机器学习对于软件工程师来说仍然太难
机器学习在工业界的重要性不断上升，但现实是许多软件工程师仍觉得它难以入门，原因包括数学基础要求高、需要概率性思维、迭代周期慢，以及工具不透明。评论者认为，虽然借助课程、高层库和 MLOps 平台，现代深度学习的应用并不需要博士学位，但真正的专业能力仍然需要扎实的统计学、线性代数，以及从确定性编码转向概率建模和处理混乱数据的思维方式。很多人预计，进一步的抽象和更好的工具会让 ML 更像传统软件工程，但专精化和高时间成本仍会存在。
感知到的困难与冒名顶替综合征
- 许多工程师觉得 ML 需要博士级背景和大量数学，这会导致僵住和冒名顶替综合征。
- 也有人认为，只要具备适度的数学基础并通过项目驱动学习，就可以高效产出；除非从事基础研究，否则深度并非必需。
- 即使是数学能力很强的人，也会因为这个领域的广度和噪声而持续感到自己不够格。
数学要求与概念框架
- 反复出现的说法是，线性代数、微积分和统计学是核心；深度主要有助于理解失败模式和评估。
- 有人认为现代深度学习的数学在概念上其实很简单（曲线拟合 / 优化），比量子物理这类“困难”领域容易得多。
- 也有人反驳说，更深入的理论（拓扑、高维统计、进阶概率）对于严格理解和评估很重要。
- 对于深度学习究竟是真正“基于统计”，还是更接近数值优化，也存在分歧。
研究 vs 应用与专精
- 明确区分推进最先进水平和在工业界应用现有模型；后者更接近传统工程。
- ML 被类比为图形学或数值计算：大多数用户只是把库拼接起来；只有少数人需要深入理解内部机制。
- 许多人指出，ML 只是众多专精中的一种；并不是每个软件工程师都需要掌握它。
工具、工作流与 MLOps
- 核心库（PyTorch、TensorFlow、JAX 等）被称赞为强大，但概念上陌生且参数繁多。
- 主要痛点：迭代缓慢、基础设施复杂、数据版本管理、监控，以及调试“黑盒”行为。
- 有人认为需要更好的平台 / SaaS，以及像数据库那样级别的“主力型”库。
数据、评估与生产化
- 实际工作往往有 90%+ 是数据清洗和特征准备；这很难，而不只是枯燥的机械操作。
- 设计良好的指标、回测，以及在生产环境中处理边缘情况，被认为是许多纯软件工程师缺乏的技能。
- 也有人指出相反的问题：ML 研究人员往往缺乏把可靠系统真正交付出去的工程能力。
学习路径与资源
- 常见推荐包括：经典的在线 ML/DL 课程、“从零到英雄”的神经网络系列，以及偏重实践、数学较少的书。
- 建议是：先从实践入手，再在试图理解模型为何失败时深入研究数学。
态度与怀疑
- 有些人认为 ML 被过度炒作、应用不当，而且耗时但回报很差。
- 另一些人觉得它本身并不复杂，只是繁琐；成功往往来自坚持和对不确定性的容忍，而不是天赋。