目前，各行業(yè)都在嘗試著用機器學習/深度學習來解決自身行業(yè)的需求。在這個過程中，最為稀缺的也是高質(zhì)量人工智能人才。 這一年我們見證了不斷有非計算機專業(yè)學生轉(zhuǎn)行人工智能的現(xiàn)象，每個想轉(zhuǎn)行人工智能算法崗的同學或多或少都有著類似的原因：人工智能領(lǐng)域的火熱需求和高于其他行業(yè)的薪資水準。那么，非計算機專業(yè)如何轉(zhuǎn)行人工智能，并找到算法 offer？

以下為作者 Nick-Atom 在知乎上的回答，希望對你有所啟發(fā)：

作為轉(zhuǎn)專業(yè)算法黨，分享些經(jīng)驗吧。開門見山，轉(zhuǎn)專業(yè)和本專業(yè)沒什么區(qū)別，該學的還得學，只有學的好與差的區(qū)別。好處是，只要你想學（并且英文好），超一流的學習資料滿天飛。

首先說幾個非常非常非常重要的原則（我認為這幾個原則要比具體的方法論重要)：

1、算法工程師也是軟件工程師，編程基礎(chǔ)要求很高（只是在架構(gòu)和系統(tǒng)這塊不做高要求）

基本上，你要花三分之一的時間處理數(shù)據(jù)，三分之一的時間修改線下線上代碼以適配你的算法，三分之一的時間調(diào)試模型。

前兩者都需要進行大量的代碼閱讀和自己 coding。

指望跑跑模型，調(diào)調(diào)參數(shù)不需要碼代碼是不可能的，除非你面的是科學家崗，但轉(zhuǎn)行的科學家崗基本不現(xiàn)實吧。

2、80% 的算法優(yōu)化來自與對業(yè)務(wù)架構(gòu)的理解

這一點有點反直覺了。

很多人以為算法工程師的工作就是把從論文和公開課里學到的 fancy 的算法用到業(yè)務(wù)里。這個基本上就是大錯特錯了。首先，絕大多數(shù)的先進算法只是相對于 baseline 算法有了一點點小的提升，這對于做科研是有意義的，畢竟積少成多。但是在工程中，這些算法的性價比是極低的，收益不大，卻要大幅度調(diào)整系統(tǒng)，增加系統(tǒng)復雜度，得不償失。

所以除非是非常顛覆性的想法，大幅度提升性能，像是 DNN，ResNet，Word2Vec，Bert，Seq2Seq 這樣的模型算法，才會在業(yè)界廣泛的應(yīng)用。

那么更多時候，算法工程師的工作是結(jié)合業(yè)務(wù)，用上述提到的這些基本的模型去優(yōu)化業(yè)務(wù)流。比如，在廣告領(lǐng)域，原來要求完全匹配用戶的搜索詞，我可不可以用 Seq2Seq 模型改寫出幾個類似的搜索詞？或者，原來都是 Counting Feature，我可不可以用 DNN Embedding 來做一些離散 Feature？

換句話說，模型都是最基本的模型，但是怎么結(jié)合業(yè)務(wù)，選對模型，用對地方，才是真正考驗算法工程師能力的地方。而要充分理解業(yè)務(wù)架構(gòu)，并且能夠在復雜的業(yè)務(wù)代碼中自由的翱翔，你的工程能力一定不能差。

3、優(yōu)秀的算法工程師都有很好的科研 sense

我個人覺得這一點被很多人忽略了。但其實這個非常重要。算法工程師和后臺/架構(gòu)工程師的一個很大區(qū)別在于算法工程師還是有一定的研究性質(zhì)的。換句話說，無論是上線一個業(yè)務(wù)還是開發(fā)一個中間件，后臺工程師要解決的問題比較明確（你不做還有產(chǎn)品***你做~~），結(jié)果也比較好度量（能不能用，性能如何）。

但算法工程師需要自己去找可以優(yōu)化的地方，且結(jié)果往往難以預測，有些工作的結(jié)果甚至難以可靠度量。這就需要你有好的科研 sense，能夠發(fā)現(xiàn)值得解決且能夠解決問題，設(shè)計合適的解決問題的方案及科學的結(jié)果度量方法，充分的實驗和論證，最后可靠的上線。

簡而言之，你要自己找活干，找對活是成功的 80%，活沒找對半年一年沒成果的時候壓力也是很大的。

除此之外，其他能力還包括：

1、英文

這個不用多說了。讀論文看視頻是少不了的，英文不行的話真的是，很累。

2、數(shù)學和機器學習理論

這一點我和一些高票意見不太一致，我覺得如果你理論能力很強，當然是錦上添花的事。但這不是必須的。能講清楚 LR 和 DNN，會推反向傳播和交叉熵，有一些項目經(jīng)驗（對項目中用到的算法有深刻的理解），對于入門級算法工程師來說足夠了。對于比較資深的算法工程師，也不要求對每個算法都理解的深刻，項目經(jīng)驗豐富些，基礎(chǔ)扎實也夠了。

畢竟學習幾個新算法，對于編程和算法基礎(chǔ)扎實的同學來講，實在是最輕松的事了。

理解了上述這幾點，準備起來自然也比較簡單了。

1、扎實的編程基礎(chǔ)

C++/Java + Python + 算法數(shù)據(jù)結(jié)構(gòu)。老三樣跑不掉的，而且要求只會高不會低。手寫算法練起來吧。

2、機器學習基礎(chǔ)

不要求多求深，去試圖掌握一些很 fancy 的算法和模型。好好去理解最基礎(chǔ)的 LR/CNN/DNN, 理解正則化，交叉熵，反向傳播，normalization 等等等等這些最基礎(chǔ)的概念，一定要理解的透徹。最好就是把這幾個模型自己實現(xiàn)一遍，尤其是 BP.3，工程能力和項目經(jīng)驗接觸過大型的工程項目，無論是開發(fā)還是算法，都是非常重要的經(jīng)驗。工程能力確實會讓你空有想法，難以發(fā)揮，戴著鐐銬跳舞。如果實在沒什么項目經(jīng)驗，可以考慮做一些比賽。但比賽用到的環(huán)境實在是太理想化了，導致價值實在有限，基本上我們找新人是不看比賽的（除非大賽成績特別好）。總結(jié)來說，大型項目的工程經(jīng)驗（哪怕與算法無關(guān)）也要好于比賽經(jīng)驗。

3、論文

一流論文大殺四方，灌水論文沒什么價值，發(fā)論文是實習生的工作，full-time 是要給公司賺錢的，不要心存僥幸，大清已經(jīng)亡了。如果沒有什么厲害的成果，而你又志在 industry，不要浪費時間灌水了，好好準備面試。

4、聰明 or 優(yōu)秀的科研 sense

這一點其實非常非常重要，只是大家的考察方法五花八門，實在難以總結(jié)。在我司，不聰明是我們拒人的第二理由。僅次于編程基礎(chǔ)差。至于什么樣的人算聰明的話見仁見智，我個人的話，數(shù)學好的人特別是概率，或者是講項目的時候能夠感受到非常好的科研 sense 的人，我會覺得是聰明的人。

最后幾句話送給轉(zhuǎn)行的各位，既然認定了要走工程師這條路（不論算法還是工程），就一定要拿自己和專業(yè)的人去比較，付出更多的努力去趕超。不要奢望這個行業(yè)有什么不需要計算機基礎(chǔ)的特別適合轉(zhuǎn)行的同學的神奇崗位，真正好的崗位，你的競爭對手就是計算機專業(yè)同學，評價的指標也就是計算機專業(yè)指標，你的專業(yè)所學基本不做考量，不要心存僥幸，好好加油吧。