当一位机器学习工程师会遇到什么困难？又有哪些业界工作者才知道的真相？Reddit机器学习社群上有网友给了切身的分享，可以给想从事/转岗机器学习领域或正在机器学习界苦恼的读者参考。
所以，比其他软件工程师更强的抗压能力，也是你必备的。
如果你能抗过以上所有挫折和困难，还有艰难的一关要过。
打破机器学习界的谎言
- 任何人都可以轻松成为数据科学家/机器学习工程师
- 软件工程师可以轻松成为数据科学家
- 学习应用“现成库”就可以轻松上手搞AI
- 搞AI无需学习高等数学/统计学
- 一种特定算法可以应用于任何领域并获得成功
这些，就是Reddit网友当年少不更事是信过“鬼话”、踩过的坑。
那么，真下决心走机器学习这条路，应该相信什么呢？
首先是要对行业现状有大致了解。对于普通开发来说，机器学习岗位数量要比其他开发岗少很多。网友反映，在北美地区，100-150个后端开发的公司可能只有有2-5个搞AI的人。
其次，是很多有AI需求的公司没有必备的GPU等基础设施，你去了才发现只能使用免费的Collab。
从个人求职角度讲，ML项目大多比较专，比较小众。你之前的项目经验，全国可能只有几家公司感兴趣。
明白了这些，你还要清楚怎样正确地进入机器学习的门。
除基本数学能力外，持续精进专业知识和跨领域的能力很重要
多数有AI需求的公司，要求的是后端+DevOps+AI+前端这样的一体化岗位。这就需要你的整体能力。
编写，测试，部署，在生产中关注模型、构建大规模数据是一个竞争力出众的机器学习工程师必备的。
而这些能力的基础要求，就是数学。你当然不需要像搞科研那样精通数学。但扎实的高数、概率论、统计学基础必不可少。
对于有些课程打出不需要任何基础就能上手AI的，Reddit网友直接说：“没有数学基础和以往程序经验的人，写出的程序是十分可怕的。”
当然，数学基础再好，程序写得再漂亮，也只是一个优秀的机器学习工程师。真正的大佬，是不会止步于此的。
一位现在在搞神经科学的网友给出了独到的建议：如果想做真正创新，有趣的工作，那么仅凭机器学习知识是不够的，还需要其他专业知识。
在特定环境中，清楚需要用那种ML算法来结解决问题，并且能高效处理数据，这样才能让你做出行业内独树一帜的先进成果。
以上就是Reddit机器学习社群的过来人给大家的忠告。