Автодидакты сосредотачиваются на практических навыках, которые специалисты по машинному обучению используют каждый день. Получив базовый набор навыков и микро-портфолио, они подают заявку на работу в нише, которая соответствует их опыту без образования.

Все дело в импульсе.

Самообучающиеся часто подходят к своей карьере поэтапно. Во-первых, они создают портфолио и входят в дверь. Позже многие делают дополнительные спринты для достижения конкретных карьерных целей. Они либо делают это полный рабочий день, неполный рабочий день, либо через внутренние переходы и повышение квалификации.

Вот как могут выглядеть эти переходы:

  • Обучение программной инженерии → Техническая стажировка в небольшой компании
  • Создание портфолио ML → Роль ML начального уровня в небольшой компании
  • Формирование портфолио машинного обучения с частичной занятостью → Младший специалист по машинному обучению в компании среднего размера
  • Подготовка к собеседованию FAANG/GAFAM → Инженер машинного обучения в известной технологической компании

Это руководство охватывает первые три шага и создает основу для четвертого шага, рабочих мест FAANG/GAFAM, но это выходит за рамки данного руководства. В Интернете есть множество ресурсов, посвященных подготовке к собеседованию в крупные технологические компании.

Старый способ: учись учись учись учись учись делай

Новый способ: учись, учись, учись, учись.

- Вес Као

Рецепт провала

Я считаю, что эффективное самообучение имитирует то, что профессионалы ML делают ежедневно. Тем не менее, многие самообучающиеся поступают наоборот: они застревают в длинных списках онлайн-курсов.

После получения нескольких сертификатов у них заканчивается мотивация.

В конечном итоге они подают заявки на популярные позиции начального уровня, но после того, как не проходят ни одного собеседования, уверенность падает. Они чувствуют себя перегруженными **всем, чему нужно научиться**, и у них мало надежды исправить это.

Вот в чем дело.

Онлайн-сертификаты имеют небольшую ценность для учетных данных.

Онлайн-курсы могут предоставить структурированные учебные ресурсы, но имеют незначительное влияние на привлекательность трудоустройства. В большинстве тестов все ответы доступны в Интернете, поэтому риск или последствия мошенничества минимальны.

Но то же самое верно и для большинства портфолио, многие копируют и вставляют или настраивают существующие проекты. Трудно сказать, в чем разница между реальными и малозатратными проектами.

Для компаний слишком рискованно продвигать кандидатов без доказательств того, что их можно нанять.

После составления слабого резюме по машинному обучению многие самоучки обращаются в известные компании. Их соблазняют высокие зарплаты и статус. Вирусные сообщения Medium от самоучек, которые получают высокостатусную работу, часто бывают ценными. Однако они создают неправильное впечатление.

Работы с высоким статусом в начале карьеры без ученых степеней являются исключениями, которые сильно зависят от контекста.

К сожалению, многие самообучающиеся не знают, как найти нишевые возможности трудоустройства, подходящие для их опыта без образования.

Вместо этого популярные позиции завалены приложениями. Многие самодовольны. Благодаря приложениям в один клик и удаленным заданиям легко обратиться в сотни компаний. В известных технологических компаниях на одно место претендуют от ста до нескольких тысяч человек. В этих лотереях резюме выпускники университетов выходят на первое место.

Многие самообучающиеся не проходят ни одного собеседования.

На этом этапе трудно вернуться на правильный путь. Самообучающиеся тратят свои сбережения на расходы на проживание, у них остается мало мотивации, а давление на создание дохода возрастает.

Трудно понять, что делать дальше.

Многие эксперты по машинному обучению рекомендуют онлайн-курсы на несколько лет, чтобы отразить глубину их образования и карьеры. К сожалению, несмотря на то, что это делается с благими намерениями, часто возникают нереалистичные ожидания относительно того, что нужно для того, чтобы войти в сферу машинного обучения.

На данный момент самообучающиеся не знают, следует ли им доверять академическому лагерю, который делает упор на исчисление, алгебру, статистику и вероятность; отраслевой лагерь, выступающий за MLOps, пайплайны, SQL, Git и Kaggle; или лагерь интервьюеров, который считает, что вы должны освоить LeetCode, пройти собеседование по программированию и выучить наизусть первую часть книги Гудфеллоу о глубоком обучении.

Самообучающиеся часто отсеиваются на этом этапе.

Многие никогда не осознают, что есть **гораздо лучшие способы** получить работу в сфере машинного обучения.

Стать нанимаемым

У многих самообучающихся есть серьезное заблуждение: знания — это не то же самое, что доказательство того, что их можно нанять.

Впервые эта связь была изучена Солоном и Хангерфордом в конце 80-х гг.

Например, если студент бросает учебу за несколько недель до выпуска, работодатели не считают это 98% дипломом. Те, кто бросит в последний момент, будут иметь почти те же знания, что и выпускники, но их можно будет нанять лишь в несколько раз меньше, чем тех, кто остался еще на несколько недель.

Хотя онлайн-курсы являются отличным учебным ресурсом, они редко делают кандидата более привлекательным для работодателя. Для тех, кто учится самостоятельно, посещение онлайн-курсов похоже на тех, кто бросает учебу незадолго до выпуска. У них есть знания, но нет доверия к найму.

Если вы не получаете традиционную степень за свое обучение, вам нужно использовать свои знания, чтобы конкурировать за привлекательность трудоустройства.

Самообучающимся приходится конкурировать за узнаваемость бренда, время, внимание или деньги.

Когда специалисты по машинному обучению проверяют вашу работу, они рискуют своим временем и репутацией. Если кто-то платит вам за работу, он рискует своими деньгами. Если конференция публикует вашу статью, они рискуют своим брендом.

Когда вы конкурируете за что-то редкое, вам нужны доверие, упорный труд и талант. Это то, что ищут работодатели.

Трудная часть пути самообучения ML заключается не в том, как получить знания, а в том, как завоевать доверие отрасли.

Портфолио — это набор свидетельств того, что профессионалы и учреждения ML променяли что-то скудное на ваш талант и упорный труд. Это портфолио может включать в себя опыт работы, вклад в открытый исходный код или превышение установленных контрольных показателей. Они показывают, что вы получили что-то редкое и ценное.

Полное 60-страничное руководство «Нет степени в области машинного обучения — как найти свою первую работу в области машинного обучения без степени» на:

Мне бы хотелось услышать ваши отзывы, и если они отражают ваш собственный опыт изучения машинного обучения.