对于一个具有非统计数学背景的人来说，要花多长时间才能精通机器学习？

Question

我目前是一名博士后，我的PhD是应用数学领域的数值分析和电磁波/声波传播。我的PhD没有统计元素，它完全是确定性的。我在5-6年前的BSc中使用了几个概率/统计数据和一个机器学习模块，在我的MSc中使用了一个随机的ODE模块，但从那时起，it..its就一直在应用数学。

我正在考虑离开学术界，进入行业，似乎在数据科学/机器学习领域的工作远远多于我的技能。

1. 如果我离开学术界并开始“向上学习”，你认为我需要多长时间才能获得工业数据科学/机器学习岗位所需的技能？
2. 似乎有非常广泛的科学/机器学习技术，显然没有时间来学习所有的，甚至大多数。那么，对于当今工业中的数据科学/机器学习来说，什么方法是绝对必要的?获得这些技能的最有效的途径是什么？

Answer 1

由于市场急需人手，而且有很多人完全没有受过正规训练，也没有统计学背景，你已经完全有资格旋转这种炒作，也称自己为“数据科学家”。

我不是在开玩笑。只要做一些免费的在线课程，你可能会发现你可以做他们要求的一切。数据科学是关于流行词宾果，而不是聪明的统计

如果你不想觉得自己是个冒名顶替的人，我建议如下:找到一些重要的算法，比如sklearn，R，Weka，ELKI。实现它，并将其贡献给一些开源工具包。然后，你可以在简历中称自己为“滑雪板贡献者”，这让你领先于90%的自封数据科学家。有什么能比其他数据科学家/机器学习者使用的编写代码更能证明你是一个数据科学家/机器学习者呢？

Answer 2

我想你一开始已经知道足够多的应用数学了。你可以按要求把剩下的东西捡起来。

一种选择是：

1. 从在线课程开始，它提供了机器学习和算法类型的高级概述(例如：https://www.coursera.org/learn/machine-learning)。
2. 尽快将知识应用到现实世界的问题中。
3. 学习各种类型的神经网络(deeplearning.ai是一个起点)
4. 将知识应用于现实世界的问题(如音视频分类、自然语言)
5. 获得实习机会

这需要5-6个月。