知識星球“很多程式員，畢業時薪資讓同學羨慕，快到30歲卻反了過來，幹了4-5年後，上升路徑要麼模糊要麼讓人失望。”
我今年正好剛過 30 歲，理解了程式設計其實是一個更新換代非常快的技術，所以我們更應該精通 one，學習 another，關註next。
說說我自己吧。自從我參加工作到現在：
-
物價漲了 3 倍
-
房價漲了 10 倍
-
工資漲了 20 倍
-
比特幣漲了 1000 倍
-
……
對我的職業生涯幫助最大的是 2 張圖：第一張是《駭客與畫家》中的如何創造財富：
《駭客與畫家》是矽谷創業之父 Paul Graham 的文集，1995年他創辦了 Viaweb，幫助個人使用者在網上開店，這是世界上第一個網際網路應用程式，3 年後以 5000 萬美元的價格賣給了雅虎。
文中指出創造財富的關鍵是可測量行和可放大性，舉例：血汗工廠的工人報酬是可測量的，但是缺少可放大。而高科技則具備了可放大性。
對我影響最大的另一張圖則是“個人知識管理”：
這張圖也很古老，以至於裡面提到的好些工具都已經不存在或者不流行了。但是這張圖讓我明白了一個道理：你的知識需要管理。
【選擇技術驅動型公司】
為什麼過去十年間，油條的價格上漲了 5 倍，而巨無霸的價格只上漲了約 60%。這就是前文中提到的科技具有可放大性。
如果別人的工資都翻了好幾倍，你卻原地不動，想想自己從事的工作，是不是每天都在重覆同一勞動。
那麼大多數程式員如何選擇自己的職業呢？
-
離家近？
-
去大公司？
-
自己創業？
-
……
很多人找工作的一個誤區就是盲目的追求“大公司”。我們應該加入技術驅動型公司，而不是業務驅動型。對於某些“大公司(外包公司)”而言，程式員的工作就是用軟體實現某個功能，而不是設計軟體。在那裡，程式員被當作技工，職責就是將產品經理的構想翻譯成程式碼。公司這麼做的原因是為了避免設計上的災難，而選擇了減少設計結果的標準差。這對公司來說不是問題，因為生產特別優秀的產品不是它們的獲勝手段。公司產品只要做到不太爛，就能贏。
【搶佔高薪朝陽行業】
有很多人成為程式員都是因為程式員工資高（確切的說是不低），但是卻不知道程式員工資為什麼高。而且程式員根據語言和應用領域也非為不同的工種，不同的工種也會有很高的薪酬浮動。
那麼我們如何選擇和提升自己的技能呢？
一個很重要的一點就是選擇朝陽領域，而不是夕陽領域。比如傳統 IT 現在已經逐漸變成夕陽產業，取而代之的是網際網路。但是你要明白，網際網路總有一天（或者已經）會“夕陽化”。
而目前新興的朝陽行業無疑是人工智慧、大資料、VR、AR、……
去年阿爾法狗(AlphaGo)戰勝了李世石的訊息，又把人工智慧重新推上了科技的巔峰。而根據今年 github 的統計報告，Python 的關註程度已經超越了 Java，成為本年度受歡迎語言的亞軍。
去年最火熱的前 10 個專案排行榜上，人工智慧機器學習框架 TensorFlow 排在了第一名，更說明瞭越來越多的人對人工智慧感興趣，並且正在學習和研究。所以不少開發者還是積極擁抱未來，喜歡研究新興技術的。
可以看到 TensorFlow 的 fork 數量已經遠遠超越了第二名的 BootStrap。然而 TensorFlow 建立於 2015 年 11 月，距今才剛剛 2年多，而 BootStrap則釋出於 2011 年 4 月，距今已經超過 8 年了。我們仔細觀察這個榜單還會發現，在這個榜單中 TensorFlow 組織也是唯一 1 個兩次上榜的。
行業的熱度，從學習者的選擇上也可見一斑。比如“矽谷雲端大學”Udacity的《機器學習工程師》課程，已經超過了 1 萬人次預覽學習，這從另一個側面也反映了 TensorFlow 的火熱。觀察一下最近的招聘資訊，就會發現人工智慧的崗位數量以及薪資待遇都一路飆升，從目前的趨勢來看，對人工智慧、機器學習的人才需求也會出現井噴式增長。正所謂“技多不壓身”，如果現在想學習一門新的技術，毫無疑問人工智慧是首選。
【選擇專業的學習平臺】
Udacity 的《機器學習課程》由 Google x Kaggle x DiDi 聯合推出，正所謂“谷歌出品、必定精品”。除了跟隨矽谷明星導師進行系統學習，享受逐行程式碼審閱服務外，還可以挑戰矽谷獨家專案，實打實為自己的簡歷增加含金量。
機器學習工程師進階課程需要你掌握中級程式設計知識、中級統計學知識、中級微積分和線性代數知識，在矽谷無人車之父Sebastian Thrun的帶領下，跟隨業界大牛學習機器學習進階知識！
課程內容+實戰
-
第一部分：機器學習基礎
在這裡，你可以學習到機器學習的基礎知識，並初步瞭解一些機器學習可以完成的任務，如分類與回歸問題，包括機器學習涉及到的統計分析知識以及模型評估和驗證知識。
實戰專案 1 預測房價
-
第二部分：監督學習
監督學習是透過已標註過的訓練資料來完成分類或回歸任務的一類機器學習方法。在這一部分中，你將學習決策樹，神經網路，支援向量機等監督學習演演算法。
實戰專案 2 慈善機構尋找捐助者
-
第三部分：非監督學習
當資料樣本沒有標簽的情況下，非監督學習是其解決問題的最佳方案。在這一部分中，你將學習聚類，特徵工程和降維等非監督學習演演算法。
實戰專案 3 建立客戶細分
-
第四部分：強化學習
強化學習也是一類重要的機器學習方法，它是一個序列決策問題。在這一部分中，你將學習Markov 決策過程與博弈論等強化學習知識。
實戰專案 4 訓練機器人走迷宮
-
第五部分：深度學習
深度學習是當今世界上最火熱的一類機器學習方法，在許多領域中甚至超過了人類的能力。在這一部分中，你將學會使用 Tensorflow，並且學習摺積神經網路等知識。
實戰專案 5 小狗品種分類
-
第六部分：畢業專案
選擇一個你最感興趣的內容，用你所學的機器學習和技術解決它。在畢業報告中，如果有取用，也一定要註明出處。
實戰專案 6 畢業專案
2018 年，人工智慧依然是一個異常火爆的領域。去年6月份，馬雲曾說：“回望歷史，第一次技術革命和第二次技術革命先後引發了一戰和二戰，人工智慧可能會引爆第三次世界大戰。”不管是30歲還是60歲，保持學習的激情和毅力，都能夠乘上人工智慧的浪潮，為自己的職業發展可能性錦上添花。
點選閱讀原文，瞭解《機器學習（進階）》基石奈米學位專案詳情
