机器学习被认为是科技领域最热门的技能之一。世界各地的组织都在赌机器学习会让他们的应用程序和服务变得“更智能”。如果你决定成为一名机器学习工程师，你就有可能获得大量令人满意（而且利润丰厚）的机会。

在过去四年中，人工智能（A.I.）和机器学习工作增长了近75%。随着全球机器学习市场预计到2029年将达到2099.1亿美元的趋势，那些知道自己技术的机器学习工程师每年可以获得从21.5万美元到39.7万美元不等的巨额薪酬也就不足为怪了。

什么是机器学习工程师？

机器学习工程师是一个处于数据科学和软件工程交叉点的混合角色。他们主要负责创建使用数据自动化预测模型的算法。他们的目标是运用所学知识让计算机能够预测未来的事件，并不断变得更加智能。

一个自学成才的机器学习工程师库尔蒂斯·派克斯（Kurtis Pykes）指出，从长远来看，数据科学家会分析数据以产生商业见解，而机器学习工程师会将数据转化为产品。这听起来有趣吗？

下面我们来看看ML工程师的核心职责，以及担任该职位所需的技能、素质和经验。虽然职责因组织、团队和项目而异，但一些常见职责包括：

• 研究、设计和实现ML模型和系统
• 实施机器学习算法和工具
• 缩放数据科学原型
• 选择适当的数据集，验证数据质量，清理和组织数据（与数据工程师合作）
• 执行统计分析
• 执行测试并优化机器学习模型和算法
• 监控生产中的系统并对其进行再培训以提高性能
• 利用机器学习库

技术技能和知识要求

因为机器学习工程不是入门级角色，大多数过渡到IT行业的技术专业人员都有软件工程经验或计算机科学、工程、数学或数据科学的学位。随着公司希望建立自己的数据科学团队，包括自学在内的机器学习工程师的新途径已经被打开。

无论你是想通过增强现有技能来跳槽，还是从头开始，以下是你需要掌握的技术技能：

• 编程：Python和R是机器学习从业者最常用的语言，然而，有些公司可能要求你了解C++、JavaScript和Java。以下是免费的R编程课程列表，以及在线学习Python、SQL、数据科学和其他数据分析技能的免费和付费课程列表。
• 数学、概率和统计学：如果你没有计算机科学或数学学位或者需要复习一下，在线课程可能是学习基本知识的最佳方式。
• 机器学习算法和框架：派克斯说，这很难肯定你必须从头开始执行机器学习算法。然而，在选择合适的模型并为任务优化模型时，要意识到利弊和权衡，需要对机器学习算法、它们的超参数以及每个超参数如何影响学习有很好的了解。因为永远没有最好的框架，所以你需要学习如何通过完成学习项目来选择符合你的业务需求的框架。
• 软件工程和系统设计：机器学习工程师必须了解各种软件工程的最佳实践（即版本控制、测试、文档、模块化编码等）以及不同部分如何形成系统。如果你没有实际操作经验，没有计算机科学学位或者来自数据科学家/分析师岗位，你需要学习基本的知识。
• MLOps：机器学习操作（MLOps）是机器学习工程的核心功能之一。为了学习MLOps，派克斯建议学习Made with ML上的课程，并阅读“介绍MLOps：如何在企业中扩展机器学习”和“实用MLOps:操作机器学习模型”。

软技能是关键

虽然机器学习工程是一项技术性工作，但软技能对项目成功至关重要，并能对你的职业生涯产生积极影响。

以下是一些最关键的软技能：

沟通和团队合作：因为机器学习工程师通常作为更大的数据科学和/或跨职能团队的一部分而工作，所以向技术和非技术受众传达信息并进行协作的能力是至关重要的技能。

• 解决问题：当然，任何工程师都需要具备的最重要的技能之一就是批判性思考和解决问题的能力。然而，过渡者注意到学习机器学习与实际进行机器学习不同。要磨练你的技能，请在没有固定数据集的情况下使用整个工作流解决现实问题。
• 时间管理：ML工程师通常需要研究、计划和执行多个项目，同时满足多个利益相关者的需求。
• 持续学习者：要在这个快速发展的领域保持先进，你必须具备快速学习新工具的技能，包括它们如何操作、在哪里产生良好的效果、在哪里产生消极的效果。

获得能力和信心

在寻找第一份工作时，新诞生的机器学习工程师有两件事对他们不利。首先，尽管合格的应聘者短缺，招聘经理们还是希望他们在提供工作之前掌握最重要的技能和工具。其次，新人可能会对自己的能力缺乏信心或自我怀疑（通常称为冒名顶替综合症）。

解决方案是什么？在学习期间获得实践经验并建立投资组合，不仅可以提高你的能力和信心，还可以提高你被雇佣的机会。派克斯说，不要犹豫练习你的技能。例如，通过基于项目的学习，不断应用你获得的新技能。

有面向精通R或Python的初学者的基本机器学习项目，也有适合具有中级和高级机器学习技能的项目。写项目网志可以帮助你了解工作背后的细微差别，提高你的沟通技巧，并与招聘人员和招聘经理建立有价值的联系。

另一个选择是参加DataCamp和Kaggle等数据科学竞赛。许多老板高度重视为此类竞争做出贡献的人，这是建立投资组合的一个好方法。通过本Kaggle竞赛教程，你可以体验到参加竞赛的感觉。

虽然成为一名机器学习工程师注定有一条陡峭的学习曲线，但回报绝对值得。未来几年，机器学习必会对世界各地的组织显得尤为重要。

作者：Leslie Stevens-Huffman