本人也不是科班出身的机器学习从业者，就通过这篇回答来给转专业进入这个行业的从业者，或者准备进入这个行业的学生提一些注意事项吧。

第一，根据我的观察，有一部分朋友可能会处在两个极端，一种实践的王者理论却很薄弱，一种是饱读理论八股文但是却没有什么实践的能力。

第一种朋友往往pytorch TensorFlow信手拈来，各种deep learning模型写得非常溜。甚至还能想些新的idea来发一发deep learning的论文。简历一看，好像很厉害，但是如果一面试问问理论细节，问问non-deep 模型的数学细节，就理解得非常不扎实。我个人的建议是，这个不但不利于你面试，而且不利于机器学习从业的长期发展。

大家一定不能去排斥学习理论学习non-deep模型。很多理论知识是我们做对事情，做准方向的必要保证。 如果大家想补自己理论方面的知识，我推荐周志华教授的《机器学习》，李航的《统计学习方法》，吴军博士的《数学之美》。机器学习网课视频我推荐加州理工学院公开课或者，卡内基梅隆大学（CMU）Tom Mitchell 的机器学习课程。

第二种朋友可能更加常见一些，就是理论都学了但是没什么实践基础。机器学习很多问题实际上是实践的问题而不是理论的问题，怎么处理数据，怎么选feature，怎么调参，怎么提升性能，怎么debug，怎么理解模型为什么表现得好表现得不好等等，很多问题是只有多做了你才能更好的理解。

所以大家如果进入这个行业，一定要记得不要走入这两个极端。理论与工程经验，需要你花一样的时间去培养学习。

另外一点是，机器学习工程师不同于软件工程师，你们需要注意培养自己阅读Paper的能力。多看机器学习顶会论文，在看论文的同时，要去思考他们为什么要这样做，这样的做目的是什么，解决了什么问题。有能力的看看他们的代码实现。这个行业发展的速度，新技术和理论出现的速度，甚至比你自己项目开发速度还快。光顶会，一年就有四五个会议。可能你的项目还没做完，就有新的技术出来了。所以想在这个领域发展，还是需要持续的跟踪学界。

希望以上分享对你有所帮助！