如果我想再次成为机器学习工程师-我会这样做
如果我想再次成为机器学习工程师，我会这样做
原文：
towardsdatascience.com/if-i-wanted-to-become-a-machine-learning-engineer-id-do-this/
让我们深入探讨吧！
首先成为数据科学家或软件工程师
我之前也说过，机器学习工程师并不是一个入门级职位。
这是因为你需要在很多领域掌握技能：
-
统计学
-
数学
-
机器学习
-
软件工程
-
DevOps
-
云系统
你当然不需要在所有这些领域都是专家，但你应该有扎实的知识。
机器学习工程师可能是现在收入最高的技术职位。根据levelsfyi，英国的平均工资如下：
-
机器学习工程师：£93,796
-
人工智能研究员：£83,114
-
人工智能工程师：£75,379
-
数据科学家：£71,005
-
软件工程师：£83,168
-
数据工程师：£69,475
Levelsfyi 通常位于较高端，因为它们网站上列出的公司通常是大型科技公司，这些公司通常支付更高的薪水。
考虑到所有这些，这并不是说你不能从大学或学院直接找到机器学习工程师的工作；这非常罕见，我几乎没见过。
如果你拥有合适的背景，比如 CS 或数学硕士或博士学位，专注于 AI/ML，你更有可能获得一个通用的机器学习职位，但不一定是机器学习工程师。
因此，对于大多数人来说，我建议你先成为数据科学家或软件工程师几年，然后再考虑成为机器学习工程师。
这正是我所做的。
我做了 3.5 年的数据科学家，然后转行成为机器学习工程师，在我目前的公司中，这种路径在机器学习工程师中相当普遍。
你是否成为数据科学家或软件工程师取决于你自己的背景和技能集。
因此，决定哪个职位最适合你，然后尝试在该领域找到一份工作。
互联网上有许多软件工程师和数据科学家路线图；我相信你可以轻松找到适合你学习方式的路线图。
我有一些数据科学方面的内容，你可以查看以下。
[如果我从 2025 年开始学习数据科学，我会这样做
如何使我的数据科学学习更有效](https://medium.com/illumination/if-i-started-learning-data-science-in-2025-id-do-this-fe2209a8d8ab)
如果我要重新开始，我会如何成为一名数据科学家 如何在数据科学领域找到工作的路线图和技巧
参与机器学习项目
一旦你成为数据科学家或软件工程师，你的目标应该是开发和参与那些可以部署到生产中的机器学习项目。
如果你们当前的公司存在机器学习部门或项目，最好的方法就是参与这些项目。
例如，我的一个朋友Arman Khondker，他运营着我很推荐的通讯“the ai engineer”，他从 TikTok 的软件工程师转型到微软 AI 工程师。
根据他的通讯：
在 TikTok，我参与了TikTok Shop项目，与算法团队紧密合作，包括在 FYP（为你页面）推荐引擎上工作的 ML 工程师和数据科学家。
*这次经历最终帮助我在微软全职转向 AI 领域。
然而，对我来说，情况正好相反。
作为数据科学家，你希望与机器学习工程师和软件工程师合作，了解事物是如何部署到生产中的。
在我之前的公司，我是一名开发机器学习算法的数据科学家，但并没有独立地将它们部署到生产中。
因此，我询问是否可以参与一个我可以研究模型并从端到端部署，而几乎不需要工程支持的项目。
这很困难，但我学到了很多，并且大大提高了我的工程技能。最终，我开始轻松地将我的解决方案部署到生产中。
尽管我的头衔是数据科学家，我实际上已经成为了一名机器学习工程师。
我的建议是和你的经理谈谈，表达你对发展机器学习知识的兴趣，并询问你是否可以参与一些这些项目。
在大多数情况下，即使需要几个月的时间才能将你分配到项目中，你的经理和公司都会很配合。
更好的是，如果你可以转到专注于机器学习产品的团队，比如 TikTok 商店的推荐引擎，那么这将加快你的学习，因为你将不断讨论机器学习话题。
提升相反的技能集
这与前面的观点相关，但正如我之前所说，机器学习工程师需要广泛的知识范围，因此你需要提升你在较弱领域的技能。
如果你是一名数据科学家，你可能在云系统、DevOps 和编写生产代码等工程领域较弱。
如果你是一名软件工程师，你可能在数学、统计学和机器学习知识方面较弱。
你想要找到你需要改进和专注的领域。
正如我们之前讨论的，最好的方式是将它与你日常工作结合起来，但如果这不可能或者你想加快你的知识学习，那么你将需要在业余时间学习。
我知道有些人可能不喜欢这样，但如果你想获得最高薪酬的科技工作，你将需要在工作时间之外投入额外的努力！
我通过在业余时间撰写关于软件工程概念的文章、学习数据结构和算法以及改进生产代码的写作来做到这一点。
发展机器学习专长
真正帮助我的事情之一是在机器学习中发展一个专业领域。
我曾是专注于时间序列预测和优化问题的数据科学家，后来获得了专注于优化和经典机器学习的机器学习工程师职位。
我获得机器学习工程师职位的主要原因是我对优化的理解比普通机器学习人员更深入；这是我的优势。
机器学习工程师职位通常与一个专业领域相一致，因此对一两个领域非常了解将显著提高你的机会。
在 Arman 的例子中，他对推荐系统非常了解，也知道如何大规模端到端部署它们；他甚至在自己的通讯中提到过：
这项工作让我亲身体验了：
– 大规模推荐系统
– 驱动 AI 的排名和个性化
– 端到端机器学习部署管道
因此，我建议在一个专注于特定机器学习领域的团队中工作，但说实话，这在大多数公司中通常是这种情况，所以你不需要太费脑筋。
如果你不能在公司里从事机器学习项目，你需要再次在业余时间学习。我总是推荐首先学习基础知识，但然后真正思考你想要探索和深入学习哪些领域。
以下是一些机器学习专业领域的详尽列表，以供参考：
-
自然语言处理（NLP）和大型语言模型（LLMs）
-
计算机视觉
-
强化学习
-
时间序列分析和预测
-
异常检测
-
推荐系统
-
语音识别和处理
-
优化
-
定量分析
-
深度学习
-
生物信息学
-
计量经济学
-
地理空间分析
我通常建议了解 2 到 3 个领域，但要深入，如果你想要很快过渡，可以将范围缩小到 1 个。然而，看看是否存在对该技能集的足够需求。
在你成为机器学习工程师之后，你可以随着时间的推移发展更多的专业领域。
我还推荐你阅读一篇关于如何专攻机器学习的完整文章。
开始以机器学习工程师的身份工作
在科技公司中，通常说，要想晋升，你应该在上述水平上工作 3-6 个月。
想要成为一名机器学习工程师也是如此。
如果你是一名数据科学家或软件工程师，你应该尽可能努力在你当前的公司成为并像机器学习工程师一样工作。
谁知道呢，他们甚至可能改变你的职位，并在你当前的工作场所提供机器学习工程师的工作！（我听说过这种情况。）
我真正想说的是身份转变。你想要像机器学习工程师一样思考和行动。
这种心态将帮助你学习更多，并为机器学习面试更好地定位自己。
你将拥有那种自信，以及一系列能够产生影响的可展示项目。
你总是可以说：“我基本上是我当前公司的机器学习工程师。”
我就是这样做的，剩下的就是历史了，就像人们说的那样。
另一件事！
加入我的免费通讯，分享数据，在那里我分享每周的技巧、见解和建议，这些是我作为一名实践中的机器学习工程师的经验。此外，作为订阅者，你将获得我的免费数据科学简历模板！
关于数据科学、技术和创业的建议和经验。点击阅读埃戈尔·豪厄尔的 Dishing The Data 通讯。 egorhowell.com
浙公网安备 33010602011771号