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。
Machine Learning 相關的工作技能包括:
以 Python 環境而言,除了Python本身,基本的技能還包括:
numPy:陣列的相關運算。
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。
MatPlotLib:繪圖,特別是統計圖。
Pandas:Excel/CSV 讀寫,主要資料結構是 data frame,與 R 語言相同。
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
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。
除了Python以外,也可以使用其他主流語言,包括 R、Weka(Java)、MatLab ...等。
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)。
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:
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。
主要包括:
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:
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
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。
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。
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。
令人敬佩的學習精神, 看完30篇的文章後, 對AI有些初步的概念, 非常感謝!!!
謝謝你耐心看完,如有疏漏或建議,亦請不吝指教。