大家好，我是bilibili的up主https://space.bilibili.com/7704816 发了一个被裁员的视频不小心火了。承蒙小伙伴们的厚爱，鼓起勇气在这里分享一点自己的学习经验。

力图用最简单易懂的方式科普机器学习算法/人工智能

计划更新内容如下：

• 第0期 机器学习算法能解决什么样的问题（已更新）
• 第1期 15分钟带你掌握实战机器学习前的知识准备
• 第2期 来一场kaggle实战初体验
• 第3期 学习资料推荐
• 还没想好，欢迎大家提建议

• 理论性内容过于严谨，学起来吃力耗时长
• 快餐性内容过于流程化，看了之后不知道怎么用到自己的场景里
• 我希望结合自己的踩坑经验，做一些讲解让大家看了以后就能上手用，用起来之后再慢慢补理论基础

任何对机器学习算法，人工智能感兴趣的专业/非专业人群。如果你对自己没有自信，可以看看下面我的经历，比较长。。。

2015年研究生毕业后对于科研圈丧失信心，决定进入互联网大潮，当时想着码农太苦逼了一定不干码农，所以去一家创业公司A做了运营。很遗憾现在这家公司已经不存在了。说到当一个标题党的重要兴趣和如何当一个标题党，还是很感激这家公司的。（在此承诺，做一个有底线的标题党）

2016年从各种渠道都不停的接收到关于机器学习的消息，决定试一试，入门是从udacity的机器学习工程师纳米学位开始学起的

2016下半年纳米学位毕业，去了一家小公司B做数据分析，主要工作内容就是用python处理日志，用sql做一些指标统计给运营/产品小伙伴们参考。当时非常没有自信，甚至都没有给大公司投过简历。

2017做了快一年之后觉得公司B不太有做算法/模型的条件，自己也没有能力独立提出一套完整的方案，决定出去面试。这次终于有勇气面了一些大厂，不过很可（lisuo）惜（yingdang）都跪了，因为leetcode没有刷过，算法理论也掌握的很不扎实。很幸运的是有个同学推荐去了一个p2p公司C做风控模型，这下终于和算法扯上关系了！这边其实分两种团队，一种是银行路子的（sas+FICOmodelbuilder），这种团队全国分部都算上有将近10个;另外还有一个机器学习团队（python）,我当然是加入了这个团队。

到2018年发生了一些变动，把我放到了一个sas团队里，技术栈不一致这就有很多比较麻烦的事情，另外暴雷的新闻逐渐多了起来，国家的监管也逐渐严格。

又是一个非常巧合的机遇，2017年当时面试过(去C公司之前)但是没有要我的一家小公司，当时面试的领导又来找我去面试（这会我已经觉得比较不爽了，不过还没有开始投简历，因为和机器学习团队还有sas团队的小伙伴们关系都很好，直到现在也还很好）。这次非常幸运遇到了一个非常欣赏我的面试官，觉得我的学习能力很强，看好我的潜力。面试的时候面试官讲了一些模型方面非常高大上的理论，我佩服的五体投地。有这样的缘分我当时就决定从了这家公司，也没有再去找其他大厂。（依然不是很有自信的说）

2018年初入职D公司，之后不到半年，我崇拜的面试官就出国读博士去了。。不过到现在还保持着不错的联系

再回到正题，D公司当时是从0开始做个性化推荐业务（类似淘宝的猜你喜欢）。我是算法团队的第3个人，另外两个人除了面试官还有一个之前在京东做广告的大佬。开始就在写sql做一些数据处理和召回的事情，之后接手京东大佬开发的一套FM模型训练脚本调调参数，加加特征。后来团队逐渐壮大，从FM过渡到了基于Tensorflow的深度学习模型。

2019年资本寒冬，公司的方向开始变得很快，不断尝试新的产品功能，增长策略。这个阶段做了很多乱七八糟的模型，预测用户流失/预测用户性别等等。。下半年上了一个比价功能，我在里面做了图像处理的一些shiqing ,这半年的时间都没怎么正经做召回和排序的东西了。 到这里就接上视频里讲的内容了，2019年底第一波裁员。2020年疫情发生，我被裁员。

啰嗦这么多我想说明的是，每个人都可以尝试去学习自己感兴趣的东西，机会都是留给有准备的人。我这个经历连一家知名的大公司都没有，远远谈不上牛逼闪闪，但是既然大家看得起，我会把我知道的全部说出来，希望能帮到大家！

• 1.我是xxx背景，我可以做机器学习吗？

答：任何人都可以学习和使用机器学习，因为现有的算法包已经很成熟了，简单理解原理之后调用是很容易的一件事情。仅仅调用现成的算法包在很多场景下已经足够产生很大的收益了，不需要每个人都去把理论吃透，发明新的算法。

• 2.我想学习机器学习，应该怎么开始？

答：(1)如果时间比较充裕，对数学基础比较有信心，可以选择系统性的学习。从andrewNG，李宏毅，林轩田的课开始看。书籍参考李航《统计学习方法》和西瓜书（周志华老师《机器学习》），英文教材PRML等等。这些资料去知乎能搜到很多。(2)如果时间不充足，不喜欢推数学公式的话可以直接上手实操。先学一些python的基础语法，然后直接上kaggle找比赛看高赞的kernel。kernel就是别人写的代码，从读取数据，预处理，模型训练到预测，很快就可以体验完整的流程，不需要对模型的理解很深入。先把完整的流程走通，得到正反馈再一点一点补理论基础。(后面总结更多资料)

个人推荐大多数人走方法二就好。因为如果不是要走学术路线，只是为了能解决一些实际问题或者找工作，只要明白每个模型的大体思路，每个参数有什么影响，用别人写好的模型就足够做出一个还不错的结果了。想要突破sota做出创新的方法一还是留给少数大牛去做吧

• 3.算法这么“高大上”的岗位都会被裁的？

答：任何岗位都是搬砖的，当老板认为你不能做出足够大的产出（或者说产出足够大产出的概率不够大），那被裁就是理所应当的了。一个事实是，算法能够产出是依赖很多前提的：业务量要够大，能够产出高质量的数据，开始的探索期有一段时间是赔钱的……但是开发就不一样了，老板提出什么需求（只要是正常需求）你满足就好了，（至少在老板看来）能够有产出是很明确的一件事情。

• 4.非计算机专业转行做算法难度大吗？

答：做算法难度确实大，但是哪行都不容易啊，看自己愿意吃哪种苦了。只要有心想做，可以参照Q2中的方法二自己试一试。现在的网络资源如此之丰富，只需要用业余时间去做，不需要辞职不需要花钱不需要重新高考。后面这里会持续更新对新人更友好的学习教程。

• 5.关于找算法岗的工作/实习

答：实际经验比学历重要的多。为什么很多人有学历很重要的感觉，那是因为没有实践经验，那人家就只能看你学历了。至于实践经验怎么找，kaggle还有很多类似的平台上有大把的比赛（后面总结一下比赛的平台）可以刷。

• 为什么up主的发量有点不像程序员？

答：大概是因为我还不够强吧。。。努力中