前言

當我們人生決定轉向，不能免俗的，一定要了解市場行情，免得誤入歧途，人財兩失。因此針對 Machine Learning 相關的工作進行了一番調查，除了工作所需技能以外，也看看平均薪資水準。

工作技能

Machine Learning 相關的工作技能包括：

1. 程式設計：詳述於下。
2. 數學、統計：詳述於下。
3. 分散式計算(Distributed Computing)架構：Machine Learning 執行耗時，為快速求解，大企業會自己架構分散式計算環境，以分散工作，平行處理，例如 Hadoop、Spark，中小企業無力自架環境，則會使用雲端架構，例如 AWS、Azure 都提供 Machine Learning 解決方案。
4. 各種演算法的創新、應用。
5. 使用者介面設計(UI Design)：提供 Web 或設備端的展示功能。

程式設計

以 Python 環境而言，除了Python本身，基本的技能還包括：

1. numPy：陣列的相關運算。

2. sciPy：架構在numPy之上，提供矩陣、線性代數、優化、傅立葉轉換...等進階應用函數庫。

3. MatPlotLib：繪圖，特別是統計圖。

4. Pandas：Excel/CSV 讀寫，主要資料結構是 data frame，與 R 語言相同。

5. TensorFlow：Neural Network 的框架(Framework)，也可以學習其他框架如下圖。
   
   圖. Neural Network 各框架(Framework)比較，圖片來源：Machine Learning Frameworks Comparison

6. Keras 或 TFLearn：為 TensorFlow 的 Meta Framework，作為快速開發、雛型展示(Prototyping)、概念性驗證(Proof Of Concept，POC)的工具。

7. 除了Python以外，也可以使用其他主流語言，包括 R、Weka(Java)、MatLab ...等。

8. 以上列出的只是必要套件，針對各個應用領域，還可以學習相關的套件(Packages)。

9. 除了 Neural Network 演算法外，Machine Learning 還包括下列常用演算法，可使用 scikit-learn 函數庫：

   • 決策樹(Decision Tree)
   • 單純(或樸素)貝氏分類器(Naive Bayes Classification)
   • 邏輯迴歸(Logistic Regression)
   • 支援向量機(Support Vector Machine)
   • 集成方法(Ensemble Method)
   • 聚類(Clustering)
   • 主成分分析(Principal Component Analysis，PCA)
   • 奇異值分解(Singular Value Decomposition，SVD)

10. 另外，預期智慧型裝置及物聯網(IoT)整合將會越來越多，例如智慧喇叭、Raspberry Pi、Arduino...等，甚至Android手機未來也會內建輕量版TensorFlow(TensorFlow Lite)，為求速度及減少記憶體使用，會使用較低階的語言，例如C++、Java等。

數學、統計

主要包括：

1. 機率統計(Probability and Statistics)
2. 線性代數(Linear Algebra)
3. 微積分(Calculus)
4. 同樣的，針對各個應用領域，也有特定的知識要進補，例如語音，就需要了解信號處理、Hidden Markov Model、Gaussian Mixture Model、傅立葉轉換(Fourier Transform)...等。

相關工作與技能

看到以上的工作技能別嚇壞了，工作所需技能是一個團隊的總和戰力，不是一個人要十八般武藝樣樣精通，依照國外分類，參閱Artificial Intelligence Job Titles，相關工作職別包括：

1. Data Scientist：資料科學家，負責演算法開發與分析、資料的收集與前置處理。
2. Research Scientist / Applied Research Scientist：應用分析師，依照產業特性及行業別知識(Domain Knowhow)，套用資料科學家建議的演算法，進行概念性驗證(Proof Of Concept，POC)，是 Data Scientist 與 Machine Learning Engineer 間的橋樑。
3. Machine Learning Engineer：是真正負責系統開發的工程師，需要將系統或產品帶入上線或上市。
4. Distributed Systems Engineer：是 DevOps 的人才，需要能將大量資料及大的執行工作，切割、分散至各個分散機器執行，最後再聚集匯總(Aggreation)，強調 CI/CD (Continous Integration/Continous Delivery)的一貫化流程。

以上的職別與工作技能的比重，可參閱 Udacity 的一張圖如下，圓圈愈大者，表示比重越大：

圖. 職別與工作技能的比重，圖片來源：5 Skills You Need to Become a Machine Learning Engineer

工作前景 or 錢途

以 Payscale 美國的薪資調查，比較『網頁工程師』與『Machine Learning』相關工作的薪資，較容易看出差異：

圖. 網頁工程師薪資水準，圖片來源：Web Developer Salary

圖. Machine Learning相關職別薪資水準，圖片來源：Average Salary for Skill: Machine Learning

網頁工程師薪資中位數是$58K，而Machine Learning相關職別都在$100K(或以上)，比較有趣的是，Engineer 比 Scientist 高一些，可見企業看重『產出能力』比『學識/學歷』高一些。

機會

依照個人淺見，Machine Learning 未來發展還是會集中在雲端、用戶設備端及應用系統，雲端會提供更強大的資料中心/伺服器，包括專為Machine Learning設計的 Tensor Machine，供一般企業租用，另一方面，手機、智慧裝置也會紛紛出籠，搶佔使用者的荷包，最後就是整合各種技術的應用系統，例如無人駕駛車、機器人、ChatBot、智慧製造、精準農業、醫療生技...等。『弱水三千，只取一瓢飲』，端看個人生涯規劃。

至於台灣是否一如 Cloud Computing，只將焦點放在低附加價值的伺服器、用戶端設備(手機)生產，未來發展，兩、三年就可以看到端倪，值得觀察與期待。

結語

經過30天鐵人賽的地獄般修練，在每天哀號、K書、測試程式的輪迴中完成了，原本訂定題目時，希望能以輕鬆/快樂學習為出發點，用圖說故事，但是寫到最後，才發覺不是那麼簡單，回顧過去，內容還是有點艱澀，之後，希望能再花點時間消化整理，出個精簡版內容(Executive summary)，與讀者分享，最後，如有讀者一路跟隨，就只有心懷感激了。