[[254426]]

免費、開放，是機器學習領域內的知識和工具的一大特點。這種特點不僅便于許多從未接觸過機器學習的人加入到這一領域參與工作和科研，同時也大大加速了領域自身的交流和進步。

　　不過也有一些人的心態比較保守。社交 App「meetup」的機器學習東京團隊負責人 Suzana Ilić 就表示自己遇到了這樣一個人，聲稱自己不會雇傭機器學習技能來自在線課程學習的求職者。這相當于拒絕了大批半路出家加入到機器學習領域的人。

　　Suzana Ilić 在社交媒體上發帖說了這件事，希望大家都參與討論，說說各自的觀點。雷鋒網 AI 科技評論覺得這個討論很有趣，下面我們摘錄展示一些討論。

　　Suzana Ilić 首先說了自己的想法。「我覺得我們應該關注問題本身，而不是針對特定的人。我們現在看到的所有和機器學習相關的職位簡介都會需要一定的技術背景，很多情況下就體現為博士學位要求（這甚至還只是對工程人員的要求，而不是科研人員）。如果沒有合適的學歷，求職的人可能連簡歷篩選那一關都過不了。但其實我自己就是非理工科出身的，而且也在使用機器學習，對我來說有在線學習的機會簡直是最棒的事情了，我有充足的機會構建自己的想法、和別人合作、做實驗、失敗但是從失敗中學習，而且不害怕、不感到焦慮。所以我會愿意招沒有對應學歷的人做機器學習嗎？當然愿意了！」

　　Keras 作者、谷歌大腦高級研究員 François Chollet 評論說：「這種觀點很過時，而且很精英主義。教育不分在線和離線，也不分正式和非正式。優秀的那些人有 90% 的知識都來自自學，而不在于他們有沒有在斯坦福念過書。計算機科學領域的學歷切切實實增加價值也越來越不明顯。」

　　網友 Jason Antic 說：「我自己就參與招聘過一些工程師，我的感受是，學校教育和工作表現之間的關系并不像我們一般期待的那樣。所以我都是根據他們實際上提交的代碼質量來評價。」

　　谷歌 AI 研究員 Hector Yee 評論道：「說到這兒，我也從來沒有參加過任何線上線下的機器學習課程，除了在天文課上學過一次如何檢測脈沖星。我在做機器學習圖像搜索系統和自動駕駛系統的時候學習了機器學習，我開發的推薦系統還得過一個技術獎，但我就是從來都沒有上過任何機器學習課程。」

　　網友 Nicholas Guttenberg 說：「如果他們能夠拿出一個項目，其中展示了自己能夠獨立為一個新問題（比如超出課程作業的范圍，不論在線課程還是學校學習）設計好的解決方案，那我也就并不會關心他們的教育背景如何了。」這個觀點也得到了 Suzana Ilić 的贊同。

　　也有網友表示支持教育背景的要求。

　　比如 Rubens Zimbres 表示：「我覺得在線課程的教學內容并不夠好，比較表面化。數據科學家們需要良好的理論基礎，這意味著他們需要讀大量書籍，以及做許多 MNIST、IRIS、貓狗識別之外的實際項目，還需要考慮如何給現有的解決方案繼續增加更多的價值。你們用在線課程學機器學習的，誰能解釋清楚 SVM 里面的拉格朗日乘數是什么意思？」

　　Aditya Kaushik 評論：「我覺得這挺公平的，機器學習是數學與統計的一個分支，這相關的知識技能耗的學習和訓練環境就是在大學。大多數機器學習/AI 的在線課程都是入門級別的，在這樣的課程里他們根本沒辦法顧及到這些更深入更重要的知識。」

　　Dominic Monn 留言：「我覺得 HR 總是需要某種能力證明的，這種證明的表現形式可以是一個高等教育文憑，可以是好看的代碼庫，也可以是復雜項目的開發經驗。我自己就沒有這樣的高校文憑，我覺得學一個短期的在線課程顯然是無法取代文憑的價值的。但是對于真正想做機器學習的人來講，學在線課程起碼是補齊這全部三個方面的開始。」

　　而對于身在其中的人，他們更想討論清楚真正的區別在哪里。

　　親身經歷者 Dylan Djian 留言：「我自己的機器學習/數學知識是 100% 自學的，我自己就遇到過這樣的困境（科研崗位以及應用研發），即便我有很強的動力和扎實的應用技能，我也還是沒能拿到那個實習崗位。我覺得其中的距離是對書本知識的掌握程度，而不是我寫代碼寫得如何。」

　　Sijun He 也說了自己的感受：「在線課程目前還是無法做到學校課程一樣的嚴謹和深入。比如我自己就親身在斯坦福大學的教室里上過吳恩達的機器學習課程，也在 Coursera 上學了他的課程，兩者間的區別非常大。對于在線課程來說，為了讓普通大眾也能學得下去，大多數講數學的內容都被去掉了，課程的重點也不再是知識本身，而是直覺式的感受。不過話說回來，在求職終面里面需要考慮的不應該是求職者的學歷如何，而應該是他實際的工作表現。」

　　網友 Derek 說：「我覺得要看應聘的角色。如果要招機器學習的研究科學家，那博士學歷可能是必需的。但是對于數據工程師、數據分析師和程序員，在線學習課程對于這樣偏重實踐的崗位來說簡直再適合不過了。這個領域一直在快速發展，我們需要所有人的力量！」

　　谷歌 AI 研究員 David Ha 進一步拓展了這個想法：對于篩選機器學習研究人員，也許我們還可以嘗試走另一個極端，那就是完全放棄學校、頭銜、學歷這些條件，然后完全根據他的 H-index 和作為作者的頂會論文數量判斷他的水平。不過同時也要注意，當科研領域過于強調 H-index 和引用數量這樣的指標的時候，也會有一些投機取巧的事情發生。

　　機器學習專家 Hamel Husain 評論：「有很多人的態度是，『要成為某個領域的大拿，你必須要經過和我自己一樣的學習歷程，或者有類似的背景才能得到我的認可』，其實他們說這樣的話的出發點是深深的不安。實際上，這種（不正確的）信念對領域的多樣化一點都沒有好處，最終也會傷害到這個領域。」

　　你的觀點如何？一起來談談？

　　討論原帖見 https://twitter.com/suzatweet/status/1078446189593321472