就因为缺少一个机器学习硕士学位，在求职数据科学岗位时遭到拒绝？

这是本文作者Richmond Alake的真实经历，也促使他从一名全职员工转变为一名机器学习硕士生。

然而，机器学习的学习之路并非一帆风顺，作者之前也曾撰文分享过自己的这段经历。不少网友向他提出了一个灵魂拷问：这样的付出是否值得？

这篇文章正是作者给出的答案：

实际上，我对硕士专业的具体名称做了一些改动（惊恐）。需要说明的是，我的硕士学位名称并非纯粹的“机器学习”，而是“计算机视觉、机器学习与空间机器人”。或许明确这一点能让人更好地理解这一学位的难度……

一、背景故事

我曾在12月撰写了一篇文章，重点讲述了自己申请数据科学岗位失败的经历。以下是那篇文章的链接： - 文章链接

这篇文章在Medium上广泛传播，甚至有人通过LinkedIn联系我，询问我读机器学习硕士学位的经历以及是否值得。在这里，我会为你节省时间和麻烦，直接告诉你：在机器学习等有发展前景的领域获得高级资格证明或学位，确实值得！

从我的经验来看，雇主不仅希望应聘者具备某一领域的专业知识，还需要他们拥有相应的资质证明。如果你对神经网络的理论知识或反向传播的运作机制有深入了解，这将使你在竞争中脱颖而出。

二、机器学习硕士时期遇到的问题

1. 过度自信

对于过度自信，它有多种表现形式。对我而言，具体表现为以下两点：

• 首先，我对自己在软件工程专业本科学位上的优秀表现过于自信。当时，软件开发生命周期的所有事情似乎都能轻松搞定。随着时间推移，我重复这个过程，设计、实施和测试软件成为了我的习惯。

这种便捷性让我顺利完成了四年的Web开发职业生涯。我知道如何开发一个网站，该网站由一个完善的后端系统和一个数据库系统支持。但这些看似简单的事情，却让我误以为机器学习也同样容易。

• 其次，我低估了机器学习的整体复杂性。我通过一些夸张的新闻报道了解机器学习，其中一篇文章提到一位执业律师在三个月内迅速成为数据科学家。

2. “三个月”学会机器学习？

我的近期目标是在三个月内学会机器学习。为此，我购买了一本书：

这本书对于不熟悉的人来说，就像给小学生讲解微积分，或者通过读一本关于火箭的书来学习自行车维修——可能有些夸大，但我想你应该明白了。

书中复杂的术语和公式对我来说如同天书。即使现在，其中一些内容仍然难以理解。这本书的内容让我感到恐惧，因此我将学习机器学习视为一项极具挑战的任务。

不过，这本书对于任何认真对待机器学习的人来说都是必需的。它适合那些希望抛开框架、API和库的限制来学习的人。

• 小提示：如果你打算学习机器学习，请从头开始。以下是初学者可以使用的资源：
  • 学习资源链接

3. 准备不足

我极度的过度自信导致我缺乏必要的基础知识准备。

• 首先是数学，然后是论文，最后是密集学习——高强度的学习，包括在图书馆长时间学习。

不幸的是，数学从来都不是我学术生涯中的强项，攻读硕士学位并没有改变这一点。但是，如果你在高中或本科阶段具备强大的数学或统计学基础，那么机器学习中的数学就不会让你感到害怕。

• 对我来说，情况恰恰相反。我很享受反向传播的学习过程，但发现其中涉及的偏导部分非常枯燥。

经过三年的工作，我已经习惯了只需要连续坐几个小时就能完成任务。但显然，这远远达不到硕士学位的要求。

我必须将注意力和专注力提高四倍。这是一项具有挑战性的任务，尤其是在攻读学位的前半段，我一直在应对这一困境。

当我沉浸在小组学习、图书馆的安静环境中，并学会了使用一些提高学习效率的软件后，专注变得更容易了。

• 小提示：如果你发现自己难以放下手机并远离社交媒体，请尝试使用Forest软件：
  • Forest软件链接

4. 教科书学习与StackOverflow上的解决方案有很大不同

在硕士课程学习中表现不佳后，我意识到大学里有很多资源可以利用。

于是，我与一些我见过的最聪明的人进行了面对面的交流。我也在网上找到了一个可以帮助我学习的YouTube频道——“3Blue1Brown”： - YouTube频道链接

最后，谈谈论文写作。论文写作本身是一种技能，而这正是我严重缺乏的。当然，我可以花数小时在笔记本电脑上敲击键盘，但这仅限于代码调试或完成时。写论文对我来说完全不同，我半天连一句话都写不出来。

论文写作需要定期训练。我没有找到专门针对机器学习论文写作技能的资源。

• 小提示：你可以通过练习写作以及在媒体上发表对机器学习话题和概念的解释文章来提高论文写作水平。这与论文的撰写非常相似——需要调研和一定的口才。以下是一个示例：
  • 示例文章链接

三、所得教训

1. 不要低估机器学习学位（或任何专业的学位）

简单地说，机器学习这个专业需要严肃对待！很多人一生致力于探索机器学习的不同细节和领域。因此，当我告诉你三个月内无法掌握机器学习时，请相信我！三个月里，你最多只能了解一些常见且易于理解的概念。

2. 不要低估自己的能力

在整篇文章中，我都提到了自己的不足之处。尽管困难重重，我还是成功获得了机器学习的硕士学位，这值得表扬。

如果你曾经克服过一些看似不可能完成的任务，那么你也应该相信自己的能力。

3. 不要高估自己的能力

既然我们已经为自己鼓掌打气，现在是时候谦虚一下了。如果我在之前做了充足的准备，就不会在硕士就读期间经历那么多困难。软件开发的技能让我忽视了机器学习学习的难度，将其视为学习一个新Web框架或库的开发难度。

即使你在某个领域取得了成功，这也不意味着你能在其他相关领域同样成功。我知道这听起来显而易见，但我还是要强调这一点。

4. 永远全身心投入学习

说实话，保持长时间专注的能力应该被视为一种超能力。在当今数字时代，时间与注意力对于人们来说是新的黄金资源，移动设备上的软件无时无刻不在争夺人们的注意力。

你需要重获自我控制力，并能断开与互联网的连接。从长远来看，断开网络一个小时左右可以帮助你专注于特定任务，从而提高效率。

专注是一种需要培养的技能，所以要有耐心，从小事做起。

四、结论

如果你读到这里，那么我告诉你，读机器学习硕士的投入和收获是相当对等的。我通过了硕士学位的考核，并获得了人工智能各领域的实用知识。

从我这个特定的硕士课程设置来看，它不会教你那些实用技能，如ML模型的部署或数据库的搭建。因此，我没有学习Sci-Kit Learn、Numpy和Pandas等标准数据科学库。但你可以自学这些知识。

获得机器学习或相关领域的工作不一定需要硕士学位，但它确实可以帮你敲开工作的大门。

此外，如果你拥有机器学习的硕士学位，并且有一些很棒的项目或作品集，那你将拥有竞争优势。

最后，附上另一名AI专业毕业生David Chong写的一篇文章，他在文中对比了机器学习和数据科学的预期与实际情况之间的差距，有兴趣的同学可以阅读： - 文章链接

via Towards Data Science

雷锋网AI科技回复编译。