简单的机器学习程序_机器学习变得越来越简单，软件工程却走向了相反的道路………

原因何在实上，这是机器学习到软件工程，数据科学到数据分析发展的进程。

机器学习工具正愈加“平民化”

谷歌希望每个人都能接触到机器学习模型的训练，不论他们的技术知识如何。随着机器学习大众化，云服务的市场逐渐增长，理解算法的价值则逐渐下降。

很久以前，我们手动编码算法。后来，Sklearn可以在几行代码中完成同样的操作。原始的TensorFlow很难使用，Keras使其变得容易。如今，谷歌、微软和亚马逊都提供服务用以选择、训练和调整云中模型，然后立即在API后提供模型。

可能在不久的将来，人人都可以训练人工智能。但是随着复杂性的降低，对于经验丰富的软件工程师来说，它只是信手拈来的另一个工具而已。

机器学习发展集中于几门语言上

语言的重要性不必多说。你知道COBOL（面向商业的通用语言）吗果知道，便能获得一份终身工作。世界金融体系依赖于此。然而如今没有人再学习COBOL了，大多数机器学习是通过Python来实现，而软件开发则是通过多种语言实现的。

广泛的技能组合使软件工程师能更好地适应模棱两可的环境。随着需求的增长，软件工程师经常转行到数据科学领域。但反过来，数据科学家则不太可能去开发软件。随着人们开始将机器学习看作硬编码条件逻辑的替代品，更多软件工程师去涉足机器学习领域。

成为有竞争力的全栈开发者需要数年时间

实际上，优化数据库、构建API微服务以及构建响应式前端这三者之间并没有什么共同点。他们可能是由3种不同的语言实现的，这些领域里几乎没有自动化。

与此相比，全栈机器学习工程师正在实现愈加强大的自动机器学习技术(AutoML)，笔者可以为此编写一个SOP（标准操作程序），并将训练分类器的任务交给实习生。软件工程技能组各个部分的自动化淘汰还需时日。

（通常）机器学习是产品的补充而非产品本身

机器学习该何去何从呢仍然拥有一席之地，但显然，解决问题比训练模型更为重要。

留言点赞关注

我们一起分享AI学习与发展的干货

编译组：贺宇、苏牧辰

相关链接：https://towardsdatascience.com/machine-learning-is-getting-easier-software-engineering-is-still-hard-d4e8320bc046

相关资源：干净而彻底的软件卸载利器UninstallToolv3.5.0.5473.rar-桌面系统…