如何成为机器学习工程师机器学习自学资源
自学机器学习成才，还能受邀回到母校分享经验？
来自德国的小哥Max Mynter决定把他的路线图和学习资料也向网友们分享一二。想从业余爱好者转型专业人士的，可以看看有哪些地方值得参考～
1、机器学习工程师有哪些能力要求？
- 软件工程能力： 这是基石。扎实的编程功底和快速部署模型、迭代优化的能力，是机器学习工程师高效工作的关键。
- 数据科学技能： 面对真实世界的数据，机器学习工程师需要具备数据处理、分析以及准确解读模型输出的能力。
- 数学基础： 尽管日常工作中不一定频繁进行复杂数学推导，但高等数学（微积分、线性代数）、概率论、数值方法及优化理论的理解，能帮助你选择合适的算法并深入理解数据特性。
- 应用领域知识： 熟悉特定业务场景和数据类型，有助于更好地理解用例，确保机器学习方案的有效性。
2、通往机器学习工程师的两条路径
- 数据科学路径： 适合数学和数据处理能力较强的学习者，在此基础上需要补强软件工程技能。
- 软件工程路径： 适合具备优秀软件工程背景的学习者，再逐步学习数学、数据科学及机器学习理论。
作为一名自学者，后者会是更好的选择，因为即使在机器学习技能尚不成熟的阶段，出色的软件工程能力也能让你在团队中发挥价值。
3、实用资源分享
1. 编程基础（Python）
- 哈佛的CS50（pll.harvard.edu/course/cs50-introduction-computer-science）
- 赫尔辛基大学的编程基础课程（programming-23.mooc.fi/）
- 书籍：《Dead Simple Python》
2、 基础机器学习： 建议通过吴恩达的机器学习专项课程，建立坚实的机器学习基础。（www.deeplearning.ai/courses/machine-learning-specialization/）
3、深度学习
- 吴恩达的深度学习专项课程（www.deeplearning.ai/courses/deep-learning-specialization/）
- Yann LeCun的NYU讲座（atcold.github.io/NYU-DLSP21/）
- fast.ai（course.fast.ai/）及配套教材（course.fast.ai/Resources/book.html）
4、领域知识构建
利用Huggingface等平台，深化特定应用领域的专业知识。
积极参与并完成具有挑战性的项目，这些将是你简历和面试中最有力的支撑。
5、学习软件工程： Fullstackopen课程能够帮助你建立起对整个生命周期内管理和设计机器学习产品的大致了解。（fullstackopen.com/en/）
6、学习MLOps：fullstackdeeplearning的课程，能够让你掌握机器学习模型的部署、监控与维护，确保ML产品在生产环境中的稳定运行。（fullstackdeeplearning.com/course/2022/）
根据Mynter估计，零基础的学习者大约需要18个月时间来完成上述学习。
这段时间看起来很长，但要记得，种一棵树最好的时间是十年前或现在！
欢迎感兴趣的朋友阅读博客原文：
