这是一份来自DeepLearning.AI创始人吴恩达的AI职业成长手册
涵盖学习、项目、求职三大核心步骤，帮你少走三年弯路
前言：AI编码，是新时代的读写能力
几百年前，社会并不认为读写是每个人必需的技能。只有少数人会读书写字，其他人则依赖他们。如今，读写能力已经普及，整个社会因此变得丰富得多。
文字实现了人与人之间的深层交流，而代码则是人与机器之间最深刻的交流方式。随着机器在日常生活中的地位越来越高，这种交流变得前所未有的重要。
传统软件工程——明确告诉计算机执行一系列步骤——一直是通向代码素养的主要途径。但AI、机器学习和数据科学提供了一种全新的范式：计算机从数据中提取知识。这项技术甚至提供了一条更好的编码学习路径。
举个例子：你家楼下的披萨店老板，可能没什么理由去学开发游戏或写网站。但一个简单的线性回归模型，就能帮他预测夏威夷披萨（吴恩达的最爱）的销量，从而优化备料和人力安排。任何产生数据的场景，几乎都能找到AI和数据科学的用武之地。
正因如此，AI导向的代码素养，比传统编码更加宝贵。它能让无数普通人利用数据，让自己的工作和生活变得更好。
第一章：职业成长的三个核心步骤
AI的快速崛起带来了大量AI岗位。职业是一场数十年的旅程，道路并不笔直。吴恩达总结了一个清晰的框架：
学习 → 项目 → 求职
这三个步骤层层递进，而且适用于大多数职业。但AI领域有其独特之处：
🔹 学习：终身进行时
AI还处于早期阶段，技术仍在快速演变。基础机器学习与深度学习的内容相对成熟，可以通过课程高效掌握。但除此之外，持续跟进新技术变化，在AI领域比其他成熟领域重要得多。
🔹 项目：与不懂AI的协作方合作
这带来一系列挑战：如何找到合适的项目？如何预估时间和投资回报？如何设定预期？AI项目高度迭代的特点，也让项目管理变得特殊——你无法提前知道需要多久才能达到目标精度。即使上线后，还需要应对部署后的模型漂移。
🔹 求职：公司自己都还没搞明白
很多公司还在摸索：他们到底需要什么样的AI技能？如何招聘具备这些技能的人？你的工作经历可能与面试官见过的任何东西都不同，你很可能需要主动教育雇主，让他们理解你工作的价值。
无论你在哪个阶段，都要建立一个支持你的社区。朋友和盟友能帮助你，而你也努力帮助他们——这条路会因此轻松很多。
第二章：学习哪些技术技能最值得？
AI领域的研究论文多到一辈子读不完。因此，优先级选择至关重要。吴恩达认为，技术型AI职业最需要掌握以下四大板块：
1. 基础机器学习技能
理解线性回归、逻辑回归、神经网络、决策树、聚类、异常检测等模型
更重要的，是理解背后的核心概念：偏差/方差、代价函数、正则化、优化算法、误差分析
2. 深度学习
深度学习已经成为机器学习中占比极大的一块，不懂它很难在领域内脱颖而出。值得掌握的内容包括：
神经网络基础
超参数调优等实战技能
卷积网络、序列模型、Transformer
3. 与机器学习相关的数学
线性代数：向量、矩阵及其操作
概率与统计：离散/连续概率、常见概率分布、独立性、贝叶斯法则、假设检验
探索性数据分析（EDA）：这是一个被低估的技能。尤其在以数据为中心的AI开发中，分析错误、获取洞察能极大推动进展
微积分：具备直观理解即可。如今自动微分软件已经很强，十年前几乎不可能的事现在变得简单
4. 软件开发能力
只有建模技能也能找到工作并获得巨大贡献，但如果你还能写一手好软件来实现复杂的AI系统，机会会更多。需要掌握：
编程基础、数据结构（特别是与机器学习相关的，如DataFrame）
数据库和数据操作相关的算法
软件设计、熟悉Python、熟悉TensorFlow/PyTorch/scikit-learn等库
这么多内容，学得完吗？
即使你掌握了上面所有内容，也请继续学习。很多机器学习工程师受益于在某个应用领域（如NLP或计算机视觉）或技术领域（如概率图模型或可扩展软件系统）的更深技能。
最有效的学习方式是什么？
网上有很多好内容，但零散阅读效率很低——内容重复、术语不一致、质量参差不齐、有知识缺口。一门好课程将材料组织成连贯的逻辑形式，是掌握知识最省时的方法。学完课程后，再切换到论文和其他资源。
没有人能在周末甚至一个月内速成所有知识。 每个机器学习高手都是终身学习者。如果你能培养每周学一点点的习惯，几年下来你会取得惊人进步。
如何建立新习惯？
吴恩达推荐BJ Fogg的《Tiny Habits》方法：从小处着手，先确保成功，而不是一开始就定大目标然后失败。例如，每天只看10秒的教育视频，坚持下来。即使那10秒什么都没学到，你也在建立每天学习的习惯。有些日子，你可能会学上一个小时甚至更久。
第三章：搞AI到底需要多少数学？
这是一个很实际的问题。吴恩达的建议是：从你真正需要做什么决策出发。
理解算法背后的数学，通常有助于你调试它们
但随着技术成熟、变得更可靠、更“开箱即用”，对数学深度的要求会降低
举例：
早期线性代数库不成熟，你必须理解库的细节才能避免数值舍入问题。现在这个问题基本不存在了。
深度学习仍是新兴技术。当你训练神经网络时，优化算法难以收敛，理解梯度下降、动量、Adam优化器的数学能帮你做出更好的决策。
当然，好奇心驱动的学习也值得鼓励。 如果你对某样东西感兴趣，尽管去学，不管它看起来多有用——说不定能激发创意火花或技术突破。
第四章：如何筛选出值得做的AI项目？
作为AI架构师，最重要的能力之一就是识别出哪些想法值得投入。下面是五个步骤：
步骤1：识别一个业务问题（而不是AI问题）
找到领域专家，问：“你最希望改善的三件事是什么？为什么目前还没改善？”
比如，你想把AI用到气候变化上，可能会发现：电网运营商无法准确预测风能、太阳能等间歇性能源的未来发电量。
步骤2：头脑风暴AI解决方案
不要只盯着第一个冒出来的想法。
例如，为了预测间歇性能源发电量，可以考虑：用卫星影像更精确地定位风机位置；用卫星影像估算风机高度和发电能力；用天气数据预测云层覆盖从而预测太阳辐照度。
有时候，可能根本不存在好的AI方案，那也没关系。
步骤3：评估可行性与价值
技术可行性：查看已发表工作、竞争对手的做法、或快速搭建概念验证
价值：咨询领域专家（比如电网运营商，他们会告诉你上面的方案到底有没有用）
步骤4：确定里程碑
包括机器学习指标（如准确率）和业务指标（如收入）。机器学习团队通常最擅长优化算法能直接优化的指标，但我们需要跳出舒适区，去定义用户参与度、收入等业务指标。
不是每个业务问题都能简化为优化测试集准确率。 如果你无法确定合理的里程碑，说明你对问题的理解还不够。
步骤5：预算资源
考虑数据、人员、时间、以及你可能需要从其他团队获得的集成或支持。比如，如果需要购买卫星影像，确保预算里有钱。
项目工作是一个迭代过程。如果在某一步发现方向不可行，就回到之前的步骤，带着新的理解重新出发。
第五章：如何找到与你职业目标匹配的项目？
我们当然只应该做那些负责任、有道德、对人有益的项目。但在这个范围内，选择依然很多。
从小做起。 早期的项目用来学习，随着技能增长，逐步挑战更大规模、更复杂、更有影响力的项目。
不要指望别人把好主意和资源端到你面前。很多人都是从业余时间的小项目开始的。有了初步成功（即使很小），你的能力会增长，也更容易说服别人帮你做更大的项目。
没有项目想法怎么办？
加入已有项目：找到有想法的人，请求加入
持续阅读和交流：花时间阅读、上课、与领域专家交流，新想法自然会冒出来
聚焦一个应用领域：很多研究者致力于推进基础AI技术（如下一代Transformer或更大规模的语言模型），这很激动人心，但也很硬核。然而，机器学习尚未应用的领域还有巨大的空间。吴恩达自己很幸运，从无人直升机到在线广告，他早期切入时这些应用上还没多少人
搞一个副业：即使你有全职工作，一个有趣的副业（哪怕不一定发展成大东西）能激发创造力，加强合作关系。吴恩达当全职教授时，在线教育不是他的“本职工作”，而是一个充满热情的兴趣爱好
如何选择哪个项目值得跳进去？
能否帮你技术成长？ 最好能挑战你、拉伸你的技能，但又不至于难到你几乎没有成功可能
有没有好的队友？ 如果没有，有没有可以讨论的人？我们从周围人身上学到很多
能否成为垫脚石？ 如果项目成功，它的技术复杂度和/或业务影响力能否让你迈向更大的项目？
最后，避免分析瘫痪。 花一个月决定是否做一个只需一周就能完成的项目，毫无意义。你会在职业生涯中做很多项目，有的是机会优化你的判断。面对海量可能的AI项目，与其“准备、瞄准、开火”，不如“准备、开火、瞄准”。
“准备、开火、瞄准”的智慧
Ready, Aim, Fire：仔细规划、谨慎验证，只有在高度确信方向时才执行。适合执行成本高、且前期研究能揭示项目价值的情况。
Ready, Fire, Aim：快速跳入开发，尽早发现问题，必要时转向。适合低成本快速构建原型、且失败可以接受的情况。
对于构建模型本身，吴恩达偏向Ready, Fire, Aim。因为训练模型和做误差分析是一个迭代过程，很难通过前期研究就确定合适的模型、数据和超参数。
但如果是那种“单向门”决策（很难回头）或需要巨额投资，那就值得提前花更多时间确认。
第六章：构建展现技能进阶的作品集
一个成熟的作品集通常有四个层次：
1. 课堂项目
最初几个项目可能是范围很小的作业，有预设的标准答案。这是很好的学习经历。
2. 个人项目
独自或和朋友一起做小规模项目。例如：重新实现一个已知算法；将机器学习应用到你的爱好上（预测你喜欢的球队能否赢球）；在工作中用业余时间写一个基于机器学习的小脚本，帮同事自动化部分工作。参加Kaggle等竞赛也是一种方式。
3. 创造价值
当你技能足够，开始做那些别人能看出实际价值的项目，这会为你打开更多资源的大门。比如，机器学习不再是你的业余时间活动，而成为工作的一部分，你能获得更多的设备、计算时间、标注预算或人力。
4. 不断提升的规模和复杂度
成功会带来更多成功，为你打开更多技术成长、更多资源、更大项目机会的门。
几点补充：
不要担心起步太小。吴恩达最早的研究项目之一是训练一个神经网络来模仿sin(x)函数，没什么用，但极好的学习经历
沟通是关键。如果你希望别人看到你工作的价值并信任你，你需要能够清晰地解释你的思考。启动项目时，沟通价值能拉拢同事、导师和经理；项目完成后，清晰的总结能说服别人给你更大的机会
领导力不限于管理者。当你参与需要团队协作的大型AI项目时，你领导项目的能力会越来越重要——即使你没有正式的领导头衔。通过深层技术洞察来帮助引导项目方向，本身就是一种领导力成长
第七章：开始AI求职的简单框架
找工作的过程大致有这几个步骤：选择公司、准备面试、拿到offer后选择角色并谈判薪资福利。
对于从其他领域进入AI的求职者，吴恩达给出了一个特别实用的框架：
问自己：你是切换角色，还是切换行业？
切换角色：例如软件工程师、大学生或物理学家想成为机器学习工程师
切换行业：例如从医疗、金融或政府机构跳槽到软件公司
如果你正在找第一份AI工作，一次只切换其中一个，会比两个同时切换容易得多。
举例：你在金融服务业做分析师。
如果你在金融服务业找一份数据科学或机器学习工作，你可以继续利用你的领域知识，同时积累AI技能。工作一段时间后，再跳槽到科技公司会容易得多。
或者，你先进入一家科技公司做分析师，继续发挥分析技能，但换个行业。身处科技公司，你也更容易从同事那里学到AI的实战挑战和关键成功技能。
关于角色切换：初创公司可能比大公司更容易
初创公司通常人手不足，如果你能帮忙做AI相关的事（即使不是你的正式职责），大家会欣赏你。这为你将来在公司内部转换角色打下基础。而在大公司里，僵化的奖励体系更可能奖励你“做好本职工作”，而不是奖励你“做职责范围之外的事”。
感谢FourthBrain的Salwa Nur Muhammad提供了本章的部分思路。
面对不确定性的方法
未来有很多不确定性：什么时候能治愈阿兹海默症？谁会赢得下一次选举？明年有多少客户？
吴恩达的做法：
列出几种可能的情景（承认你不知道哪个会发生）
为每个情景制定行动计划
开始执行那些看起来合理的行动
随着未来逐渐清晰，定期重新审视和调整计划
例如在2020年新冠疫情时，他设想了三个月、一年、两年三种恢复时间，并分别制定了管理计划。
第八章：用“信息访谈”找到真正适合你的工作
如果你正准备切换角色或行业，你对目标工作肯定有很多不了解的地方。信息访谈是一个极好的学习方法。
信息访谈就是找到某个你想了解的公司或岗位的人，非正式地采访他们的工作。这类谈话要与求职分开，最好在你准备启动求职之前很久就开始。
信息访谈在AI领域尤其重要，因为行业发展太快，不同公司对同一个职位名称的定义可能完全不同：
在A公司，“数据科学家”可能主要是分析业务数据、用幻灯片展示结论
在B公司，他们可能写和维护生产代码
你可以通过信息访谈了解：这个公司的AI团队实际在做什么？他们用什么算法、部署流程、软件栈？你可能会惊讶地发现，大多数机器学习工程师花了大量时间迭代式地清洗数据集。
可以问什么问题？
你典型的一周或一天是怎么过的？
这个岗位最重要的任务是什么？
成功最需要哪些技能？
你的团队如何协作完成目标？
招聘流程是怎样的？
过去那些脱颖而出的候选人，是什么让他们发光？
如何找到受访者？
很多资深人士当初都得到过前辈的帮助，他们通常愿意回馈。可以从你已有的人脉入手（比如走在你前面的朋友、校友）。也可以参加线下聚会（比如Pie & AI）来扩展网络。
记住：礼貌、专业，并感谢对方。 当你有机会时，也请回馈后来者。如果DeepLearning.AI社区的人向你发出信息访谈请求，希望你能伸出援手。
第九章：找到最适合你的AI工作
典型的求职路径：
研究角色和公司 → 安排信息访谈 → 直接申请或通过内推 → 面试 → 拿到offer并选择 → 如果没有offer，寻求反馈并规划下一步。
一些提高成功率的技巧：
关注基础：一份有说服力的简历、技术项目作品集、面试中的出色表现，是打开大门的钥匙。更新简历，确保清晰展示与你目标岗位相关的教育和经历。针对每个公司定制沟通内容，说明你为什么适合。面试前向招聘方了解流程，复习常见问题，温习技术材料。
尊重和负责任：以“双赢”的心态面对面试和薪资谈判。社交媒体上极端故事传播得比理性故事快，但绝大多数雇主都是道德和公平的。如果你要离职，优雅地离开：给足够的通知期，直到最后一小时都全力以赴，尽你所能交接未完成的工作。
选择与谁共事：项目内容固然重要，但你的队友至少同样重要。我们会被身边的人影响。如果大多数同事都在努力学习、持续进步、用AI造福所有人，你大概率也会这样。
注意：有些大公司直到你接受offer后才告诉你队友是谁。这时候要持续追问，争取与潜在队友沟通。如果政策不允许，那意味着你接受offer的风险更高——你可能会遇到不太合拍的经理或队友。
从社区获取帮助：大多数人一生中求职次数很少，所以很少有人能在这方面做得很熟练。但你的朋友们、同事们的集体经验可能很丰富。不要害羞，向他们求助。朋友和熟人可以提供建议、分享内部信息、推荐你给其他可能帮助的人。
不要害怕，采取渐进式方法：先找一些可能的角色，做几次信息访谈。如果这些谈话让你意识到自己还需要学习更多才能申请，那太好了——至少你有了清晰的前进方向。任何旅程最重要的都是迈出第一步，而那一步可以很小。
第十章：在AI领域建立职业生涯的关键要素
1. 团队合作
做大项目时，团队合作比单打独斗更成功。协作、影响他人、也被他人影响的能力至关重要。因此，人际交往和沟通能力真的很重要。吴恩达坦言自己曾经沟通能力很差。
2. 建立社区（而非“社交”）
吴恩达说他讨厌“社交”——作为一个内向者，参加聚会强颜欢笑、尽可能多握手，几乎是一种恐怖活动。他宁愿在家读书。
但他很幸运在AI领域交到了很多真正的朋友。与其想着“建立人脉”，不如想着建立你所参与的社区。这个副产品也会让你认识更多人、交到朋友。
3. 求职
在所有步骤中，求职最受关注。但网上有很多糟糕的建议（比如鼓励对潜在雇主采取对抗态度）。虽然求职看起来像是终极目标，但它只是漫长职业生涯中的一小步。
4. 个人自律
很少有人会知道你是把周末花在学习上，还是花在追剧上——但随着时间的推移，他们会看到差别。很多成功人士在饮食、锻炼、睡眠、人际关系、工作、学习和自我照顾上都养成了好习惯。
5. 利他主义
吴恩达发现，那些在每一步都想着提升他人的人，往往自己也能取得更好的成果。在为自己打造激动人心的职业生涯的同时，我们如何帮助他人？
第十一章：克服“冒充者综合征”
很多AI新人会经历冒充者综合征——无论他们实际多成功，总会怀疑自己是不是一个骗子，是否真的属于AI社区。
吴恩达明确表示：如果你想成为AI社区的一员，我张开双臂欢迎你。如果你想加入，你完全属于这里！
据估计，70%的人会在某个时刻经历某种形式的冒充者综合征。很多杰出人士都公开谈论过这件事，包括雪莉·桑德伯格、米歇尔·奥巴马、汤姆·汉克斯等。在AI社区，甚至很多成就斐然的人也会经历。
AI技术复杂，聪明且有能力的参与者很多。但很容易忘记：想把任何事情做好，第一步都是做得很烂。如果你已经在AI上成功“做得很烂”——恭喜你，你上路了！
吴恩达分享自己的经历：他曾苦苦理解线性回归背后的数学；他曾被逻辑回归的奇怪表现迷惑；他曾花几天时间找到自己实现的一个基础神经网络中的bug。直到今天，他仍然觉得很多研究论文很难读，最近还在调神经网络的超参数时犯了一个明显错误（幸好同事发现并修正了）。
所以，如果你也觉得AI的某些部分很难，没关系的。我们都经历过。 我保证，每个发表过开创性AI论文的人，都曾在某个时刻挣扎于类似的技术挑战。
一些有用的建议：
你有支持你的导师或同伴吗？如果没有，去参加Pie & AI等活动、使用讨论板、努力找到他们
没有人是所有方面的专家。认识到你擅长什么。哪怕你擅长的是“理解《The Batch》里十分之一的文章并能讲给朋友听”，那也很棒——我们努力让你能理解十分之二
吴恩达三岁的女儿（几乎数不到12）经常试图教他一岁的儿子。无论你走了多远——只要你至少有三岁小孩的知识水平——你就可以鼓励和提升身后的人。 这样做也会帮助你自己，因为身后的人会认可你的专长，并鼓励你继续成长
AI是我们世界中如此重要的一部分。吴恩达希望每个想参与其中的人，都能在这个社区里感到自在。让我们一起努力实现它。
最后的话：让每一天都有价值
每年生日，吴恩达都会思考过去的日子和未来的日子。
一个普通人的一生有多少天？
20,000天？100,000天？1,000,000天？5,000,000天？
当他把这个问题抛给朋友时，很多人选择几十万天（其实只有约27,000天左右）。
他自己在读研究生时，用死亡率计算器算了一下：他预期总共能活 27,649天。他把这个数字用大号字体打印出来，贴在办公室墙上，每天提醒自己。
这就是我们与所爱之人相处、学习、为未来建设、帮助他人的全部天数。
无论你今天在做什么，它值得你花掉人生1/30,000的时间吗？
本书免费下载地址
关注微信公众号“人工智能产业链union”回复关键字“AI加油站133”获取下载地址。
【AI加油站】第八部：《模式识别（第四版）-模式识别与机器学习》（附下载）