如何成为一个ML engineer

ML engineer是现在software engineer这个umbrella下面的细分领域里最火的方向之一，“没经验如何变成ML Engineer”也是我频繁被问的一个问题。今天给大家统一回答一下。

咱们可以看看从公司的角度讲，招聘一个入门级ML engineer，需要你具备什么样的技能：

1. 大于等于普通初级software engineer的编程能力。OOD懂，算法数据结构懂（leetcode），代码干净，会写、会读、会debug。推荐书目：clean code或code complete；cracking the coding interview。

2. 理解基础的ML概念：supervised learning, unsupervised learning及其常用模型/算法。几个常见问题：neural net是如何“学习”的？K means如何工作？如何评判model的表现？model overfit的常见原因和解决办法是什么？

3. 懂得如何调试model。这个必须从实战经验里来。怎么做feature engineering？underfit/overfit怎么办？

4. 会做data processing。一个ML engineer绝大多数时间都是在处理data，没有极强的data insight做的model不可能好。你怎么处理data？pandas熟练否？spark/beam/hadoop会用吗？

5. 熟练使用至少2个ML library，一个non-deep-learning（比如sklearn，xgboost等）一个deep learning（比如tensorflow，pytorch，caffe2）。

以上技能可以通过几个方面体现：

1. （必要）做过的项目，这是必须的。可能是你在之前的工作/实习中做的，或者上课做的，或者是自己的side project；结果和你个人的实际贡献（impact）比在哪里做的更重要。没有工作经验的话，通过kaggle competition一样可以积累项目经验。

2. （optional）学过的知识，如果你上过相关的课程（包括网课、coursera/udacity nanodegree这种）都可以写在简历上。但如果没有相关项目经验backup，学过也没啥用。

综上所述：
实战经验 > 单纯知道
项目经验 > 工作年限
熟练python > 其他语言

还有什么不懂的，或者想听我聊其他话题，欢迎留言。