ECE博士如何轉行做機器學習?
今年ECE博士畢業,方向是太赫茲探測器,因為實在受不了工作環境,想轉行做機器學習工程師或者數據科學家。以前有四五年MATLAB物理建模經驗,最近兩年用python,搭建過一個實驗室設備管理系統,把實驗室的都用python控制起來,實現實驗的自動化運行。在一家智能投顧公司實習過,清洗整合過很多金融數據,做過一個融合多種機器學習模型預測股價的項目。台灣大學林軒田的機器學習基石和機器學習技法,都系統的學習過,作業跟著一個一個都寫了。還有deep learning with tensorflow也學過,還完成了一個用攝像頭實時捕捉圖片中數字的小項目。參加過京東的高潛用戶預測大賽,也懂一些特徵工程和處理非平衡數據集的辦法,最好成績75名。
作為博士,我知道這些都比較淺,想要進一步深入提高自己的水平。但是機器學習有很多方向,如NPL,computer vision和推薦系統等等,不知道該怎麼選擇方向。也不知如何能較快的進入某一領域並成為專家?同時,想要到公司做機器學習方面的崗位,要如何豐富簡歷和準備面試?
三十年河東三十年河西,世事盛衰興替變化無常。
以前學CS的很羨慕學EE的,那會拿個intel offer會成為眾人膜拜的對象。現在的就業形勢反過來了,身邊很多朋友從硬體開發轉軟體編程,各類培訓機構如雨後春筍。。
刷書看Ng的視頻也是一種學習方法,但不一定適合所有人。機器學習里的坑很多,升級漲經驗最好的方式就是找一份靠譜的實習,或者讓有項目經驗的導師師兄帶你入行,在實戰中感受真刀真槍的戰鬥是最快成長途徑,沒有之一。
不一定非得去BAT這類大公司,技術型創業公司有時也是不錯的選擇,關鍵是能找到一個有分享氛圍的團隊和一個肯培養你的LEAD。。至於方向選擇,建議結合自己的興趣與專業方向,重點是:開始干。
有時找一份工作,運氣也很重要。
之前寫過一篇文章,關於機器學習轉行的,希望對樓主有一點幫助。轉行是一件辛苦的事情,需要長期堅持下去才能夠有所收穫。
轉行數據挖掘和機器學習 - 知乎專欄ECE背景跟機器學習相關的大概有兩個吧
一個是statistical signal processing 跟statistical machine learning 差不多 也可以搞online learning 啥的
另一個是CV 跟CS搞的CV沒啥區別
親身經歷,五年PhD做signal processing,即將畢業,轉行data mining engineer。
簡單講講大概做了哪些準備,主要針對在美國的情況。
上過的課:上過coursera的andrew ng的機器學習和udacity的intro to machine learning。ng的課在概念方面講的比較清晰,但是作業是用matlab完成的。udacity的這門課不太講底層概念,但是用sklearn完成小作業,比較接地氣。其他的online的機器學習的課也有很多,但是我覺得有這兩門就足夠了。如果學校有開機器學習的課的話就最好了,跟著課程做的project能夠攢不少經驗。
除了機器學習這個基礎的課之外,我還上過學校開的deep learning和兩門統計基礎的課,這兩方面也是比較必備的。
project:之後我就開始刷了一些kaggle的比賽,收貨巨大,主要是數據處理,feature engineering,model使用方面能夠收穫很多經驗。kaggle比較好的地方在於論壇很活躍,交流很豐富,可以學到很多東西。完完整整跟下幾個kaggle的比賽,如果能拿一個不錯的名次,簡歷上放上去,對找實習也有一些幫助。
找實習:有一個機器學習的經歷,會讓你對實際面和deployment有一些深入的了解。我找實習比較辛苦,大部分都是折在coding面上(邊找實習邊刷題的那種)。所以找實習之前,除了複習基本的知識點和project之外,題也要刷起來。
找工作:大公司的職位基本都要靠內推,小公司靠自己投。有實習經歷加上題刷的不錯,找工作會輕鬆很多。
總的來說我覺得如果想轉行,還是多做project比較重要,自己能有很多實際的收穫,簡歷上也能有話聊。如果還有餘力想深入的話,可以在機器學習挑一個方面深入學習,NLP、CV或者其他,可以跟學校的老師或者機器學習的PhD做一個long term的research project,可以去讀一些最新的論文,加深理解,掌握最先進的技術。現在很多職位除了基本要求都會加上有NLP或者CV的經驗優先之類的。
至於樓主提到的水平深淺,我自己的感受是至少能達到學校cs master畢業生的合格以上的水平。但是轉行想直接去做機器學習的research職位還是比較困難,很難拼過正正經經幾年讀下來的PhD。具體技術方面的累積、深入研發的能力,還是要靠自己長時間的積累和悟性。
真是360行,行行轉機器學習。
只要能證明自己在當前專業做到了優秀,那麼別人也會相信你在新的領域也能做到優秀。
對於ML本身,完善的理論基礎還未形成,工業界也沒有很高的技術壁壘。且DT時代最重要的不是數據和技術,而是應用場景。當前怎麼用大數據、怎麼用機器學習也處於摸索階段。
所以,我覺得對於一個博士來說,技術上的劣勢不是真的劣勢。如果是名校博士,建議去華為2012或者各產品線下研究部試一下(大數據和機器學習都有研究組在做),華為對名校博士非常偏愛眾所周知。
要不看看Udacity,有幾門收費的關於機器學習的課程, 簡歷和面試都有一對一輔導, 說不定有適合你的課
17 fall ece phd,研究方向computer vision and deep learning。ECE很大的(?˙ー˙?)
隔行如隔山,喜歡就干,但是需要提醒的是,因為你是博士用人單位不會用本科生的要求去要求你,如果真想走這條路,方向我建議選CV,語音識別本質是CV的一部分,數據挖掘與推薦系統很容易爛大街,NLP感覺任重道遠,可以關注,CV不解決NLP也解決不了。自己權衡,另外NLP(natural language processing)不是NPL。
推薦閱讀:
※大數據還能火多久?
※在做特徵工程時,什麼時候需要對連續型的特徵做取對數操作?
※在Kaggle比賽中獲得好成績甚至拿到獎金的data scientist都經歷了什麼?
TAG:機器學習 | 數據科學家 | 大數據 | 深度學習DeepLearning |