方法

采用实用的自顶向下方法，从高层次框架入手，重点关注深度学习。

---

更新版： 👉 请查看我的60页指南《无需机器学习学位》（No ML Degree），了解如何在没有学位的情况下找到一份机器学习相关工作。

入门阶段 [2个月]

要快速掌握深度学习，主要有三个目标：

1. 熟悉将要使用的工具，例如Python、命令行和Jupyter Notebook；
2. 适应整个工作流程，从数据获取到训练好的模型部署；
3. 培养深度学习思维模式，对深度学习模型的行为及其优化方式形成直觉。

• 在Codecademy.com上花一周时间学习Python语法、命令行操作和Git。如果你之前没有任何编程经验，建议花几个月时间系统地学习编程基础，否则很容易感到不知所措。
• 花一到两周时间使用Pandas和Scikit-learn，结合Kaggle上的入门题目，通过Google Colab上的Jupyter Notebook完成练习，比如泰坦尼克号乘客生存预测、房屋价格预测以及鸢尾花分类等任务。这将帮助你全面了解机器学习的思维方式和工作流程。
• 花一个月时间在云端GPU上实现各种模型。可以从FastAI和PyTorch开始。FastAI社区是希望应用深度学习并分享最新技术的人们的首选之地。

完成以上步骤后，你就能知道如何利用机器学习创造价值了。

作品集 [3–12个月]

把你的作品集看作是向潜在雇主展示你能够为其带来价值的证据。

在寻找第一份工作时，你可以申请以下四种主要职位：

1. 机器学习工程师，
2. 应用机器学习研究员/实习岗位，
3. 机器学习研究科学家，以及
4. 软件工程师。

与机器学习相关的许多工作实际上属于纯软件工程岗位（第4类），例如基础设施的扩展与优化，但这不在本文讨论范围内。如果你想顺利进入这个行业，最简单的方式就是瞄准机器学习工程师岗位。相比第2类和第3类岗位，ML工程师的职位数量要多得多，且对理论知识的要求较低，竞争也相对较小。大多数企业更倾向于采用稳定、成熟的实现方案（通常已有约一年历史），而不是投入稀缺资源去实现那些耗时较长、实际效果往往不佳的最先进论文中的方法。

一旦你能靠这份工作维持生计，并积累几年的工作经验，你就会更有条件去学习理论知识，进而晋升到第2类或第3类岗位。这一点对于自学成才的人来说尤其重要——你往往比普通的大学毕业生更具优势。一般来说，大学毕业生虽然理论功底扎实，但实践能力相对较弱。

背景

无论你的背景如何，评审你的作品集的人通常会包括3到10位技术与非技术人员。你希望引发以下几方面的反应：

• 申请人具备解决我们这类问题的经验；
• 申请人的作品易于理解且组织清晰；
• 这些作品毫无疑问是申请人独立完成的。

大多数机器学习学习者的作品集都大同小异，常见内容包括参加在线课程、训练猫狗分类器，以及在泰坦尼克号或鸢尾花等玩具数据集上的实现。这些项目往往表明你倾向于回避真实世界的问题解决，更愿意待在舒适区里照搬教程代码。这样的作品集不仅无法体现你的价值，反而可能给人留下负面印象，让你看起来并不像一位高质量的候选人。

相比之下，一个独特的作品项目意味着你曾面对过没有现成解决方案的独特问题，从而锻炼了与员工日常工作中类似的解决问题能力。一个好的起点是关注活跃的Kaggle竞赛、机器学习咨询项目，以及常见生产流水线的演示版本。这里有一条关于如何构思作品集创意的推文串。

以下是评估作品集质量的大致指南：

机器学习工程方向：

尽管机器学习工程岗位是最具战略意义的入门途径，但竞争依然非常激烈。一般来说，每有一个机器学习岗位，就有大约50个软件工程岗位。据我所了解的自学者中，有三分之二未能成功进入该领域，最终转而从事软件工程工作。当你拥有两个高质量、文档完善、使用独特数据集且与某一特定行业（如银行或保险）相关的项目时，就可以开始求职了。

项目类型	基础分
普通项目	-1 分
独特项目	10 分

倍数类型	因子
强文档支持	5倍
5000字文章	5倍
Kaggle奖牌	10倍
与雇主相关性	20倍

• 可聘用： 5,250 分
• 有竞争力： 15,000 分

应用研究/研究助理/研究员：

对于大多数公司而言，追求前沿研究的风险往往过高，因此只有大型企业才真正需要这类人才。虽然也有一些小型研究机构会招聘此类职位，但这些岗位通常宣传不足，且更倾向于从其现有圈子内选拔人才。

许多这类岗位并不要求博士学位，因此持有学士或硕士学位，或者经过一年专注学习的自学者也有机会申请。

鉴于这些岗位的地位、稀缺性及要求，它们无疑是机器学习领域中最难竞争的职位之一。知名公司的相关岗位往往每空缺一席就会收到上千份申请。

日常工作中，这些岗位要求你能够理解并实现最先进论文中的方法，因此他们在评估你的作品集时也会着重考察这一点。

项目类型	基础分
普通项目	-10 分
独特项目	1 分
SOTA论文实现	20 分

倍数类型	因子
强文档支持	5倍
5000字文章	5倍
达到SOTA性能	5倍
与雇主相关性	20倍

• 可聘用： 52,500 分
• 有竞争力： 150,000 分

研究科学家：

研究科学家岗位通常要求博士学位或同等经验。前者侧重于实现最先进论文中的方法，而后者则要求提出创新性的研究思路。主流学术界通常以研究成果的影响力来衡量研究创意的质量，此处列出了一些重要期刊及其影响力。要使自己的作品集具有竞争力，你需要在与潜在雇主相关领域内的顶级期刊上发表两篇论文。

项目类型	基础分
普通项目	-100 分
未发表论文	5 分
ICML/ICLR/NeurIPS发表	500分
其他发表	50分

倍数类型	因子
第一作者论文	10倍
与雇主相关性	20倍

• 可聘用： 20,000 分
• 竞争激烈的岗位及顶尖博士职位： 200,000 分

案例：

• 我的第一个作品项目（学习两个月后）：代码 | 文章
• 我的第二个作品项目（学习四个月后）：代码 | 文章
• Dylan Djian的第一个作品项目：代码 | 文章
• Dylan Djian的第二个作品项目：代码 | 文章
• Reiichiro Nakano的第一个作品项目：代码 | 文章
• Reiichiro Nakano的第二个作品项目：文章

大多数招聘人员只会花10到20秒钟浏览你的每个作品项目。如果在这段时间内他们无法理解该项目的价值，那么这个项目的实际价值几乎为零。因此，撰写清晰的说明和完善的文档至关重要。这里还有一条关于如何撰写作品项目说明的推文。

最后一个关键点是相关性。制作多样化的项目固然有趣，但如果你想最大化进入行业的可能性，就应该将所有项目聚焦于同一个细分领域，从而使你的技能对特定雇主群体来说具有极高的相关性。

更多灵感：

• FastAI学生项目
• 斯坦福NLP学生项目
• 斯坦福CNN学生项目

理论基础101 [4个月]

如果你想进入研究领域，或者成为一名优秀的机器学习工程师，学会阅读论文至关重要。要熟练阅读论文，需要掌握以下三个关键方面：

1. 理解最常见算法的细节，例如梯度下降、线性回归和多层感知机等。
2. 学会将最常见的数学符号转化为代码。
3. 掌握代数、微积分、统计学和机器学习的基础知识。

• 第一周：观看3Blue1Brown的《线性代数的本质》（https://www.youtube.com/watch?v=fNk_zzaMoSs&list=PLZHQObOWTQDPD3MizzM2xVFitgF8hE_ab）、《微积分的本质》（https://www.youtube.com/watch?v=WUvTyaaNkzM&list=PLZHQObOWTQDMsr9K-rj53DwVRMYO3t5Yr），以及StatQuest的《统计学基础》（https://www.youtube.com/watch?v=qBigTkBLU6g&list=PLblh5JKOoLUICTaGLRoHQDuF_7q2GfuJF）和《机器学习》（https://www.youtube.com/watch?v=Gv9_4yMHFhI&list=PLblh5JKOoLUICTaGLRoHQDuF_7q2GfuJF）。使用间隔重复应用（如Anki）来记忆所有关键概念。尽量多使用图像，因为它们更容易记住。
• 花一个月时间用Python和NumPy重新实现核心概念（https://github.com/eriklindernoren/ML-From-Scratch），包括最小二乘法、梯度下降、线性回归和一个简单的神经网络。这将帮助你在后续工作中减轻认知负担。通过学习这些符号实际上是一种简洁的逻辑表达方式，并将其转化为代码，你会对理论部分感到更加自信，焦虑感也会降低。
• 我认为最好的深度学习理论课程是Ian Goodfellow、Yoshua Bengio和Aaron Courville合著的《深度学习》（http://www.deeplearningbook.org/）。我以这本书为课程大纲，同时结合在线课程和网络资源来深入理解每个概念。用三个月的时间学习《深度学习》的第一部分。利用讲座视频（如https://www.youtube.com/watch?v=vi7lACKOUao&list=PLsXu9MHQGs8df5A4PzQGw-kfviylC-R9b&ab_channel=AlenaKruchkova）来理解概念，通过类似可汗学院的练习来掌握每个概念，并使用Anki闪卡进行长期记忆。

重点书籍：

• 《深度学习》（http://www.deeplearningbook.org/），作者：Ian Goodfellow、Yoshua Bengio和Aaron Courville。
• 《面向编码者的深度学习：使用fastai和PyTorch的AI应用，无需博士学位》（https://www.amazon.com/gp/product/1492045527/ref=ppx_od_dt_b_asin_title_s00?ie=UTF8&psc=1），作者：Jeremy Howard和Sylvain Gugger。
• 《用Python进行深度学习》（https://www.manning.com/books/deep-learning-with-python），作者：François Chollet。
• 《神经网络与深度学习》（http://neuralnetworksanddeeplearning.com/），作者：Michael Nielsen。
• 《深度学习精要》（https://www.manning.com/books/grokking-deep-learning），作者：Andrew W. Trask。

论坛

• FastAI论坛（http://forums.fast.ai/）
• Keras Slack频道（https://keras-slack-autojoin.herokuapp.com/）
• Distill Slack频道（https://join.slack.com/t/distillpub/shared_invite/enQtMzg1NzU3MzEzMTg3LWJkNmQ4Y2JlNjJkNDlhYTU2ZmQxMGFkM2NiMTI2NGVjNzJkOTdjNTFiOGZmNDBjNTEzZGUwM2U0Mzg4NDAyN2E）
• PyTorch讨论区（https://discuss.pytorch.org/）
• Twitter

其他优秀的学习策略：

• Emil Wallner的文章（https://blog.floydhub.com/emils-story-as-a-self-taught-ai-researcher/）
• S. Zayd Enam的文章（http://ai.stanford.edu/~zayd/why-is-machine-learning-hard.html）
• Catherine Olsson的文章（https://80000hours.org/articles/ml-engineering-career-transition-guide/）
• Greg Brockman的第二篇博文（https://blog.gregbrockman.com/how-i-became-a-machine-learning-practitioner）
• Greg Brockman的第一篇问答文章（https://www.quora.com/What-are-the-best-ways-to-pick-up-Deep-Learning-skills-as-an-engineer）
• 吴恩达的视频（https://www.youtube.com/watch?v=F1ka6a13S9I）
• Amid Fish的文章（http://amid.fish/reproducing-deep-rl）
• OpenAI的Spinning Up项目（https://spinningup.openai.com/en/latest/spinningup/spinningup.html）
• Reddit上关于AI研究员的自白帖（https://www.reddit.com/r/MachineLearning/comments/73n9pm/d_confession_as_an_ai_researcher_seeking_advice/）
• Y Combinator上的相关讨论帖：一 和 二

如果你有任何建议或问题，请在GitHub上创建一个issue，或者在Twitter上@我。（https://twitter.com/EmilWallner）

更新版本： 👉 查看我的60页指南《无需机器学习学位》（https://twitter.com/EmilWallner/status/1528961488206979072），教你如何在没有学位的情况下找到一份机器学习工作。

语言版本：韩语 | 英语

How-to-learn-Deep-Learning 快速上手指南

本指南基于 Emil Wallner 的深度学习学习路径整理，旨在帮助开发者通过“自顶向下”的实战方式快速掌握深度学习技能。

环境准备

在开始之前，请确保你的开发环境满足以下要求：

• 操作系统：Windows, macOS 或 Linux（推荐 Linux 以获得最佳兼容性）。
• 编程语言：Python 3.8+。
• 核心工具：
  • 命令行终端 (Command Line / Terminal)
  • Git 版本控制
  • Jupyter Notebook (推荐使用 Google Colab 云端环境，无需本地配置 GPU)
• 前置知识：具备基础编程概念。若无编程经验，建议先花费一周时间在 Codecademy 等平台学习 Python 语法、命令行操作和 Git 基础。
• 硬件要求：
  • 本地运行：需要支持 CUDA 的 NVIDIA 显卡（可选，初学者建议使用云端 GPU）。
  • 云端运行：仅需浏览器和网络连接。

安装步骤

本学习路径主要依赖 Python 生态系统的开源库。你可以选择本地安装或使用云端环境。

方案 A：使用 Google Colab（推荐初学者）

无需安装任何软件，直接在浏览器中运行，免费使用 GPU。

1. 访问 Google Colab。
2. 点击 File -> New notebook。
3. 点击 Runtime -> Change runtime type，将 Hardware accelerator 设置为 GPU。

方案 B：本地环境安装

如果你希望在本地构建环境，请执行以下命令：

1. 安装 Python 依赖包 使用 pip 安装核心数据处理和深度学习框架：

   pip install pandas scikit-learn jupyterlab torch torchvision torchaudio fastai
   

   (注：国内用户如遇下载速度慢，可使用清华源加速)

   pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pandas scikit-learn jupyterlab torch torchvision torchaudio fastai
   

2. 验证安装 启动 Jupyter Lab 并创建一个新笔记本进行测试：

   jupyter lab
   

基本使用

本项目的核心理念是实战驱动。以下是按照学习路径划分的最简实践步骤：

第一阶段：熟悉工作流 (1-2 周)

目标：掌握从数据获取到模型部署的全流程，建立机器学习直觉。

1. 选择数据集：访问 Kaggle Getting Started 竞赛页面。
2. 实战练习：在 Jupyter Notebook 中加载并处理经典数据集（如 Titanic, House Prices, Iris）。
3. 代码示例 (以 Pandas 读取数据为例)：

   import pandas as pd
   from sklearn.model_selection import train_test_split
   from sklearn.ensemble import RandomForestClassifier
   
   # 加载数据
   df = pd.read_csv('train.csv') 
   
   # 简单的数据预处理与建模
   X = df.drop(['Survived'], axis=1)
   y = df['Survived']
   
   model = RandomForestClassifier()
   model.fit(X, y)
   

第二阶段：深度学习实战 (1 个月)

目标：在云 GPU 上实现深度神经网络，掌握 FastAI 和 PyTorch。

1. 学习资源：跟随 FastAI 课程 进行学习。
2. 核心任务：使用 FastAI 库快速构建并训练图像分类或文本分析模型。
3. 代码示例 (使用 FastAI 训练图像分类器)：

   from fastai.vision.all import *
   
   # 下载并解压示例数据集 (例如猫狗分类)
   path = untar_data(URLs.PETS)
   dls = ImageDataLoaders.from_name_func(
       path, get_image_files(path/"images"), valid_pct=0.2, seed=42,
       label_func=lambda x: x[0].isupper()
   )
   
   # 创建并训练模型
   learn = vision_learner(dls, resnet34, metrics=error_rate)
   learn.fine_tune(4)
   

第三阶段：构建作品集 (3-12 个月)

目标：通过解决独特的实际问题来证明你的能力，而非重复教程项目。

• 避免：仅完成 MOOC 作业、复现常见的玩具数据集（如鸢尾花分类）。
• 推荐：
  • 参与 Kaggle 活跃竞赛。
  • 尝试解决 Upwork 上的机器学习咨询项目 中的实际问题。
  • 针对特定行业（如金融、保险）构建拥有独特数据集的项目。
• 关键产出：每个项目应包含清晰的代码仓库 (GitHub) 和一篇详细的技术文章（解释问题背景、解决方案及价值），以便招聘人员在 10-20 秒内理解项目价值。

补充：理论基础 (并行进行)

若需深入理论研究或阅读论文，建议结合以下资源：

• 数学基础：观看 3Blue1Brown 的线性代数与微积分本质系列视频。
• 从零实现：参考 ML-From-Scratch 用 NumPy 手写核心算法。
• 经典教材：研读《Deep Learning Book》(Ian Goodfellow 等著) 第一部分。