1樓：歐路
你的目標不在於學習研究機器學習，大概率下是因為看到機器學習深度學習近幾年的火熱，可以從中撈一把。還是好好想想自己真正喜愛的，再說了同濟大學這麼好的學校夠你用的，不必因為市場而轉變自己的觀點。
2樓：
如果想從事相關的研究工作還是得讀個PhD，研究型的master像UIUC，CMU的都很不錯，其實不管你本科學什麼的，只要有心學習我覺得都可以學得會。時間長短罷了，看你是不是願意投入時間。見過幾個土木轉CS申請到NYU等學校CS PhD 的，其實跟著國外老師做一些研究，發幾篇頂會，就有很大機率申請上比較好學校的PhD了。
機器學習這個領域挺大的，看你做什麼方向啦。有做data mining等應用機器學習的，也有搞優化理論，統計機器學習的，也有搞deep learning的，需要的技能不大一樣的。建議多上一點數學統計的課增強基礎
3樓：lhx
雖然不是幹機器學習這一行的，但是出於興趣，也面過不少公司的機器學習崗。「從事機器學習或資料探勘」也分應用型和研究型的。
應用型的大多比較希望有一些相關的專案簡歷，對常見的模型與演算法比較了解，一些概念（過擬合、正則化、梯度下降等等）能說出個所以然來。另外可能會考一些coding（當然了比碼農崗考的coding要簡單不少），有時候甚至會給出一些面試官在工作中遇到的問題讓你說說想法。
研究型（或者說偏理論基礎的）的需要有比較強的概率統計與線性代數這樣的數學功底。曾經面過乙個研究型的ML崗位，一上來先問了乙個概率統計的問題（後來發現其實很簡單，但是多年不碰全忘了），然後答不出來，面試就結束了。。。所以數學功底必須ok，coding和專案就是加分項了
結合上面面試的問題，想必答主也能大概知道該如何準備、準備什麼了。目前看來，機器學習的碩士畢業生，想找乙個應用型的工作，需求量還是挺大的（依據：自己的面試經歷與Linkedin上po出來的jobs）
4樓：比如先生
我高中文科，大學本專業政治學，雙學位西歐中古史，大三開始學計量，現在是「資料科學家」。
轉行跟你興趣有關，跟你的起點無關。
5樓：吳祺育
不就是想轉行嗎，起點比你低，成就很高的人多的是。
可能性這東西，1%也是可能性，何況學習這條路上，並沒有什麼阻礙你前進，那就算可能性是100%吧。
6樓：張大帥
想學就學了，為啥想這麼一大坨，又不是全世界只有你乙個人要幹這事兒，又不是壞事兒，又不是不道德事兒，想幹就研究怎麼幹，思前想後的囉嗦。
7樓：我什麼也不懂
土木見長我想應該只有同濟了，出身這麼好想幹嘛就去幹嘛啊，同濟氛圍還是很寬鬆的，能最大化你的興趣，想學什麼就趕緊去學不要在知乎上浪費時間提問了，才大二還有大把的時間。
8樓：劉明昭
本身科班沒垮過專業，不過聽搞人工智慧的高大上同學說，人工智慧也並不是我們想象那麼高不可攀，尤其是有很多既有的工具或資源可用的情況下，人工智慧的鑽研就可深可淺，就看你能玩到哪個級別啦。樓主才大二，有大把時間和精力去研究學習，感心趣就放心去搞吧
9樓：聶廣洋
生物資訊方向算是和CS比較匹配得了，跨的幅度並不算大。同濟的生物資訊的本科生考國內計算機系的研究生或者申請國外學校的CS方向master本質上都是匹配的。我在國外讀研時候的導師就是掛靠在生物學院下的做機器學習方向的教授。
再說說機器學習的問題，如果以這個方向來說，本科基本是不夠用的，至少從我做機器學習和資料探勘到現在為止工作過和接觸過的公司的相關都不招本科生。不過計算機的方向實在是很多，在大一大二就決定方向我覺得為時尚早，先把基礎打牢，程式語言、演算法和資料結構還有高數和線代的基礎部分都要掌握好。成績也刷高一些，這樣不管是考研還是出國讀研都是有幫助的。
10樓：
感覺只有最後乙個問題本人能回答，從招聘來看博士一般是(機器學習)研究，碩士是研發，本科是開發，側重點不一樣。跨專業一般都不是好簡單的，個人也跨過兩個專業，本科我們差不多都是生命科學，只不過我沒考研，直接工作軟體開發(其實也很難找)，現在是機器學習資料探勘相關。HR一般跨專業的絕大多數直接丟，校招好一點，社招即便寫過大型工程也是秒拒(HR也是偏好概率高的，也不想被罵是不？
)，機器學習相關更是(雖然機器學習工作並不是多難，但是有一條無形的屏障，經歷過的人才知道，而且招聘數量並沒有太多和軟體開發招聘數量差了太多)，建議想自己出來就做機器學習相關，考研吧，你也可以兩手抓，大四試試投簡歷。
11樓：
看到我濟學弟（妹）出現在時間線上來答乙個，僅供參考。
生物資訊方向的可以的，接觸過本校生科院跨轉CS的人。可以自學加參加各種相關比賽，保研或出國都行的。
退一萬步講，我乙個純土木的都轉成了，你們沒問題的。
12樓：
不就是同濟嘛
本科開始學也沒啥啊，公開課網上不都有一堆嗎？
讀個研當然好了，本科學歷很多公司不看簡歷直接丟的。非要讀國外應該不至於。
大資料，機器學習，資料探勘是對應大學什麼專業？
4Fires 在你的問題中機器學習可以作為乙個單獨的學科開設，但大資料和資料探勘涉及多學科，是多個專業領域的交叉融合。大資料報含資料探勘的內容，資料探勘需要機器學習來支撐。它們的學科基礎是線性代數 數理統計 工程數學 凸優化 優化演算法 數值計算 計算機基礎。每個大學的本科專業都有不同，只能給你些參...
機械專業如何準備從事機械人行業？
cooper sheldon 機械專業出身的人對於機構的力學效能分析相比較其他專業的人有更加直觀的理解。可以從理論力學為基礎，對機械人的動力學進行研究，這樣就能夠對被控物件的數學模型有更加深刻的理解。同時多注意學習一些經典及現代控制理論方面的知識，畢竟你想做的是機械人的控制方向，對於控制的基本概念要...
機器學習，資料探勘的書有哪些？
袖裡乾坤 Kevin Murphy 和周志華比較現代 王禮 資料分析方面較經典的書 輸入淺出資料分析 深入淺出統計學 精益資料分析 Excel應用大全 等 資料探勘較好的入門的書 資料探勘概念與技術 Clementine資料探勘方法及應用 信用風險評分卡研究 機器學習 R語言實戰 利用Python進...