Most of the knowledge in the world in the future is going to be extracted by machines and will reside in machines.
——Facebook Director of AI Research
什么是机器学习？
我们来看一下机器学习是做什么的，能解决什么问题。
首先我们来看机器学习的一个类型，监督学习。
  • 监督学习
蓝色箭头部分是训练一个机器学习模型的过程。首先有Input，包括原始数据和Labels。然后把原始数据转化成Feature Vectors，将其与Labels结合到一起，通过机器学习算法，训练出一个预测模型，这就完成了Training的部分。
再看绿色箭头部分，同样首先有Input，包括一些数据，同样把他们转化为Feature Vector，然后通过刚刚产生的模型，预测出Expected Label。这叫做有监督模型。具体来看，会用到回归（Regression）和分类（Classification）
  • 无监督学习
机器学习算法的另一类是无监督学习。
同样是用Input Data训练一个模型，然后根据新的Data做预测。它和有监督学习不同的是，在训练模型的部分里没有Label。具体是用到Clustering和Dimensionality Reduction。
  • 机器学习算法大致包括三个部分
Hypothesis、Loss、Optimization。Hypothesis的目的是想要找到输入数据与输出数据的关系。Loss是想要评估和量化假设的好坏与否。而Optimization是想要使得Loss最小，找到合适的模型。
机器学习工程师做什么？
可以把机器学习工程师的工作分为以下几点：
  • 机器学习的实现和搭建各个公司的机器学习架构。
  • 搭建架构之后，维护该架构，包括在新的数据局进来时，该架构的速度、可靠性和性能。
  • 开发内部机器学习框架并抽象出来以推动其正常任务运行，例如training / testing, feature use / reuse / creation /storage/deployment等。这些框架不仅被机器学习工程师使用，也会被数据科学家使用。
实际上，机器学习工程师的工作也取决于具体的公司，不同的公司对机器学习的理解和应用不一样，因此他们的机器学习工程师的工作职责也会不一样。
机器学习工程师所需的技能
首先，Machine Learning Engineer仍然是engineer，所以计算机基础知识和编程能力是必须有一定水准的，所以第一和第五点是基础。此外，说到用于研究和进行ML其它的一些算法工作，数学、概率、统计知识也是必不可少的；更进一步的要求是，需要数学建模和数据评估知识，还要懂得Machine Learning算法和如何用Libraries去实现你的idea。
而关于其中第五点，之所以System Design能力在Machine Learning Engineer中仍然很重要，就是因为Machine Learning的发展，是很大一部分得益于计算能力的增强。犹记得在Google里100多人的TensorFlow的团队中，每一个参与开发该框架的成员，都对于System Design非常精通。
通常来说，普通的Software Engineer 和 Machine Learning Engineer更多只会用到图上第一和第五点技能，但是要成为 Core Machine Learning Engineer 的话，对于3,4项技能的依赖会越来越大。
关于机器学习的求职须知
机器学习涵盖的领域非常广，包括三大块，计算机视觉、自然语言处理、以及类似系统GPU的内容，其中又可以分为无数小块。只要根据个人的兴趣，找准一个方向切入进去，目前市面都会有大把的工作机会。
以百度的Job Description举例：
首先，前三点都是要求要有数据结构和算法的能力，基本也适用于Software Engineer。但是，注意其中一点，不同公司对于不同语言会有要求，所以投简历前一定要详细的看公司的Job Description。在百度，如果要求应聘者拥有 C++ 的技能，那么在面试的时候就一定会出现C++的内容；而有的公司或许要求SQL，R等语言，都是一样；最后一点，线性回归，概率论、统计、中枢网络等，是对于ML工程师的特殊要求。
在了解基本概念后，大家对自己未来的定位和应该如何努力才能成为机器学习工程师，是不是更有了解了？
BitTiger全力推出《人工智能工程师直通车》权威课程，打造工业级AI工程师！
课程内容
第一阶段：机器学习原理与自然语言处理
掌握机器学习与深度学习原理并通过项目实战，强化深度学习、自然语言处理等相关核心技能。
完成此阶段你将掌握的知识点：
  • 机器学习原理和传统经典算法
  • 深度学习基本组件及框架深入学习
  • 自然语言处理原理与实践
第二阶段：深度学习原理及 TensorFlow 强化训练
深度学习 “深度学习”，理解深度学习进阶模型，掌握TensorFlow及其工业界应用。
完成此阶段你将掌握的知识点：
  • “深度学习”的知识与观念
  • “深度学习”各式经典模型选择、设计，包括CNN、RNN等
  • 产业界最新技术，包括图形辨识、Deep Dream、AlphaGo等
第三阶段：工业级项目实践及项目成果展示
从实际需求出发，实现一个工业级的深度学习系统。项目完成后，课程组将邀请来自硅谷一线科技公司的manager参与项目展示，评审项目。
项目方向包括：
  • 图像分析与识别
  • 电力负荷预测
  • 机器人感知系统
课程亮点
夯实的基础知识学习：系统学习时下最流行、应用最广的一种机器学习：深度学习。以实战深入学习其框架、基本模型、进阶模型等，系统掌握人工智能工程师核心技术需求
工业级项目经验和成果展示：Hands-on的项目经验是技术人才求职中，无论简历筛选还是面试过程，最大的影响因素。课程中，学员将通过完整的系统设计，最终实现一个工业级的深度学习系统。成果展示阶段，更有硅谷一线公司manager现场评估。
理论课+实战课+Codelab的教学模式：每周课程，都在理论讲解课和代码实战课的基础上，再设codelab课，有针对性地为学员答疑解惑，拓展延伸。
专业求职指导和独家面试题精讲：为学员提供求职指导和面试精讲，备战求职。提供专属简历修改和30分钟Flag级模拟面试。同时，优秀学员将获得工作内推机会。
强大的内部学习资源库自由使用：课程期间，学员可以随时访问BitTiger独家海量原创视频库，包括基础知识视频（Python、高频算法、系统设计、OOD）、硅谷之路视频和面试指导视频等
顶尖教师团队
主讲教师
Dr. 阮巨城
Software Engineer @ Google Research
卡内基梅隆大学 (Carnegie Mellon University) 电机电脑工程博士学位及机器学习硕士学位。现于 Google Research 工作，主要内容为改良 semi-supervised learning 以及 deep learning 的演算法及效能。
Kevin Wu
Machine Learning Software Engineer @ LinkedIn
从事大数据建模系统构建和推荐系统模型开发的相关工作。南京大学本科，伦斯勒理工化学信息学博士，计算机硕士，环境工程硕士。在机器学习，社交网络，材料开发，计算化学方面均有论文发表，担任过多个机器学习领域学术会议及期刊审稿人。在机器学习在药物开发，互联网广告以及推荐系统方面均有相关经验。获得过多家知名公司data scientist或machine learning engineer的offer。
特邀导师
Benyu Zhang
云脑科技联合创始人兼CEO
前Google Staff Engineer。深耕人工智能领域18年，手握100+项美国专利，在国际一流期刊及会议上发表的45篇论文已被引用超过6000次。创新工场AI工程院副院长王咏刚将其评价为“人工智能华人科学家中排名前 10 位大牛之一”。
郑泽宇
才云科技联合创始人兼首席数据科学家
现为才云科技(Caicloud.io)联合创始人、首席大数据科学家。针对分布式TensorFlow上手难、管理难、监控难、上线难等问题，他带领团队成功开发国内首个成熟的分布式TensorFlow深度学习平台（TensorFlow as a Service）
张哲
Perceptln联合创始人
纽约州立大学机器人方向博士，清华大学自动化系本科。先后在微软和Magic Leap带领团队从事Robotics和AR中的SLAM产品化研发。2016年3月和刘少山一起创立PerceptIn，致力于为下一代计算平台和智能设备开发“眼睛和大脑”。
Dr. Rui Fang
自然语言处理与人工智能研究员 @ 汤森.路透社集团
在汤森.路透社集团 (Thomson Reuters)负责金融、新闻，和社交媒体方向研发项目。曾为美国国家标准技术研究院 (NIST) 访问研究员，从事3D形状检索研发工作。在人工智能领域发表20多篇学术论文。担任 AAAI, IJCAI, ACL 等国际学术会议 Program。
报名第一节免费公开课
复制链接或点击“阅读全文”
https://www.bittiger.io/livecourses/2huNhntZMePwviEJH
报名方式：
滑到页面下方，即可看到“第一节课报名方式”
欲了解更多或获得成为“人工智能工程师”就业指导，直接扫描二维码添加课程经理Wendy进一步咨询。
继续阅读
阅读原文