ECE博士如何轉行做機器學習？

01-04

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。