值得拜读和思考：吴恩达《如何在人工智能领域建立你的职业生涯》

以下内容是吴恩达的《How to Build a Career in AI》的个人利用AI 的翻译版本，非常值得拜读和思考：在AI浪潮下，我们如何面对职业转变？

第一章：职业生涯发展的步骤有三：学习、做项目、找工作

第二章：学习人工智能核心要学习的技能是：机器学习、深度学习、数学、软件开发；

第三章：如果要学数学，从目标出发；

第四章：找一个AI项目的方法与步骤：从业务出发而非AI，方案、评估、里程碑与指标、资源；

第五章：没有项目，怎么开始？加入他人的项目、找人聊、关注垂直领域、做副业；想清楚再做，还是小步试错？

第六章：如何处理项目组合；

第七章：换岗、换行的处理方法；

第八章：利用非正式访谈找到合适的工作；

第九章：找工作的细节和路径；

第十章：成功的关键；

第十一章：克服冒名顶替综合症。

如何在人工智能领域建立你的职业生涯

人工智能是新的电力，将改变和改善人类生活的各个领域。——吴恩达(Andrew Ng)，DeepLearning.AI 创始人

引言：AI编程是新的读写能力

希望有一天，人们可以像阅读与写作一样自然地掌握编程，特别在人工智能（AI）领域。

几百年前，社会并不普遍认为语言读写能力是必需的。少数人学会了阅读和写作，其他人依靠少数人去阅读和写作。经由几个世纪，人类的读写能力才传播扩散开来，直至现今的普及程度。

语言让人与人之间得以深入交流，而代码是人与机器之间最深层次的交流方式。随着机器在日常生活中越来越核心，人机交流（编程）也愈发重要。

传统软件工程（编写程序），主要路径是让计算机明确执行一系列步骤。许多编程课程的教学案例，都是使用做一个视频游戏或者搭建一个网站。但是，人工智能、机器学习与数据科学提供了计算机从数据中提取知识的新范式。而这些技术的发展为编程提供了更好的路径。

许多个周日，我会去家附近的比萨店买一块比萨。除非兴趣使然，披萨柜台后面的工作人员几乎没有理由去学习制作视频游戏或编写自己的网站软件。但人工智能和数据科学对披萨店老板有很大价值。例如， 线性回归模型可以更好地估计需求、优化餐厅的人员配备和供应链。老板可以更好地预测夏威夷披萨的销量。从而提前制作更多的夏威夷披萨，减少顾客的等待时间。

几乎任何产生数据的场景，都可以应用人工智能与数据科学。因此，各类职业对定制AI应用与数据洞察的需求将超过传统的软件工程需求。这使得具备AI编程能力比传统编程技能更有价值。AI编程可以帮助无数人利用数据丰富自己的生活。我希望，与传统软件开发相比，构建基本AI应用程序的前景能激励人们学习编程。如果社会能像接受读写能力那样接受这种新形式的“读写能力”，我们都将从中受益。

第一章：职业生涯发展的三个步骤

AI的迅速发展带来大量工作机会，许多人正踌躇满志地投身于新领域。职业生涯是一段几十年的旅程，多年来，我有幸见证了成千上万的学生，以及各大公司中工程师们在AI领域的职业发展历程。以下是一个帮助你规划自己职业道路的框架。职业发展的三个关键步骤是学习基础技能、参与项目（以加深你的技能、建立作品集并创造影响力）、以及找到一份工作。这些步骤层层相叠：

学习、项目、求职阶段适用于各种职业，但人工智能有其特殊之处。例如：

学习基础技能是一个贯穿职业生涯的过程.。人工智能还处于起步阶段，许多技术仍在发展。机器学习和深度学习的基础正在逐渐成熟，学习课程可以高效地掌握基础知识，但在此基础之上，紧跟技术的变化在人工智能领域比在更成熟的领域更加重要。

从事项目工作通常意味着与缺乏人工智能专业知识的利益相关者合作 找到合适的项目、估算项目的完成时间和投资回报、设定合理的期望变得颇具挑战。此外，AI项目的高度迭代性会给项目管理带来特殊挑战：当你不知道需要多长时间才能达到目标时，该如何制定构建系统的计划？即使系统达到了预期目标，也可能需要进一步迭代来解决部署后的偏移问题。

“部署后的偏移”（post-deployment drift）通常指的是模型在实际应用中的表现逐渐偏离训练时的效果。这种偏移并不是简单的动作变形或不符合预期，而是由于环境、数据或用户行为的变化，导致模型的预测效果随时间推移而逐渐下降。

对人工智能技能和职位角色的看法不一致。与其他行业相比，AI领域求职有同有异。许多公司仍在摸索他们需要哪些AI技能，以及如何招聘具备这些技能的人。面试官见过的项目与你所做的项目可能有很大差异，因此你需要向潜在雇主解释你工作中的一些内容。在学习、项目与求职中，你都应建立一个支持性的社区。拥有朋友，彼此支持互助，会让这条路走得更顺畅。无论新手还是资深人士，都需要社区支持。

第二章：学习建构人工智能职业生涯的关键技能

在上一章中，我介绍了在人工智能领域建立职业生涯的三个关键步骤：学习基础技术技能，参与项目，以及找到一份工作，并强调了社区支持的重要性。在第二章中，我想更深入地探讨第一步：学习基础技能。人工智能领域的研究论文太多，一生也无法全部读完。我认为，选择学习的主题至关重要。对于机器学习技术相关的职业而言，重要的主题如下：

1. 基础机器学习技能：例如，理解线性回归、逻辑回归、神经网络、决策树、聚类、异常检测、偏差/方差、成本函数、正则化、优化算法、误差分析
2. 深度学习：深度学习在机器学习领域所占的比重很大，如果不了解，很难在AI领域取得卓越成就！理解神经网络的基本知识、掌握使其有效工作的技能（如超参数调整）、并学习、卷积网络、序列模型、变压器
3. 与机器学习相关的数学：关键领域包括、线性代数、概率和统计、自动微分软件
4. 软件开发：仅凭机器学习建模技能即可找到工作并作出贡献，但若能编写优质的软件来实现复杂的AI系统，将显著提升你的就业机会。这些技能包括编程基础、数据结构（特