現(xiàn)在的人工智能爆火，學(xué)習(xí)機器學(xué)習(xí)的人員也是越來越多，但是，小編認為，我們不可盲目的去學(xué)，隨波逐流的結(jié)果便是會被時代所淘汰。小編整理了一些在未來的3~5 年，哪個方向的機器學(xué)習(xí)人才最緊缺，我們可以根據(jù)這個方向去選擇適合自己的技術(shù)。

　　既然已經(jīng)身在工業(yè)界，那么我就談?wù)劰I(yè)界未來幾年需要什么樣的機器學(xué)習(xí)人才。不談學(xué)術(shù)界主要還是因為大部分人最終不會從事研究，而會奮斗在應(yīng)用領(lǐng)域。相較而言，工業(yè)界對人才的需求更加保守，這和學(xué)術(shù)界不同。這受限于很多客觀因素，如硬件運算能力、數(shù)據(jù)安全、算法穩(wěn)定性、人力成本開支等。

　　這個答案可能更適合兩類人：
? ? ?1. 在讀的學(xué)生朋友

　　2. 工作不久想要轉(zhuǎn)行機器學(xué)習(xí)的朋友。特別厲害的技術(shù)大牛建議探索適合自己的路線，而我只能談一談適合大部分人的路線。但在回答前，我還是忍不住吐槽一下那種簡單回答“深度學(xué)習(xí)”，“大數(shù)據(jù)”，“NLP”，“機器視覺”的人。這每一個領(lǐng)域的小方向都多如牛毛，以自然語言處理（NLP）為例，細分有自然語言生成、自然語言理解，還有不同語言的語言模型。任何一個方向花幾十年研究也不為過，只給出幾個字的答案和買彩票有什么區(qū)別…

　　因此大部分機器學(xué)習(xí)實踐者還是該腳踏實地。盲目追逐熱點很容易跌進陷阱，而鞏固基礎(chǔ)、尋找自己擅長的領(lǐng)域和機器學(xué)習(xí)交叉點可以幫助你在未來的就業(yè)市場變得炙手可熱，成為工業(yè)界最緊缺的人才。

　　背景

　　工業(yè)界未來需要什么樣的機器學(xué)習(xí)人才？老生常談，能將模型應(yīng)用于專業(yè)領(lǐng)域的人，也就是跨領(lǐng)域讓機器學(xué)習(xí)落地的人。有人會問現(xiàn)在我們不就需要這樣的人嗎？答案是肯定的，我們需要并將長期需要這樣的人才，現(xiàn)階段的機器學(xué)習(xí)落地還存在各種各樣的困難。這樣的需求不會是曇花一現(xiàn)，這就跟 web 開發(fā)是一個道理，從火熱到降溫也經(jīng)過了十年的周期。一個領(lǐng)域的發(fā)展有特定的周期，機器學(xué)習(xí)的門檻比 web 開發(fā)高而且正屬于朝陽期，所以大家致力于成為“專精特定領(lǐng)域”的機器學(xué)習(xí)專家不會過時。

　　什么是特定領(lǐng)域的機器學(xué)習(xí)專家？舉個例子，我以前曾回答“人工智能是否會替代財務(wù)工作者”時提到我曾在某個公司研究如何用機器學(xué)習(xí)自動化一部分審計工作，但遇到的最大困難是我自己對審計的了解有限，而其他審計師對我的工作不是非常支持導(dǎo)致進展緩慢。所以如果你有足夠的機器學(xué)習(xí)知識，并對特定領(lǐng)域有良好的理解，在職場供求中你肯定可以站在優(yōu)勢的那一邊。以我的另一個回答為例「阿薩姆：反欺詐（Fraud Detection）中所用到的機器學(xué)習(xí)模型有哪些？」，特定領(lǐng)域的知識幫助我們更好的解釋機器學(xué)習(xí)模型的結(jié)果，得到老板和客戶的認可，這才是算法落了地。能寫代碼、構(gòu)建模型的人千千萬，但理解自己在做什么，并從中結(jié)合自己的領(lǐng)域知識提供商業(yè)價值的人少之又少。所以調(diào)侃一句，哪個方向的機器學(xué)習(xí)人才最緊缺？答：每個領(lǐng)域都需要專精的機器學(xué)習(xí)人才，你對特定領(lǐng)域的理解就是你的武器。

　　當然，給喂雞湯不給勺很不厚道，所以我也會給出一些具體建議。再次申明，我的建議僅給以就業(yè)為目的的朋友，走研究路線我有不同的建議，本文不再贅述。

　　1. 基本功

　　說到底機器學(xué)習(xí)還是需要一定的專業(yè)知識，這可以通過學(xué)校學(xué)習(xí)或者自學(xué)完成。但有沒有必要通曉數(shù)學(xué)，擅長優(yōu)化呢？我的看法是不需要的，大前提是需要了解基本的數(shù)學(xué)統(tǒng)計知識即可，更多的討論可以看我這個答案「阿薩姆：如何看待「機器學(xué)習(xí)不需要數(shù)學(xué)，很多算法封裝好了，調(diào)個包就行」這種說法？」。最低程度下我建議掌握五個小方向，對于現(xiàn)在和未來幾年內(nèi)的工業(yè)界夠用了。再一次重申，我對于算法的看法是大部分人不要造輪子，不要造輪子，不要造輪子！只要理解自己在做什么，知道選擇什么模型，直接調(diào)用 API 和現(xiàn)成的工具包就好了。

　　回歸模型（Regression）。學(xué)校的課程中其實講得更多的都是分類，但事實上回歸才是工業(yè)屆最常見的模型。比如產(chǎn)品定價或者預(yù)測產(chǎn)品的銷量都需要回歸模型?，F(xiàn)階段比較流行的回歸方法是以數(shù)為模型的 xgboost，預(yù)測效果很好還可以對變量重要性進行自動排序。而傳統(tǒng)的線性回歸（一元和多元）也還會繼續(xù)流行下去，因為其良好的可解釋性和低運算成本。如何掌握回歸模型？建議閱讀 Introduction to Statistical Learning 的 2-7 章，并看一下 R 里面的 xgboost 的 package 介紹。

　　分類模型（Classification）。這個屬于老生常談了，但應(yīng)該對現(xiàn)在流行并將繼續(xù)流行下去的模型有深刻的了解。舉例，隨機森林（Random Forests）和支持向量機（SVM）都還屬于現(xiàn)在常用于工業(yè)界的算法。可能很多人想不到的是，邏輯回歸（Logistic Regression）這個常見于大街小巷每一本教科書的經(jīng)典老算法依然占據(jù)了工業(yè)界大半壁江山。這個部分推薦看李航《統(tǒng)計學(xué)習(xí)算法》，挑著看相對應(yīng)的那幾章即可。

　　神經(jīng)網(wǎng)絡(luò)（Neural Networks）。我沒有把神經(jīng)網(wǎng)絡(luò)歸結(jié)到分類算法還是因為現(xiàn)在太火了，有必要學(xué)習(xí)了解一下。隨著硬件能力的持續(xù)增長和數(shù)據(jù)集愈發(fā)豐富，神經(jīng)網(wǎng)絡(luò)的在中小企業(yè)的發(fā)揮之處肯定會有。三五年內(nèi)，這個可能會發(fā)生。但有人會問了，神經(jīng)網(wǎng)絡(luò)包含內(nèi)容那么豐富，比如結(jié)構(gòu)，比如正則化，比如權(quán)重初始化技巧和激活函數(shù)選擇，我們該學(xué)到什么程度呢？我的建議還是抓住經(jīng)典，掌握基本的三套網(wǎng)絡(luò)： a. 普通的 ANN b. 處理圖像的 CNN c. 處理文字和語音的 RNN（LSTM）。對于每個基本的網(wǎng)絡(luò)只要了解經(jīng)典的處理方式即可，具體可以參考《深度學(xué)習(xí)》的 6-10 章和吳恩達的 Deep Learning 網(wǎng)課（已經(jīng)在網(wǎng)易云課堂上線）。

　　數(shù)據(jù)壓縮 / 可視化（Data Compression & Visualization）。在工業(yè)界常見的就是先對數(shù)據(jù)進行可視化，比如這兩年很火的流形學(xué)習(xí)（manifold learning）就和可視化有很大的關(guān)系。工業(yè)界認為做可視化是磨刀不誤砍柴工，把高維數(shù)據(jù)壓縮到 2 維或者 3 維可以很快看到一些有意思的事情，可能能節(jié)省大量的時間。學(xué)習(xí)可視化可以使用現(xiàn)成的工具，如 Qlik Sense 和 Tableau，也可以使用 Python 的 Sklearn 和 Matplotlib。

　　無監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)（Unsupervised & Semi-supervised Learning）。工業(yè)界的另一個特點就是大量的數(shù)據(jù)缺失，大部分情況都沒有標簽。以最常見的反詐騙為例，有標簽的數(shù)據(jù)非常少。所以我們一般都需要使用大量的無監(jiān)督，或者半監(jiān)督學(xué)習(xí)來利用有限的標簽進行學(xué)習(xí)。多說一句，強化學(xué)習(xí)在大部分企業(yè)的使用基本等于 0，估計在未來的很長一陣子可能都不會有特別廣泛的應(yīng)用。

　　基本功的意義是當你面對具體問題的時候，你很清楚可以用什么武器來處理。而且上面介紹的很多工具都有幾十年的歷史，依然歷久彌新。所以以 3-5 年的跨度來看，這些工具依然會非常有用，甚至像 CNN 和 LSTM 之類的深度學(xué)習(xí)算法還在繼續(xù)發(fā)展迭代當中。無論你現(xiàn)在還在學(xué)校還是已經(jīng)開始工作，掌握這些基本的技術(shù)都可以通過自學(xué)在幾個月到一兩年內(nèi)完成。

　　2. 秘密武器

　　有了基本功只能說明你可以輸出了，怎么才能使得你的基本功不是屠龍之術(shù)？必須要結(jié)合領(lǐng)域知識，這也是為什么我一直勸很多朋友不要盲目轉(zhuǎn)機器學(xué)習(xí)從零做起。而學(xué)生朋友們可以更多的關(guān)注自己感興趣的領(lǐng)域，思考如何可以把機器學(xué)習(xí)運用于這個領(lǐng)域。

　　而已經(jīng)有了工作、研究經(jīng)驗的朋友，要試著將自己的工作經(jīng)歷利用起來。舉例，不要做機器學(xué)習(xí)里面最擅長投資的人，而要做金融領(lǐng)域中最擅長機器學(xué)習(xí)的專家，這才是你的價值主張（value proposition）。最重要的是，機器學(xué)習(xí)的基本功沒有大家想的那么高不可攀，沒有必要放棄自己的本專業(yè)全職轉(zhuǎn)行，沉沒成本太高。通過跨領(lǐng)域完全可以做到曲線救國，化劣勢為優(yōu)勢，你們可能比只懂機器學(xué)習(xí)的人有更大的行業(yè)價值。

　　舉幾個我身邊的例子，我的一個朋友是做傳統(tǒng)軟件工程研究的，前年他和我商量如何使用機器學(xué)習(xí)以 GitHub 上的 commit 歷史來識別 bug，這就是一個很好的結(jié)合領(lǐng)域的知識。如果你本身是做金融出身，在你補足上面基本功的同時，就可以把機器學(xué)習(xí)交叉運用于你自己擅長的領(lǐng)域，做策略研究，我已經(jīng)聽說了無數(shù)個“宣稱”使用機器學(xué)習(xí)實現(xiàn)了交易策略案例。雖不可盡信，但對特定領(lǐng)域的深刻理解往往就是捅破窗戶的那最后一層紙，只理解模型但不了解數(shù)據(jù)和數(shù)據(jù)背后的意義，導(dǎo)致很多機器學(xué)習(xí)模型只停留在好看而不實用的階段。

　　換個角度思考，不同領(lǐng)域的人都有了對機器學(xué)習(xí)的理解能更好的促進這個技術(shù)落地，打破泡沫的傳言。而對于大家而言，不用再擔心自己會失業(yè)，還能找到自己的角度在這個全民深度學(xué)習(xí)的時代找到“金飯碗”。所以我建議各行各業(yè)的從業(yè)者不必盲目的轉(zhuǎn)計算機或者機器學(xué)習(xí)，而應(yīng)該加深對本專業(yè)的了解并自學(xué)補充上面提到的基本功，自己成為這個領(lǐng)域的機器學(xué)習(xí)專家。

　　3. 彈藥補給

　　沒有什么不會改變，這個時代的科技迭代速度很快。從深度學(xué)習(xí)開始發(fā)力到現(xiàn)在也不過短短十年，所以沒有人知道下一個會火的是什么？以深度學(xué)習(xí)為例，這兩年非常火的對抗生成網(wǎng)絡(luò)（GAN），多目標學(xué)習(xí)（multi-lable learning），遷移學(xué)習(xí)（transfer learning）都還在飛速的發(fā)展。有關(guān)于深度學(xué)習(xí)為什么有良好泛化能力的理論猜想文章在最新的 NIPS 聽說也錄了好幾篇。這都說明了沒有什么行業(yè)可以靠吃老本一直瀟灑下去，我們還需要追新的熱點。但機器學(xué)習(xí)的范圍和領(lǐng)域真的很廣，上面所說的都還是有監(jiān)督的深度學(xué)習(xí)，無監(jiān)督的神經(jīng)網(wǎng)絡(luò)和深度強化學(xué)習(xí)也是現(xiàn)在火熱的研究領(lǐng)域。所以我的建議是盡量關(guān)注、學(xué)習(xí)了解已經(jīng)成熟和已經(jīng)有實例的新熱點，不要凡熱點必追。

　　如果你有這些基本功和良好的領(lǐng)域結(jié)合能力，三年五年絕不是職業(yè)的瓶頸期，甚至十年都還太早?？萍紩r代雖然給了我們很大的變革壓力，但也帶給了我們無限的可能。技術(shù)總會過時，熱點總會過去，但不會過去的是我們不斷追求新科技的熱情和對自己的挑戰(zhàn)。