。损失函数和评估指标的选择是如何**偏离模型的输出**的。

  
  

• 如何理解**过拟合**和**欠拟合**，以及**偏差/方差折衷**。

  
  

• 你对模型的结果有什么样的**信心**。

机器学习理论