Python社区  »  机器学习算法

AI专业热潮,如何应对智能时代?机器学习工程师告诉你答案

开智学堂 • 2 周前 • 22 次点击  


 高考结束了,离填报专业还会远吗?人工智能的隆隆巨响,挟裹着新纪元的信息,撞击着不少人的心灵。这一届的考生,或许早已蠢蠢欲动,想踏进这一最接近未来的行业。但是,一休也想提醒你,千万不要被热门冲昏了头,填报 AI 类专业的时候,请细心考量下院校的师资实力、深造潜力、城市区位这些因素,深入了解下学科设置与产业距离的远近。此外,技术更迭日新月异,就业市场变幻莫测,唯有终身学习,才能让你在人生之路上走得更稳、更远。开智学堂(ID:OpenMindClub)推荐您,阅读机器学习工程师 Buddhika Laknath 的这篇文章,相信会给你一些启发。


作者丨Buddhika Laknath

本文为开智学堂精选译文

开智学堂(http://www.OpenMindClub.com)

当你认为无论是人还是动物都是「从经验中学习」时,「终身学习」这个概念听起来是无比荒谬的。 但今天,在人工智能和自动化技术快速发展的背景下,这个术语有了不同的含义。本篇文章就来探讨一下为什么人们在今天需要开始重视「终身学习」,以及如何开始积极学习并扩大你的视野。

科技发展的速度

目前而言,你今天学到的知识将在 5 - 10 年后过时。所以就这点而论,毫无以为我们应该持续学习。技术几乎以肉眼可见的速度在发展着,不去花时间升级更新自己将会是你职业生涯中最致命的一个错误。虽然由于我的学习和工作经历,这篇文章将更多地会关注计算机科学领域,但我认为它一样适用于大多数其他领域。

很主观地说,我怀疑是否还有其他任何一个领域像计算机科学一样发展地如此迅猛,而且我相信在这个领域工作的大部分人都知道和接受这个事实,并勇于接受其挑战,甚至还有人为之而着迷。

无论如何,在计算机科学领域中,每 5 - 10 年就会换一轮工具已经不是什么新鲜事了。然而,如果您想进入新兴的计算机科学领域,例如物联网(IOT),软件定义网络(SDN)或是深度学习,只换工具是不够的,你还需要通过在线课程来补补课,比如这两种:

1、你可能需要上一些数学或计算机科学的基础课,比如操作系统、网络和算法等。这是一些 MOOC 可以帮助你的。它们可以帮助我们回顾和复习一下数学和其他基础知识

2、有时也会有一些非常棒的新兴前沿课程,比如:

自动化和其影响

马克·安德烈森(Marc Andreessen)前段时间写过一篇文章,名叫《software is eating the world》(软件正在吞噬世界);那现在可能是时候说「人工智能正在吞噬世界」了,或者马上就可以说了。

随着计算能力的大幅提高和一些伟大科学家的毕生努力,时至今天,我们每周都会看到令人兴奋的进展。尽管是自动驾驶和沃森将人工智能带入人们的视野,但实际上它的历史和计算机本身一样悠久。

从 1956 年诞生以来,人工智能经历了不同的演变阶段。从逻辑推理的黄金时期到感知器和随后的人工智能寒冬再到神经网络的出现和当前的深度学习狂潮:人工智能确实走了很长的路。

图片来源 Unsplash

人工智能的浪潮毫无疑问会影响我们的工作方式 ,但问题是它会改变多少以及我们真的需要担心吗?毕竟,在上个世纪,人类的工作方式已经发生了一些重大的革命,那么这次的革命又有什么不同呢?毕竟,每一个重大的破坏性创新,都会伴随传统工作的消亡以及新就业机会的诞生。

我认为一个主要区别是:过去这些革命取代的是一些单一的功能,例如我们所知的「汽车代替马车」「数字媒体代替纸质文件」这样彻底改变了人类文明的发明;今天的人工智能已经在试图效仿一些人类所特有的技能,并在精度方面逼近甚至超越:比如认知和决策。当这些能力外包给机器以后,我们并不了解这会造成多美深远的影响。

一些机器学习研究人员警告这可能会引发大规模失业潮,但另一些意见认为这不过是一场类似于过去的变革。虽然我更同意前者,但我怀疑其实没人可以准确估计其影响。这也说明了为什么白宫关于人工智能的政策文件同时讨论了高估和低估的影响。

虽然我们确实无法预估,但我们也看到了一些影响:比如运输行业已经被严重损害了。同时,我们也可以估计什么类型的工作更容易被替代。可以预期,单一技能的工作将会持续衰退,而需要社会协作或数学技能的工作将基本不受影响或者需求量还会增加。

总而言之,这次的人工智能浪潮会影响我们的工作方式,因而保持安全比被说抱歉当然是一个更明智的选择。如果到现在你仍然认为这离你太远了,那么是时候好好想一想了。

技术领域互联

再说一次,虽然这篇文章主要涉及到计算机科学,但在其他领域大体也是如此。今天,要搞定一些有意义的工作,你通常需要横跨几个学科。

比如你是一名软件工程师,那么只了解一些基础知识和几种语言是不够的;根据你的偏好,你可能还需要了解系统、嵌入式系统、分布式系统,Web 安全,大数据和 ilk 文件。如果你进入数据科学领域——一个跨学科新兴领域——那你就别想逃避学习了:你需要学习从统计到计算机科学之间的一切!它们中的每一个都涉及广泛并且像计算机科学中的大多数领域一样发展迅速。

在这个意义上,「什么都了解一些,一些领域了解全部」这个说法在今天使用无比合适。

图片来源 Unsplash

基于该领域如此之大以及发展奇快,我怀疑传统大学里即便再好的专业也难以满足这个需求。幸运的是,今天我们不需要在浏览器之外的世界里来学习这些知识,唯一的问题是我们是否准备好扩大我们的视野。

幸运的是,一些非常聪明的人,同时也是机器学习领域的先驱,开始了与人工智能兴起并行的在线学习计划。把这些学习活动称为教育中的均衡器并不夸张,它向着提高未来世界的生活水平迈出了一小步。

我们应该学习什么

说到学什么,你可以基于某一个主题学习大量相似的课程,然后从中获取那最精华的一点点知识。同时我也学到了一个教训:你的时间有限,但免费的课程无限,所以即使一个免费的课程真的很有趣,你也应该仔细地花时间来决定这是否会提供你需要的知识,而不是试图上一大堆课程,但没有完成任何一个。

总而言之,学习是每个人天生自带的能力,但随着世界新秩序的建立,它已经成为了一条成长的快速通道;所以如果我们不赶上其发展速度,那么世界就会大步向前,留下依然搁浅在原地的我们。

原文:http://t.cn/RSb0NKz
翻译:李亮
本文略有删减。

开智转载文章,转载授权请直接联系原作者
原创内容,转载授权请联系一休(微信 ID:aiopenmind001)
投稿&合作邮箱:we@openmindclub.com

  点击阅读原文,预约信息分析六期课程

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/34361
 
22 次点击  
分享到微博