转行需谨慎
就業有風險,轉行需謹慎。
陸陸續續有人過來,問我關于轉行的問題。我是從事機器學習的工作,有些人不是學習計算機專業的,想跨行業過來。有些人本來就在計算機領域內了,但是做的事情,在自己看起來不是那么有前景,所以想尋找新的細分方向。
的確,對于一些行業,就業比較困難,像歷史學、土木工程、工商管理這幾年都不是特別好就業。這些本專業機會不多的同學,迫于養家糊口的壓力,想要跨領域尋找新的工作機會,為數不少,我身邊也有成功的案例。
有一位高中同學,本科學習的是土木建筑工程專業,當時的選擇也是聽從了家里人的建議,覺得這個行業好就業。上學之后才發現,土建行業不太景氣,人才需求量逐漸縮減。而從 2014 年開始,計算機行業的活力呈現井噴之勢,于是他開始逐漸接觸計算機。考研的時候,雖然他的能力還不足以直接跨考計算機專業,但曲徑通幽,去了一所 985 里比較看重計算機應用的土建實驗室。當時深度學習處理圖像逐漸在土建行業興起,他開始在實驗室中引入深度學習,去處理一些建筑施工缺陷檢測的任務,做的很不錯的。
這兩年,為了不斷更新實踐技術,他參加了很多計算機視覺相關的比賽,前幾天我幫忙宣傳一個比賽的時候,發現第一名就是他。這種進步還是讓我非常佩服的。現在,實驗室老師也比較信任他,在他轉讀博士之后,讓他帶著一些師弟師妹,做相關算法的行業化應用。
這應該是一個比較成功的轉行案例。需要留意的是,他也不是一步到位,直接到相關領域去。而是通過迂回策略,在自己的領域,引入相關的計算機技術,來解決問題。這些成果才是說服實驗室領導最好的憑證。
當然,不是所有的人,都有這樣的決心和毅力,也不是有比較好的機會。做出決定之前,還是需要認真思考下,對于想要進入的行業,是否真的有興趣,是否真的收益可觀。
其實,機器學習的的興起沒有幾年。有位師兄 2011年碩士畢業,那時候他是是為數不多的機器學習相關專業的畢業生,對口的就業崗位非常少,十分擔心自己找不到工作。于是,他努力往開發方向走,想找個c++工程師的崗位。后來簡歷被一個大廠的工程師看上了,像撿到了寶一樣,終于找到了一個做機器學習的學生了,算法做的不深沒關系,基礎不好進來再學。
這種情況直到2014 年開始好轉,那時候,各個企業開始注意到算法的重要性,阿里巴巴也在這一年創辦了天池數據競賽平臺,不少學生通過比賽,真真切切有了練手的機會。再到了 2016 年,機器學習、深度學習真的火了,對于相關領域的人才供不應求,也導致了這一年有大批的學生開始涌入這個領域。
這兩年,進來的人越來越多,大家都開始說,做算法的不好找工作。對于轉行的同學,難度提升了不是一兩個點。
人各有志,如果本專業的確不太喜歡,羨慕計算機領域的薪資,可以通過自身的努力,轉過來。但如果本專業就業還可以,自己也覺得還湊合,建議不要輕易趟算法的渾水,千軍萬馬過獨木舟,難度可想而知。
跨領域的同學,需要謹慎對待,那已經在計算機領域的,想要進入算法這個小分支的同學呢,需要怎樣考慮?
我的態度基本是勸退,除非你的動力真的很強。因為大多數同學想要進入的理由是,算法能夠賺到很多錢(有待商榷),不喜歡當前的工作(逃避心理),很多朋友都在做算法(從眾心理)。很少有人和我說,我喜歡算法,喜歡計算機視覺,喜歡數據挖掘,喜歡自然語言處理。
當然,能夠賺到很多錢,是個好目標。前提是,你有相關的頂會文章嗎,你有好的實習、工作經歷嗎,或者,你曾經在重要的算法比賽中取得好的成績嗎。如果都沒有,大廠是不可能考慮這樣的素人的,畢竟篩選成本太高,簡歷關都過不去。小廠如果招不到人,會給一些機會。
一條可行、靠譜的路線是,想轉行機器學習算法,先去看看書,例如大家推薦的,李航的統計學習方法,周志華的機器學習,注重基礎的 prml (Pattern Recognition and Machine Learning) 等。還有網絡上的一些實戰課程,有的還是比較靠譜的。有了基礎之后,去參加一些比賽,kaggle,天池,以及國內很多興起的競賽平臺,上面的數據不錯,有的甚至還提供了計算資源。然后呢,不斷打榜,有了漂亮的比賽成績,先去小公司工作兩年,再去大公司。
我們時常說尋找機遇,但每個人都能看到的,就不叫機遇了,那就是現象了,從眾的現象。大家都來了,利益空間就會被瓜分的很細小,進入成本也會急劇上升。做出決定之前,認真思考一下,自己真的可以分到一杯羹嗎。還是那句話,就業有風險,轉行需謹慎。
備注:公眾號菜單包含了整理了一本AI小抄,非常適合在通勤路上用學習。
往期精彩回顧2019年公眾號文章精選適合初學者入門人工智能的路線及資料下載機器學習在線手冊深度學習在線手冊AI基礎下載(第一部分)備注:加入本站微信群或者qq群,請回復“加群”加入知識星球(4500+用戶,ID:92416895),請回復“知識星球”喜歡文章,點個在看
總結
- 上一篇: 代码实现中文命名实体识别(包括多种模型:
- 下一篇: AI基础:经典卷积神经网络