目录
机器学习英雄访谈录之 Kaggle Kernels 专家：Aakash Nain
Sanyam Bhutani 是 Medium 上一位专注 ML 和 CV 的博主，本系列翻译自他进行的系列采访——《机器学习英雄访谈录》。
学习从模仿开始，要模仿就要模仿那些最棒的人，这是我开始本系列的初衷。
正文
这次我采访的是 Aakash Kumar Nain，一位 Kaggle kernel 专家、数据科学家、深度学习工程师。
Sanyam: 嗨，Aakash，感谢你接受这次采访。
Aakash: 嗨，Sanyam，谢谢你能想到我。
Sanyam: 你是我认识的最酷的印度大学生之一，你能向读者介绍下你自己吗？
Aakash: 谢谢你的称赞。好吧，我的职业是一名数据科学家。我喜欢用机器学习来解决复杂的问题。玩数据是我的另一个爱好，计算机视觉是我最喜欢的领域。Python 是我生命中唯一的真爱。除此之外，我是一个运动员，足球运动员、业余旅行者和狂热的阅读者。哲学是继计算机科学之后我第二热爱的学科。
Sanyam: 了不起，我知道你也吸合法的数据科学“粉儿”——Kaggle。你能告诉我们一些你的 Kaggle 之旅吗？是什么让你对 AI 如此感兴趣，以至于你决定把它作为职业生涯？
Aakash: 哈！是的，你说的对，我完全沉迷于此。我的 Kaggle 之旅与大多数人有点不同。我在大学前的最后一年，我的一位前辈向我展示了使用强化学习训练的自主马里奥游戏。在那个时候真的让我大吃一惊。我开始学习机器学习的在线课程。问题是，没有一门课程能为你提供复杂问题的实践经验。那时我听说有 Kaggle。我在 2016 年 1 月加入 Kaggle。一开始，我感到完全没有头绪，我暂时没有参加任何比赛。在练习了一些小而简单的问题后，我于 2016 年 7 月参加了比赛。我加入了 Kaggle Noobs 社区，并开始向人们提出非常棒的问题，以澄清并深入了解一些基本概念。从那以后，这段旅程开始变得非常有趣。
Sanyam: 我非常喜欢从你的 kernel 中学习。你能告诉我们更多关于写作动机的事吗？一个人背后付出了多少努力？
Aakash: 数据科学和机器学习是广阔的领域。对于初学者来说，这条路几乎总是艰巨的，这是我的个人经历。分享知识是自学的重要部分。此外，我们有责任回馈一直为你服务的社区。这正是我开始编写 kernel 的原因。每次我编写 kernel 时，我都会确保它包含其他人尚未尝试过的新内容。
关于这些努力，我想说编写高质量的 kernel 需要付出巨大的努力。例如，我可以在几个小时内编写一个简单的kernel，但为了确保代码整洁、优化，并与最佳实践一致，可能需要数天时间。
Sanyam: 我知道来自 AI 职位稀缺的同一个国家，是什么让你决定把它作为你的职业选择？
Aakash: 当你在找工作时，你应该经常考虑两件事：
- 你的个人兴趣
- 你的工作范围和成长率
你应该做你喜欢的工作。当我在大学时，我学习编程是因为我当时想成为一名核心开发人员，然后我尝试了网络编程，但没有什么能比机器学习更令我兴奋。就在那时，我决定只在数据科学和机器学习领域工作。
Sanyam: 我认为我们俩都同意印度的机器学习机会目前非常稀缺。你对想在该领域工作的新人有什么建议？
Aakash: 我会纠正第一个观点“印度的机器学习机会目前非常稀缺”。这并不意味着突破口不存在。问题是每个人都希望成为机器学习工程师，每个公司都希望在他们的工作中应用机器学习，因为他们认为它很“酷”。最重要的是，即使公司本身不知道机器学习是做什么的，工作要求也包括“5 年以上的机器学习经验”。所以，问题在于另一方面。
我已经说机器学习是一个广阔的领域。机器学习涉及多个学科，如计算机视觉、自然语言处理、语音等。不要试图成为每个学科的专家。每个子领域都非常多样化，在一个子域内有太多东西需要学习。你应该选择最感兴趣的一个，但同时你应该知道其他子域中使用的基本概念。
Sanyam: 从我们之前的谈话中，我们都同意在线学习作为硕士学位的替代同样好，甚至更好。你能分享一下你的想法吗？你是否认为 Kaggle 可以为你提供比硕士学位更好的数据科学职位？
Aakash: 今天互联网上有两种类型的在线课程。第一个是涵盖“广度”的那些，而第二个是涵盖“深度”的那些。例如，Udacity 课程涵盖宽度。他们会教你几乎所有方面的课程，但没有一个会被深入介绍。另一方面，如果你希望深入研究某些方面，coursera 课程是很好的，但它们不会涵盖所需的每个要素。这是当前的主要瓶颈。对于在线课程来说，要在一个地方查找学习所需的所有内容有点困难。再加上什么都不便宜。在线课程并不像硕士学位那样昂贵，但是依然价格昂贵。
参加 Kaggle 比赛和选择硕士学位是两件完全不同的事情。前者使你更善于尝试不同的事物，并被更广泛的受众所认可，而后者则会让你能更好地研究。有些人喜欢再次上大学，而其他人更喜欢实践经验和日常解决问题。
Sanyam: 在我们结束之前，还有什么想对读者说的吗？
Aakash: 考虑到我们在过去几年中在机器学习方面取得的进步，特别是在深度学习方面，我们正生活在一个令人难以置信的时代。当你自学成才时，事情会更加大不相同。成为机器学习工程师或数据科学家的道路很简单，但成为一名非常优秀的机器学习工程师或数据科学家的道路并不容易。在某个时间点，你会因为看到当前研究的数量（如此之多）而感到消沉。如果你有这种感觉，没关系。我们应该永远记住两件事：
- 你的成功不依赖于他人，反之亦然。
- 永远不要害羞和害怕去问那些甚至是最基本的问题。如果你不问，你就是自己的绊脚石。
KaggleNoobs slack 是最好的联系方式。虽然，我在 Twitter 上也很活跃，但我根本不使用 Twitter 进行通信。
Sanyam: 感谢你在此次采访中的谈话。
Kaggle Noobs 是 Kaggle 最棒的社区，在那里可以找到 Aakash、Kaggle Grandmasters、Masters、Experts，并且它甚至对我这样的菜鸟新手也很友好。
如果你想成为 Aakash 那样的专家，尽管加入吧。
对我的启发
- 分享知识是自学的重要部分。
- 我们有责任回馈一直为你服务的社区。
- 前面两点可以结合在一起。
- 不要试图成为每个学科的专家，要一专多能。