如何成為一名機器學(xué)習(xí)算法工程師

成為一名合格的開發(fā)工程師不是一件簡單的事情，需要掌握從開發(fā)到調(diào)試到優(yōu)化等一系列能 力，這些能力中的每一項掌握起來都需要足夠的努力和經(jīng)驗。而要成為一名合格的(以下簡稱算法工程師)更是難上加難，因為在掌握工程師的通用技能以外，還需要掌握一張不算小的算法知識網(wǎng)絡(luò)。下面我們就將成為一名合格的算法工程師所需的技能進行拆分，一起來看一下究竟需要掌握哪些技能才能算是一名合格的。

基礎(chǔ)開發(fā)能力

所謂算法工程師，首先需要是一名工程師，那么就要掌握所有開發(fā)工程師都需要掌握的一些能力。有些同學(xué)對于這一點存在一些誤解，認為所謂算法工程師就只需要思考和設(shè)計算法，不用在乎這些算法如何實現(xiàn)，而且會有人幫你來實現(xiàn)你想出來的算法方案。這種思想是錯誤的，在大多數(shù)企業(yè)的大多數(shù)職位中，算法工程師需要負責從算法設(shè)計到算法實現(xiàn)再到算法上線這一個全流程的工作。

筆者曾經(jīng)見過一些企業(yè)實行過算法設(shè)計與算法實現(xiàn)相分離的組織架構(gòu)，但是在這種架構(gòu)下，說不清楚誰該為算法效果負責，算法設(shè)計者和算法開發(fā)者都有一肚子的苦水，具體原因不在本文的討論范疇中，但希望大家記住的是，基礎(chǔ)的開發(fā)技能是所有算法工程師都需要掌握的。

基礎(chǔ)開發(fā)所涉及到的技能非常的多，在這里只挑選了兩個比較重要的點來做闡述。

單元測試

在企業(yè)應(yīng)用中，一個問題的完整解決方案通常包括很多的流程，這其中每個環(huán)節(jié)都需要反復(fù)迭代 優(yōu)化調(diào)試，如何能夠?qū)?fù)雜任務(wù)進行模塊劃分，并且保證整體流程的正確性呢?最實用的方法就是單元測試。

單元測試并不只是簡單的一種測試技能，它首先是一種設(shè)計能力。并不是每份代碼都可以做單元測試，能做單元測試的前提是代碼首先是可以劃分為多個單元——也就是模塊的。在把項目拆解成可獨立開發(fā)和測試的模塊之后，再加上對每個模塊的獨立的、可重復(fù)的單元測試，就可以保證每個模塊的正確性，如果每個模塊的正確性都可以保證，那么整體流程的正確性就可以得到保證。

對于算法開發(fā)這種流程變動頻繁的開發(fā)活動來講，做好模塊設(shè)計和單元測試是不給自己和他人挖坑的重要保證。也是能讓自己放心地對代碼做各種改動優(yōu)化的重要前提。

邏輯抽象復(fù)用

邏輯的抽象復(fù)用可以說是所有軟件開發(fā)活動中最為重要的一條原則，衡量一個程序員代碼水平的重要原則之一就是看他代碼中重復(fù)代碼和相似代碼的比例。大量重復(fù)代碼或相似代碼背后反映的是工程師思維的懶惰，因為他覺得復(fù)制粘貼或者直接照著抄是最省事的做法。這樣做不僅看上去非常的丑陋，而且也非常容易出錯，更不用提維護起來的難度。

算法開發(fā)的項目中經(jīng)常會有很多類似邏輯的出現(xiàn)，例如對多個特征使用類似的處理方法，還有原始數(shù)據(jù) ETL 中的很多類似處理方法。如果不對重復(fù)邏輯做好抽象，代碼看上去全是一行行的重復(fù)代碼，無論是閱讀起來還是維護起來都會非常麻煩。

概率和統(tǒng)計基礎(chǔ)

概率和統(tǒng)計可以說是機器學(xué)習(xí)領(lǐng)域的基石之一，從某個角度來看，機器學(xué)習(xí)可以看做是建立在概率思維之上的一種對不確定世界的系統(tǒng)性思考和認知方式。學(xué)會用概率的視角看待問題，用概率的語言描述問題，是深入理解和熟練運用機器學(xué)習(xí)技術(shù)的最重要基礎(chǔ)之一。

概率論內(nèi)容很多，但都是以具體的一個個分布為具體表現(xiàn)載體體現(xiàn)出來的，所以學(xué)好常用的概率分布及其各種性質(zhì)對于學(xué)好概率非常重要。對于離散數(shù)據(jù)，伯努利分布、二項分布、多項分布、Beta 分布、狄里克萊分布以及泊松分布都是需要 理解掌握的內(nèi)容;對于離線數(shù)據(jù)，高斯分布和指數(shù)分布族是比較重要的分布。這些分布貫穿著機器學(xué)習(xí)的各種模型之中，也存在于互聯(lián)網(wǎng)和真實世界的各種數(shù)據(jù)之中，理解了數(shù)據(jù)的分布，才能知道該對它們做什么樣的處理。

此外，假設(shè)檢驗的相關(guān)理論也需要掌握。在這個所謂的大數(shù)據(jù)時代，最能騙人的大概就是數(shù)據(jù)了，掌握了假設(shè)檢驗和置信區(qū)間等相關(guān)理論，才能具備分辨數(shù)據(jù)結(jié)論真?zhèn)蔚哪芰Α＠鐑山M數(shù)據(jù)是否真的存在差異，上線一個策略之后指標是否真的有提升等等。這種問題在實際工作中非常常見，不掌握相關(guān)能力的話相當于就是大數(shù)據(jù)時代的睜眼瞎。

在統(tǒng)計方面，一些常用的參數(shù)估計方法也需要掌握，典型的如最大似然估計、最大后驗估計、EM 算法等。這些理論和最優(yōu)化理論一樣，都是可以應(yīng)用于所有模型的理論，是基礎(chǔ)中的基礎(chǔ)。

機器學(xué)習(xí)理論

雖然現(xiàn)在開箱即用的開源工具包越來越多，但并不意味著算法工程師就可以忽略機器學(xué)習(xí)基礎(chǔ)理論的學(xué)習(xí)和掌握。這樣做主要有兩方面的意義：

掌握理論才能對各種工具、技巧靈活應(yīng)用，而不是只會照搬套用。只有在這個基礎(chǔ)上才能夠真正具備搭建一套機器學(xué)習(xí)系統(tǒng)的能力，并對其進行持續(xù)優(yōu)化。否則只能算是機器學(xué)習(xí)搬磚工人，算不得合格的工程師。出了問題也不會解決，更談不上對系統(tǒng)做優(yōu)化。

學(xué)習(xí)機器學(xué)習(xí)的基礎(chǔ)理論的目的不僅僅是學(xué)會如何構(gòu)建機器學(xué)習(xí)系統(tǒng)，更重要的是，這些基礎(chǔ)理論里面體現(xiàn)的是一套思想和思維模式，其內(nèi)涵包括概率性思維、矩陣化思維、最優(yōu)化思維等多個子領(lǐng)域，這一套思維模式對于在當今這個大數(shù)據(jù)時代做數(shù)據(jù)的處理、分析和建模是非常有幫助的。如果你腦子里沒有這套思維，面對大數(shù)據(jù)環(huán)境還在用老一套非概率的、標量式的思維去思考問題，那么思考的效率和深度都會非常受限。

機器學(xué)習(xí)的理論內(nèi)涵和外延非常之廣，絕非一篇文章可以窮盡，所以在這里我列舉了一些比較核心，同時對于實際工作比較有幫助的內(nèi)容進行介紹，大家可在掌握了這些基礎(chǔ)內(nèi)容之后，再不斷探索學(xué)習(xí)。

基礎(chǔ)理論

所謂基礎(chǔ)理論，指的是不涉及任何具體模型，而只關(guān)注“學(xué)習(xí)”這件事本身的一些理論。以下是一些比較有用的基礎(chǔ)概念:

VC 維。VC 維是一個很有趣的概念，它的主體是一類函數(shù)，描述的是這類函數(shù)能夠把多少個樣本 的所有組合都劃分開來。VC 維的意義在哪里呢? 它在于當你選定了一個模型以及它對應(yīng)的特征之后，你是大概可以知道這組模型和特征的選擇能 夠?qū)Χ啻蟮臄?shù)據(jù)集進行分類的。此外，一類函數(shù)的 VC 維的大小，還可以反應(yīng)出這類函數(shù)過擬合的可能性。

信息論。從某種角度來講，機器學(xué)習(xí)和信息論是同一個問題的兩個側(cè)面，機器學(xué)習(xí)模型的優(yōu)化過程同時也可以看作是最小化數(shù)據(jù)集中信息量的過程。對信息論中基本概念的了解，對于機器學(xué)習(xí)理論的學(xué)習(xí)是大有裨益的。例如決策樹中用來做分裂決策依據(jù)的信息增益，衡量數(shù)據(jù)信息量的信息熵等等，這些概念的理解對于機器學(xué)習(xí)問 題神本的理解都很有幫助。這部分內(nèi)容可參考《 Elements of Information Theory 》這本書。

正則化和 bias-variance tradeoff。如果說現(xiàn)階段我國的主要矛盾是“人民日益增長的美好生活需要和不平衡不充分的發(fā)展之間的矛盾”，那么機器學(xué)習(xí)中的主要矛盾就是模型要盡量擬合數(shù)據(jù)和模型不能過度擬合數(shù)據(jù)之間的矛盾。而化解這一矛盾的核心技術(shù)之一就是正則化。正則化的具體方法不在此討論，但需要理解的，是各種正則化方法背后透露出的思想：bias-variance tradoff。在不同利益點之間的平衡與取舍是各種算法之間的 重要差異，理解這一點對于理解不同算法之間的核心差異有著非常重要的作用。

最優(yōu)化理論。絕大多數(shù)機器學(xué)習(xí)問題的解決，都可以劃分為兩個階段：建模和優(yōu)化。所謂建模就是后面我們會提到的各種用模型來描述問題的方法，而優(yōu)化就是建模完成之后求得模型的最優(yōu)參數(shù)的過程。機器學(xué)習(xí)中常用的模型有很多， 但背后用到的優(yōu)化方法卻并沒有那么多。換句話說，很多模型都是用的同一套優(yōu)化方法，而同一個優(yōu)化方法也可以用來優(yōu)化很多不同模型。對各種常用優(yōu)化方法的和思想有所有了解非常有必要，對于理解模型訓(xùn)練的過程，以及解釋各種 情況下模型訓(xùn)練的效果都很有幫助。這里面包括最大似然、最大后驗、梯度下降、擬牛頓法、L-BFGS 等。

機器學(xué)習(xí)的基礎(chǔ)理論還有很多，可以先從上面的概念學(xué)起，把它們當做學(xué)習(xí)的起點，在學(xué)習(xí)過程中 還會遇到其他需要學(xué)習(xí)的內(nèi)容，就像一張網(wǎng)絡(luò)慢慢鋪開一樣，不斷積累自己的知識。這方面基礎(chǔ)理論的學(xué)習(xí)，除了 Andrew Ng 的著名課程以外，《 Learning from Data 》這門公開課也非常值得大家學(xué)習(xí)，這門課沒有任何背景要求，講授的內(nèi) 容是在所有模型之下的基礎(chǔ)中的基礎(chǔ)，非常地靠近機器學(xué)習(xí)的內(nèi)核本質(zhì)。這門課的中文版本叫做 《機器學(xué)習(xí)基石》，也可以在網(wǎng)上找到，其講授者是上面英文版本講授者的學(xué)生。

有監(jiān)督學(xué)習(xí)

在了解了機器學(xué)習(xí)的基本概念之后，就可以進入到一些具體模型的學(xué)習(xí)中了。在目前的工業(yè)實踐中，有監(jiān)督學(xué)習(xí)的應(yīng)用面仍然是最廣泛的，這是因為我們現(xiàn)實中遇到的很多問題都是希望對某個事物的某個屬性做出預(yù)測，而這些問題通過合理的抽象和變換，都可以轉(zhuǎn)化為有監(jiān)督學(xué)習(xí)的問題。

在學(xué)習(xí)復(fù)雜模型之前，我建議大家都先學(xué)習(xí)幾個最簡單的模型，典型的如樸素貝葉斯。樸素貝葉斯有很強的假設(shè)，這個假設(shè)很多問題都不滿足，模型結(jié)構(gòu)也很簡單，所以其優(yōu)化效果并不是最好的。但也正是由于其簡單的形式，非常利于學(xué)習(xí)者深入理解整個模型在建模和優(yōu)化過程中的每一步，這對于搞清楚機器學(xué)習(xí)是怎么一回事情是非常有用的。

同時，樸素貝葉斯的模型形式通過一番巧妙的變換之后，可以得到和邏輯回歸形式上非常統(tǒng)一的結(jié)果，這無疑提供了對邏輯回歸另外一個角度的解釋，對于更加深刻理解邏輯回歸這一最常用模型有著非常重要的作用。

在掌握了機器學(xué)習(xí)模型的基礎(chǔ)流程之后，需要學(xué)習(xí)兩種最基礎(chǔ)的模型形式：線性模型和樹形模型，分別對應(yīng)著線性回歸/邏輯回歸和決策回歸/分類樹。現(xiàn)在常用的模型，無論是淺層模型還是深度學(xué)習(xí)的深層模型，都是基于這兩種基礎(chǔ)模型形式變幻而來。而學(xué)習(xí)這兩種模型的時候需要仔細思考的問題是：這兩種模型的本質(zhì)差異是什么?為什么需要有這兩種模型?他們在訓(xùn)練和預(yù)測的精度、效率、復(fù)雜度等方面有什么差異?了解清楚這些本質(zhì)的差異之后，才可以做到根據(jù)問題和數(shù)據(jù)的具體情況對模型自如運用。

在掌握了線性模型和樹形模型這兩種基礎(chǔ)形式之后，下一步需要掌握的是這兩種基礎(chǔ)模型的復(fù)雜形式。其中線性模型的復(fù)雜形式就是多層線性模型，也就是神經(jīng)網(wǎng)絡(luò)。樹模型的復(fù)雜形式包括以 GDBT 為代表的 boosting 組合，以及以隨機森林為代表的 bagging 組合。

這兩種組合模型的意義不僅在于模型本身，boosting 和 bagging 這兩種組合思 想本身也非常值得學(xué)習(xí)和理解，這代表了兩種一般性的強化方法：boosting 的思想是精益求精，不斷在之前的基礎(chǔ)上繼續(xù)優(yōu)化;而 bagging 的思想是 “三個臭裨將頂一個諸葛亮”，是通過多個弱分類器的組合來得到一個強分類器。這兩種組合方法各有優(yōu)劣，但都是在日常工作中可以借鑒的思想。例如在推薦系統(tǒng)中所我們經(jīng)常會使用多個維度的數(shù)據(jù)做召回源，從某個角度來看就是一種bagging的思想：每個單獨召回源并不能給出最好表現(xiàn)，但是多個召回源組合之后，就可以得到比每個單獨召回源都要好的結(jié)果。所以說思想比模型本身更重要。

無監(jiān)督學(xué)習(xí)

有監(jiān)督學(xué)習(xí)雖然目前占了機器學(xué)習(xí)應(yīng)用的大多數(shù)場景，但是無監(jiān)督學(xué)習(xí)無論從數(shù)據(jù)規(guī)模還是作用上來講也都非常的重要。無監(jiān)督學(xué)習(xí)的一大類內(nèi)容是在做聚類，做聚類的意義通常可以分為兩類：一類是將聚類結(jié)果本身當做最終的目標，另一類是將聚類的結(jié)果再作為特征用到有監(jiān)督學(xué)習(xí)中。但這兩種意義并不是和某種聚類方法具體綁定，而只是聚類之后結(jié)果的不同使用方式，這需要在工作中不斷學(xué)習(xí)、積累和思考。而在入門學(xué)習(xí)階段需要掌握的，是不同聚類算法的核心差異在哪里。

例如最常用的聚類方法中，kmeans 和 DBSCAN 分別適合處理什么樣的問題?高斯混合模型有著什么樣的假設(shè)?LDA 中文檔、主題和詞之間是什么關(guān)系?這些模型最好能夠放到一起來學(xué)習(xí)，從而掌握它們之間的聯(lián)系和差異，而不是把他們當做一個個孤立的東西來看待。

除 了 聚 類 以 外 ，近 年 來 興 起 的 嵌 入 表 示( embedding representation )也是無監(jiān)督學(xué)習(xí)的一種重要方法。這種方法和聚類的差異在于，聚 類的方法是使用已有特征對數(shù)據(jù)進行劃分，而嵌入表示則是創(chuàng)造新的特征，這種新的特征是對樣 本的一種全新的表示方式。這種新的表示方法提供了對數(shù)據(jù)全新的觀察視角，這種視角提供了數(shù)據(jù)處理的全新的可能性。此外，這種做法雖然是從 NLP 領(lǐng)域中興起，但卻具有很強的普適性，可用來處理多種多樣的數(shù)據(jù)，都可以得到不錯的結(jié)果，所以現(xiàn)在已經(jīng)成為一種必備的技能。

機器學(xué)習(xí)理論方面的學(xué)習(xí)可以從《 An Introduction to Statistical Learning with Application in R 》開始，這本書對一些常用模型和理論基礎(chǔ)提供了很好的講解，同時也有適量的習(xí)題用來鞏固所學(xué)知識。進階學(xué)習(xí)可使用上面這本書的升級版《 Elements of Statistical Learning 》和著名的《 Pattern Recognition and Machine Learning 》。

開發(fā)語言和開發(fā)工具

掌握了足夠的理論知識，還需要足夠的工具來將這些理論落地，這部分我們介紹一些常用的語言和工具。

開發(fā)語言

近年來 Python 可以說是數(shù)據(jù)科學(xué)和算法領(lǐng)域最火的語言，主要原因是它使用門檻低，上手容易，同時具有著完備的工具生態(tài)圈，同時各種平臺對其支持也比較好。所以 Python 方面我就不再贅述。但是在學(xué)習(xí) Python 以外，我建議大家可以再學(xué)習(xí)一下 R 語言，主要原因有以下幾點：

R 語言具有最完備的統(tǒng)計學(xué)工具鏈。我們在上面介紹了概率和統(tǒng)計的重要性，R 語言在這方面提供的支持是最全面的，日常的一些統(tǒng)計方面的需求，用 R 來做可能要比用Python 來做還要更快。 Python 的統(tǒng)計科學(xué)工具雖然也在不斷完善，但是 R 仍然是統(tǒng)計科學(xué)最大最活躍的社區(qū)。

向量化、矩陣化和表格化思維的培養(yǎng)。R 中的所有數(shù)據(jù)類型都是向量化的，一個整形的變量本質(zhì)上是一個長度為一的一維向量。在此基礎(chǔ)上 R 語言構(gòu)建了高效的矩陣和( DataFrame )數(shù)據(jù)類型，并且在上面支持了非常復(fù)雜而又直觀的操作方法。這套數(shù)據(jù)類型和思考方式也在被很多更現(xiàn)代化的語言和工具所采納，例如 Numpy 中的 ndarray，以 及 Spark 最新版本中引入的 DataFrame，可以說都是直接或間接從 R 語言得到的靈感，定義在上面的數(shù)據(jù)操作也和 R中對 DataFrame 和向量的操作如出一轍。就像學(xué)編程都要從 C 語言學(xué)起一樣，學(xué)數(shù)據(jù)科學(xué)和算法開發(fā)我建議大家都學(xué)一下 R，學(xué)的既是它的語言本身，更是它的內(nèi)涵思想，對大家掌握和理解現(xiàn)代化工具都大有裨益。

除了 R 以外，Scala 也是一門值得學(xué)習(xí)的語言。原因在于它是目前將面向?qū)ο蠛秃瘮?shù)式兩種編程范式結(jié)合得比較好的一種語言，因為它不強求你一定要用函數(shù)式去寫代碼，同時還能夠在能夠利用函數(shù)式的地方給予了足夠的支持。這使得它的使用門檻并不高，但是隨著經(jīng)驗和知識的不斷積累，你可以用它寫出越來越高級、優(yōu)雅的代碼。

開發(fā)工具

開發(fā)工具方面，Python 系的工具無疑是實用性最高的，具體來說，Numpy、Scipy、sklearn、pandas、Matplotlib 組成的套件可以滿足單機上絕大多數(shù)的分析和訓(xùn)練工作。但是在模型訓(xùn)練方面，有一些更加專注的工具可以給出更好的訓(xùn)練精度和性能，典型的如 LibSVM、Liblinear、XGBoost 等。

大數(shù)據(jù)工具方面，目前離線計算的主流工具仍然是Hadoop和Spark，實時計算方面 Spark Streaming 和 Storm 也是比較主流的選擇。近年來興起的新平臺也比較多，例如 Flink 和 Tensorflow 都是值得關(guān)注的。值得一提的是，對于 Hadoop 和 Spark 的掌握，不僅要掌握其編碼技術(shù)，同時還要對其運行原理有一定理解，例如，Map-Reduce 的流程在 Hadoop 上是如何實現(xiàn)的，Spark 上什么操作比較耗時，aggregateByKey 和 groupByKey 在運 行原理上有什么差異，等等。只有掌握了這些，才能對這些大數(shù)據(jù)平臺運用自如，否則很容易出現(xiàn)程序耗時過長、跑不動、內(nèi)存爆掉等等問題。

架構(gòu)設(shè)計

最后我們花一些篇幅來談一下機器學(xué)習(xí)系統(tǒng)的架構(gòu)設(shè)計。所謂機器學(xué)習(xí)系統(tǒng)的架構(gòu)，指的是一套能夠支持機器學(xué)習(xí)訓(xùn)練、預(yù)測、服務(wù)穩(wěn)定高效運行的整體系統(tǒng)以及他們之間的關(guān)系。在業(yè)務(wù)規(guī)模和復(fù)雜度發(fā)展到一定程度的時候，機器學(xué)習(xí)一定會走向系統(tǒng)化、平臺化這個方向。這個時候就 需要根據(jù)業(yè)務(wù)特點以及機器學(xué)習(xí)本身的特點來設(shè)計一套整體架構(gòu)，這里面包括上游數(shù)據(jù)倉庫和數(shù)據(jù)流的架構(gòu)設(shè)計，以及模型訓(xùn)練的架構(gòu)，還有線上服務(wù)的架構(gòu)等等。

這一套架構(gòu)的學(xué)習(xí)就不像前面的內(nèi)容那么簡單了，沒有太多現(xiàn)成教材可以學(xué)習(xí)，更多的是在大量實踐的基礎(chǔ)上進行抽象總結(jié)，對當前系統(tǒng)不斷進行演化和改進。但這無疑是算法工程師職業(yè)道路上最值得為之奮斗的工作。在這里能給的建議就是多實踐，多總結(jié)，多抽象，多迭代。

機器學(xué)習(xí)算法工程師領(lǐng)域現(xiàn)狀

現(xiàn)在可以說是機器學(xué)習(xí)算法工程師最好的時代，各行各業(yè)對這類人才的需求都非常旺盛。典型的包括以下一些細分行業(yè)：

推薦系統(tǒng)。推薦系統(tǒng)解決的是海量數(shù)據(jù)場景下信息高效匹配分發(fā)的問題，在這個過程中，無論是候選集召回，還是結(jié)果排序，以及用戶畫像等等方面，機器學(xué)習(xí)都起著重要的作用。

廣告系統(tǒng)。廣告系統(tǒng)和推薦系統(tǒng)有很多類似的地方，但也有著很顯著的差異，需要在考慮平臺和用戶之外同時考慮廣告主的利益，兩方變成了三方，使得一些問題變復(fù)雜了很多。它在對機器學(xué)習(xí)的利用方面也和推薦類似。

搜索系統(tǒng)。搜索系統(tǒng)的很多基礎(chǔ)建設(shè)和上層排序方面都大量使用了機器學(xué)習(xí)技術(shù)，而且在很多網(wǎng)站和 App 中，搜索都是非常重要的流量入口，機器學(xué)習(xí)對搜索系統(tǒng)的優(yōu)化會直接影響到整個網(wǎng)站的效率。

風控系統(tǒng)。風控，尤其是互聯(lián)網(wǎng)金融風控是近年來興起的機器學(xué)習(xí)的又一重要戰(zhàn)場。不夸張地說，運用機器學(xué)習(xí)的能力可以很大程度上決定一家互聯(lián)網(wǎng)金融企業(yè)的風控能力，而風控能力本身又是這些企業(yè)業(yè)務(wù)保障的核心競爭力，這其中的關(guān)系大家可以感受一下。

但是所謂“工資越高，責任越大”，企業(yè)對于算法工程師的要求也在逐漸提高。整體來說，一名高級別的算法工程師應(yīng)該能夠處理“數(shù)據(jù)獲取→數(shù)據(jù)分析→模型訓(xùn)練調(diào)優(yōu)→模型上線”這一完整流程，并對流程中的各種環(huán)節(jié)做不斷優(yōu)化。一名工程師入門時可能會從上面流程中的某一個環(huán)節(jié)做起，不斷擴大自己的能力范圍。 除了上面列出的領(lǐng)域以外，還有很多傳統(tǒng)行業(yè)也在不斷挖掘機器學(xué)習(xí)解決傳統(tǒng)問題的能力，行業(yè)的未來可謂潛力巨大。