这是本文作者 Richmond Alake 的亲身经历，也是让他从一位全职员工到成为一位机器学习硕士生的原因。

　　然而，机器学习的学习之路并不平坦，作者此前也写了一篇文章介绍自己的这段经历，不少网友向他发出了灵魂拷问：值不值得？

　　事实上我对硕士专业的具体名称撒了个小谎（倒吸一口冷气），这里必须说明一下，我的硕士学位名称并不是机器学习，而是「计算机视觉，机器学习与空间机器人」。

　　也许明确说明课程名称会加深对这个学位难度的理解……当然也可能不会。天才们可能会觉得：哈，读这个学位听起来就像是在公园里散步一样！但我向你保证事实不是这样的。

　　这篇文章在 Medium 上四处传播，甚至有几个人通过 LinkedIn 与我取得联系，询问我就读机器学习硕士学位的经历怎么样，更重要的是，这值得吗？

　　在这里我会为你节省很多时间和麻烦，直截了当的告诉你：在机器学习等有发展前途的领域取得高级资格证明或学位证明，绝对值得！

　　目前为止，依我的经验看，我注意到雇主不仅需要应聘者具备某个领域的专业知识，还需要他们具备相关的资质证明。

　　如果你对神经网络的理论实践知识或对反向传播的相关工作有详细的了解，这就可以帮你在竞争者之中脱颖而出。

　　那时，有关软件开发生命周期的所有事情似乎可以通过简单的点击来实现。随着我一遍又一遍地重复实现该过程，设计、实施和测试应用软件成为了我的一个惯。

　　这种软件开发的便捷性随后使我顺利度过了四年作为 Web 开发人员的职业生涯。我知道如何开发一个网站的用户界面，该界面由一个完善的带有 API 的后端系统和一个与之相连的数据库系统（由 Amazon 等托管平台运营）支持。这些听起来十分容易实现对吧？

　　我之前了解机器学习难度的渠道过于天真，一部分原因是我无意间看到这样一篇浮夸的新闻报道，文中提到「一名工作 10 年的执业律师如何在三个月内迅速成为了数据科学家」。

　　对于那些不熟悉这本书的人来说，介绍这本书就像给小学生讲一本有关微积分的书；或类似于通过读一本关于火箭飞船的书来学习如何修理自行车——也许会有夸大其词的成分，但我想你应该明白我想表达的意思了。

　　在我看来，本书中的术语和方程式对我来说似乎像是一种与我完全不通的语言。直到今天，其中一部分内容仍然看起来如此。

　　到现在为止，我不得不承认这本书对于任何希望认真对待机器学习的人来说都是必不可少的。本书适用于那些希望抛开框架，API 和库的限制来学习的读者。

　　首先是数学，然后是论文，最后是密集学习——指那种睡在图书馆以及从图书馆醒来的很高的学习强度。

　　不幸的是，数学从未成为我学术生涯中眷顾我的好朋友，攻读硕士学位也没有使它发生什么变化。然而，如果你在高中或本科的学习中具备了很强的数学或统计学基础，那么机器学习中的数学将完全不会令你感到畏惧。

　　而对我而言，情况恰恰相反。我很享受反向传播的学习过程，但发现其中涉及到函数的偏导部分在我看来十分枯燥，这本应该是有趣的。

　　我必须将之前的专注力与注意力水平提高四倍。这是具有挑战性的，至少在攻读学位的前半段里，我一直陷于这个困境。

　　当我沉浸在小组学习，图书馆安静的环境以及学会利用一些帮助我提高学习效率的软件之后，专注对我来说就变成了一种更加舒适的体验。

　　于是，我与一些我见过的最聪明的人进行了一对一的沟通交流。我也上网并发现了一个可以帮助我学习的 YouTube 频道——许多机器学习工程师和数据科学家都很熟悉的频道「3Blue1Brown」：

　　最后来谈一谈论文写作。论文写作本身就是一种技能，而这个技能正是我严重缺乏的。当然，我大可花数小时洋洋洒洒在笔记本电脑上敲键盘，但这仅限于代码调试或实现的时候。写论文对我而言是完全不同的，我很可能半天连一句话都憋不出。

　　论文写作是我必须通过定期训练来学习的技能。我没有在网上找到可以帮助你特别针对获得机器学习论文写作技能的资源。

　　小提示： 你可以通过练习写作以及通过在媒体上发表对机器学习话题和概念进行解释的文章，来提高论文写作水平。因为从某种意义上来说，这与论文的撰写非常相似——必须通过展开调研并且都需要一定的口才。以下是此类文章的示例：

　　很多人一辈子致力于开发探索机器学习的不同细节和领域的，因此，当我告诉你三个月内无法学习掌握机器学习时，请一定相信我！三个月里，你充其量可以认识一些常见的、在很短的时间内就可以理解的概念。

　　在整篇文章中，我都指出了我的缺点。然而，尽管困难重重，我还是设法拿到了机器学习的硕士学位，对此我必须要给自己一些表扬。

　　既然我们已经为自己拍拍肩膀打足气，那现在就到了该谦虚的时候了。如果我仅仅在之前做足充分的准备，就不会在硕士就读期间经历各种令我感到不安的困难了。软件开发方面的技能使我蒙蔽了双眼，并错误地将学习机器学习的难度等同于学习一个新 Web 框架或库的开发难度。

　　即使你在某个领域取得了成功，这并不能保证你在其他相关领域一样取得成功。我知道这似乎非常显而易见，但是我还是必须说明一下。

　　老实说，保持长时间全神贯注的能力应被视为一种超能力。在当今数字时代，时间和注意力对于人们而言，就是一种新黄金，并且移动设备上的软件无时不刻不在为吸引人们更多的注意力而在持续优化。

　　你需要重获自控力，并能够断开与互联网的连接。从长远来看，断开网络一个小时左右就可以使你利用这段时间专注于某一项特定任务，这对你来说可能是一件富有成果的事。

　　如果你都将文章读到这里了，那么我现在告诉大家，读机器学习硕士的投入和收获是非常对等的。我通过了硕士学位的考试，并且收获了人工智能各领域有用的知识。

　　从我这个特定的硕士课程设置（因此这可能不是一般情况）安排来看，它不会教你那些比较实用的技能，例如 ML 模型的部署，数据库的搭建。因此我没有学习过例如 Sci-Kit Learn，Numpy 和 Pandas 等标准数据科学库。但是你完全可以自学这些知识。

　　而且，如果你拥有 ML 的硕士学位，并且拥有一些很棒的项目或作品集，那你将具有其他人所不具备的竞争优势。

　　最后附上另一位 AI 专业的毕业生 David Chong 写的一篇有趣的文章，他在文中对比了机器学习和数据科学的预期与实际情况之间的差距，刚兴趣的同学可前往以下地址阅读：