# 通過提供結果在機器學習中獲得夢想的工作 > 原文： [https://machinelearningmastery.com/get-dream-job-machine-learning-delivering-results/](https://machinelearningmastery.com/get-dream-job-machine-learning-delivering-results/) 你可以站起來，成為一名機器學習從業者和數據科學家。 你必須努力工作，學習技能并證明你可以提供成果，但你不需要花哨的學位或花哨的背景。 在這篇文章中，我想證明這是可能的，甚至是常見的。 你會發現，高層管理人員和首席執行官都在關注結果，而不是背景，而像你這樣的程序員和工程師正在崛起，贏得比賽并從事機器學習。 [](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/11/Get-Your-Dream-Job.jpg) 得到你夢想的工作 照片由 [Andrew Turner](http://www.flickr.com/photos/ajturner/3362409021) 拍攝，保留一些權利 ## 結果特朗普背景 你去哪所學校，你可能擁有或不擁有什么學位，或者你曾經在哪些公司工作并不重要。 機器學習是一種精英。您可以提供的結果定義您的價值。 在 Fastcolabs 的一篇名為“ [DIY 數據科學家的崛起](http://www.fastcolabs.com/3014018/the-rise-of-the-diy-data-scientist)”的一篇文章中，當時的 Kaggle 總裁杰里米·霍華德明確表示結果很重要，而不是你的背景。他幫助： > 贏得比賽的人通常不是斯坦福大學教育或常春藤聯盟美國數學家。世界上最好的數據科學家根據他們的實際表現沒有去過著名的學校。 如果您雇傭的是數據科學家，則應根據他們提供結果的能力對其進行評估。霍華德續說： > 如果你想為你的馬戲團聘請一個玩雜耍的人，你會讓他玩雜耍，看看他能玩多少東西。如果您打算雇用某人來創建預測模型，請查看他們的模型預測的預測程度。 如果您在進入機器學習領域時注重結果，那么您可以取得驚人的快速進步。 在 2012 年的 Gigaom 帖子中標題為“[為什么成為一名數據科學家可能比你想象的更容易](https://gigaom.com/2012/10/14/why-becoming-a-data-scientist-might-be-easier-than-you-think/)”然后引用斯坦福教授和 Coursera 聯合創始人 Andrew Ng 的話說： > 機器學習已經成熟到了這一點，如果你上一門課，你實際上可以很好地應用它。 在同一篇文章中，作者指出當時有多少頂級 Kaggle 競爭對手除了免費在線課程之外幾乎沒有接受過任何訓練。 在最近的一個例子中，Henk van Veen（稱為 Triskelion）[通過持續參與機器學習并專注于方法，工具，展示了他如何在一年之內從謙遜的程序員轉到](http://machinelearningmastery.com/master-kaggle-by-competing-consistently/ "Master Kaggle By Competing Consistently") [Kaggle 大師](http://machinelearningmastery.com/master-kaggle-by-competing-consistently/ "Master Kaggle By Competing Consistently")和提供結果的技術。 在他的帖子“[反思一年的 Kaggle 比賽](http://mlwave.com/reflecting-back-on-one-year-of-kaggle-contests/)”中他評論道： > 我成了 Kaggle Master，主要是通過合奏學習，團隊合作，分享，強大的 ML 工具和大數法則。 ## 業余愛好者擊敗專家 您不需要成為某個領域的專家就可以在該領域創建有用且準確的預測模型。 事實上，如果目標是創建有用且準確的預測模型，那么專家知識可能是一個障礙而不是幫助。 杰里米·霍華德在接受新科學家（在 Slate 上重新發表）題為“[專家知識無用且無用](http://www.slate.com/articles/health_and_science/new_scientist/2012/12/kaggle_president_jeremy_howard_amateurs_beat_specialists_in_data_prediction.html)”的采訪時表示： > 你幾十年的專業知識不僅沒用，它們實際上是無益的;你的復雜技術比通用方法更差。 Kaggle 在特定的特定和業務領域舉行比賽，觀察可重復性是業余愛好者擊敗專家。 精通特定領域的專家進來并使用他們的傳統。專家們通常不會贏得比賽。來自專用域的經典方法不執行。正是創造性和好奇的數據科學家擊敗了專家。 霍華德續說： > 我們發現，創造性數據科學家可以比這些領域的專家更好地解決每個領域的問題。 ......那些能夠看到數據實際告訴他們的人，而不會受到行業假設或專業知識的干擾。 ## 結果不是學位 獲得結果比你擁有的學位更重要。 這在編程中已經存在了很長時間，并且適用于應用機器學習。如果您能夠有效地分析問題并設計和交付解決方案，那么您將非常有用且有價值。 在上一篇文章中，我談到了[學位如何是一個捷徑，其他人可以使用](http://machinelearningmastery.com/what-if-i-dont-have-a-degree/ "What if I Don’t Have a Degree")評估你的能力。您也可以通過其他方式構建這些快捷憑證，例如[構建機器學習項目組合](http://machinelearningmastery.com/build-a-machine-learning-portfolio/ "Build a Machine Learning Portfolio: Complete Small Focused Projects and Demonstrate Your Skills")。 這種投資組合方法正是藝術家使用的方法，也是程序員在沒有經過正式訓練的情況下獲得有趣和高薪工作的方法。 正在尋找和雇用數據科學家和機器學習從業者的經理們正在尋找候選人的工作組合而不是學位。 在最近發布的一本書“[數據分析手冊：CEO＆amp;經理](http://machinelearningmastery.com/the-data-analytics-handbook-ceos-and-managers/ "The Data Analytics Handbook: CEOs and Managers")“來自 Cloudera，Y-Hat，HG Data，Stylitics 等公司的首席執行官們接受了采訪。他們被問及在招聘時他們在候選人中尋找什么，他們答案中的共同主題是他們看待候選人完成的項目。 這個主題也得到了本書作者的認可，并被強調為所有訪談中的前五名之一：Top Takeaway 3：**做自己的項目打入行業** > 學術界和工業界之間存在學習差距，最好通過項目來填補。查找一些體育統計數據并進行自己的分析。學習 R 以便您可以完成此分析，而不僅僅是學習 R 本身。還試試 Kaggle。 Mode Analytics 的首席執行官兼聯合創始人 Derek Steer 表示，在應用環境中構建模型并解決問題是最好的學習方法。 > 我認為學習技能的最佳方式是讓你可以在將來實際應用它們，這是從一個項目開始，然后學習完成它所需的所有技能。 Smarter Remarketer 的聯合創始人 Dean Abbott 對此表示贊同。 > ......開始建模。從事項目工作。它有助于與之前完成它的人合作。數據準備更難教，因為有很多方法可以讓你錯誤地完成它。很難以一種涵蓋所有“不正確”方法的方式進行教學 Stylitics 的首席執行官兼聯合創始人 Rohan Deuskar 使用這種方法來評估求職者，他們必須完成一個項目以考慮工作。 > 我們還將為他們提供一個原始數據集，讓他們分享他們在數據中看到的五個有趣的東西。他們還會被要求在幾張 PowerPoint 幻燈片中展示他們的發現，因為根據我的部分數據分析師角色能夠將您的發現傳達給那些沒有花時間在數據上的人。 最后，Cloudera 的高級課程開發人員 Tom Wheeler 推動了這一點，無論你的學習成績如何還是缺乏，創造力和學習能力都能定義出令人驚嘆的數據科學家： > 就像有許多令人驚嘆的程序員沒有計算機科學博士學位一樣，那些在這些領域獲得碩士或學士學位后開始工作的數據科學家也是如此。如果他們具有好奇的個性和很多自我激勵，他們往往可以通過現實世界的經驗迅速獲得他們所需的任何其他技能。 ## 摘要 在這篇文章中，您發現結果可以勝過背景。如果您專注于獲得結果的工具和方法，您可以快速學習機器學習，甚至成為 Kaggle 大師。 您發現業余愛好者通過專注于結果和培養建立預測模型的一般技能，在自己的游戲中擊敗專家。 最后，您了解到經理和 CEO 希望能夠完成項目并使用項目來學習和展示技能，以評估分析師或數據科學家的技能。 您可以從這篇文章中汲取的教訓是關注和發展您的韌性，執行速度和創造力。 放手需要成為領域專家，專注于提供成果。 放開您對花式學位的需求，開發[項目組合](http://machinelearningmastery.com/build-a-machine-learning-portfolio/ "Build a Machine Learning Portfolio: Complete Small Focused Projects and Demonstrate Your Skills")來展示您的技能。