分享
该不该坚持学习Machine Learning？
我不是学霸。在国外普通的一个院校读了个Master。 做Data Clustering，发了一篇很水的paper，仅仅一篇而已。但是对ML和Data Mining还是很感兴趣。可惜年轻时太贪玩，没有花时间在学习上。现在工作了，公司蛮大的，但是是做C++开发类的工作。自己一直在Coursera上看Ng的ML，UIUC的Data Mining，以及UWA新开的Machine Learning，还有约翰霍普金斯那套课，跟着课是没什么问题。决定开始去Kaggle学习下大牛们如果调参。但说真的，真的不知道真实世界这一行的深浅。我的问题是，我这种情况该继续学习ML吗？还是老老实实做开发，多看看系统设计类的东西。因为1. 看到很多此行的Phd们的实力与经历，特别是CMU大牛老师麾下的人，觉得自己差的太多太多。人家只会越来越好，自己真的要走这个行业，起点真的太低了。2. 兴趣是兴趣，谋生是谋生，5年后，多少需要在一个领域有些深度才能站得稳，这需要持续的学习。我不是该学不该学，而是究竟该不该放大头的时间进去？说的有点乱了。总之就是，学什么都需要时间，是否该面对现实把时间投入在偏开发类的东西上。就像三井浪费了时间，他永远不可能超越流川枫了一样，如果流川不荒废的话。如此起点，各位的经验来看，会不会是一厢情愿的浪费时间呢？冒昧邀请几位回答。正是几位让我觉得看到了差距，失去了走这条路的信心。如果您路过能够不吝啬为我指点几句，不胜感激。
回复 ( 10 )
谢邀。我觉得很有必要，而且相信有一天，机器学习算法会成为和基础算法（如查找、排序）同等重要的本科生必修课程。计算机这个学科本质上就是在跟数据打交道。基本的数据处理和分析已经做得非常好了：比如查询、排序、数据库操作。那么接下来的发展方向就是高级数据分析了：从大量数据中找到规律和知识，然后用规律和知识做决策。机器学习正是进行高级数据分析的一个学科方向。上次和腾讯的一个engineer lead交流，他说现在大学本科提供的机器学习教育几乎为零，而他们对懂机器学习、能分析数据的人才的需求又非常大。如果能在技能列表里有机器学习这一样，对于在工业界发展应该是很有优势的。
再进一步，我们希望机器学习在未来不光是码农的必备技能，而且会成为普通用户群的必备技能。想象有一天在EXCEL软件里，有这样一些按钮 “分类”，“聚类”，“话题分析”，使用它们就如同使用 ”求和“， ”取平均“，”排序“这些基础功能一样简单、方便，成为人们平时工作的日常操作。
谢邀
一个技能学与不学，肯定有千万种理由，然而并没有一种理由叫做‘因为赶不上最牛的人，所以不学了’。如果你真有这样的观点，为何要继续‘老老实实做开发’呢？别人做开发了几十年了，你赶的的上最牛的人吗？为何要‘多看看系统设计类的东西’呢？别人系统设计也做了几十年了，你赶得上最牛的人吗？既然什么东西都赶不上最牛的人，还继续学什么呢？混吃等死就好了。
然而你并不会这么想，既然不会这么想，为什么会把这个观点用在‘是否要学ML’上呢？
换个角度想想，为什么觉得‘老老实实做开发，多看看系统设计类的东西’听起来是一个保险的选择，而‘学和ML相关的技术’是冒险的选择？因为工作环境，周围所接触实实在在的人，都是按照这个路子走出来的，因此心中会觉得这样子理所应当。然而换一个环境，在一个充满‘新技术改变世界’的氛围中，可能会觉得‘学和ML相关的技术’是更保险，甚至唯一的选择，而‘老老实实做开发，多看看系统设计类的东西’反而是需要犹豫的选择。
我不想说到底应不应该坚持学习某项技术，毕竟每个人有自己的选择。我只是认为做决定的时候，要多考虑技术本身，历史的潮流，而不要仅仅因为自己小圈子所带来的感受。要跳出圈子，不做井底之蛤，看到更大的世界，才能顺应时代发展的需求。毕竟
‘一个人的命运啊，当然要靠自我奋斗，但是也要考虑到历史的行程’
—
陈然_Ran的微博
没想到被4个小伙伴邀请，我在ML领域不是大牛，指点肯定不够，就自己的经历说一下吧。
初次接触ML是大三的一门选修课《模式识别》，当时觉得挺有意思的，后来参加了全国大学生智能汽车竞赛，这是第一次真正机器学习的运用，鼓捣了几个算法搞了赛道识别、赛道记忆、![\epsilon]()
-greedy和fuzzy control，侥幸拿了全国冠军，觉得研究生一定要搞ML。结果保研的时候懵懵懂懂报了系统结构，搞了三年大数据相关的分布式存储，也算是和数据沾点边吧，当时也有过楼主的类似的想法，不过慢慢觉得专业并不限制我的兴趣，于是业余参加了各种ML的比赛，现在回想也挺爽的。
后来毕业第一份工作也是存储相关，但是中间没有间断过对机器学习的爱好，工作上尝试做一些相关的项目，如推荐和图片识别；到今年4月换工作的时候也顺利拿到国外两个公司相关岗位的职位和现在公司的职位。
所以，关键还是你是否真的喜欢，喜欢的话做起来人也是挺开心的，事情也顺利。如果不知道自己喜欢啥，那就用排除法吧，挑最后被排除的那个。零零碎碎说了这么多，希望对楼主有帮助。另外楼主觉得准备好了，可以申请我们公司开发或ML的职位，我可以帮忙内推，牛人很多，来了大家可以相互学习。加油！
废话当然得学，二十一世纪是算命科学是世纪，你不会点深度算命出门都不好意思跟别人打招呼。我跟你讲，在湾区，要是哪家居民楼楼上掉下来一个花盆，砸了10个人里9个发过cvpr，剩下一个发过尼普斯，你说你就发过uai都不好意思跟别人打招呼。
–
回答问题：
万事开头难，认识你自己，谨慎的选择你的目标；先入门，再深入，不要急于求成。
成功的道路没有捷径，与君共勉。
–
告诉你别去做，你也还是会去学，会去关注的，这就是ml的魅力。
不过既然你做过 clustering 的话，Ng 的课程大部分（回归，拟合和过拟合，基于中心点的分类）应该已经 cover 掉了；除非你在 thesis 中当调包侠。
但是我觉得，除非决心不当调包侠，ML 这种工作其实不适合。毕竟不知道主要方法的代码和工作原理但是还要硬肛，这样做能做的有限并且常常会丢人的。
（好消息，好消息）学deep learning, 学caffe， 会跑各种主流convnet，不需要调参，一个月培训上岗。
目测国内各类IT培训机构马上就要开类似课程了。
你上了这几门公开课了，如果认真做了作业的话，应该说水平已经不错了，应付工作没问题。既然已经上了Data mining, 我还推荐你一门斯坦福Koller的概率图模型。这门课有些难，但从授课和作业设置上来说都比Andrew的更好。
个人感受，大神勿喷。
感觉题主的状态我也曾经历或正经历着，和题主的区别是我也算是走运混进了一个2线互联网公司的推荐系统研发组，可以在工作中做一些ML相关的活吧，但也正经历一些技术发展方向的困惑。本来写了好多自己的经历，又感觉没啥用就又删了，感觉楼主需要明确几个方面的问题。
1.你是对ml还是dm更感兴趣，ml更加关心的是理论而dm更加偏重的对ml算法的运用以及对业务数据的理解。在工业界真正研究ml算法的职位很少，自然要求也很高，而大部分算法工程师的工作主要是处理数据然后用现成的算法反复跑实验，详细情况可以搜做算法工程师是什么样的工作体验？要是对ml理论感兴趣可以努力去读个该方向的phd，要是对dm感兴趣就去多熟悉现有工具和框架。
2.自己适不适合把这个方向当做职业，这件事情不用空想，去投递一些相关方向的简历，参加些笔试面试就知道了，这也是最便宜的提高自己的方式。
3.实力及智商碾压这种事在很多事情中都会发生，亦如我在玩德州扑克的时候也曾和许多高手交手感觉完全猜不透他们的想法，而自己的想法好像完全被他们掌握，当时的感觉就是以自己这个智商就完全没有必要再玩这个游戏浪费时间了，可后来想想自己玩这个游戏的目的不一定非要战胜所有人，从中获得乐趣、以便宜的方式体验失败、了解自己人性的弱点以及通过学习感受自己的进步这些都可以支撑自己继续玩下去。话题扯得有些远，不BB了，最后送题主一段话：
当你的才华还撑不起你的野心时，那就应该静下来学习；当你的能力还驾驭不了你的目标时，那就应该沉下心来历练；当你对未来迷茫时，那就应该停下来认准目标。学习过、历练过、努力过、就会明白，自己还真不是那块料。