1. 数据工程
机器学习的思想其实很简单，就是模拟人类学习的一个过程，而这个过程中最重要的就是数据!当一位IT专业人员要在云上实现所有类型的AI策略，前提就是了解数据工程。数据工程包括一系列技能，这关系到工作流开发领域和数据整理，以及软件架构知识。
IT专业方面的知识就可以分解给不同领域的人员完成不一样的任务。比如，数据整理一般涉及数据源标识、数据质量评估、数据提取和数据集成，还有在生产环境中进行这些动作的渠道开发。
数据相关的任务通常都是最高优先级，工程师应该习惯使用各种数据库。Python是一种普遍的编程语言，有多种使用途径。即便你不是专业的Python程序员，也要具备一部分的语言知识，就可以从有关数据工程和机器学习的各种开源工具中提升技能。
2. 模型构建
机器学习是未来的方向是前途光明的一门科目，研究和开发机器学习算法可以发展你的职业。
IT团队构建模型都是运用工程师所提供的数据，接着创建软件、给予建议、预估价值和分类条目。关键是要清楚明白机器学习技术的基本知识，就算很多模型的构建过程都是在云端自动完成。
如果你是模型构建者，你就要了解数据和目标。你需要在问题来临前就先思考好解决方案，并知道怎么将它与现有系统集成。
3. 算法公平性
不同的模型有不同的算法。虽然看似简单，实际上陷阱重重。算法做出的决定会直接影响个人。有些人以自己短浅的目光训练出带有偏见的算法，网络上有很多测试和删除偏见的工具。检测模型中的偏差大概需要精确的统计和机器学习技能，对于AI和机器学习模型这是一个不可避免的问题。
4. 理解伪代码
学习如何写机器学习算法有一个好方法，就是应该更好地理解认识伪代码，这样也有助于训练我们的逻辑思维。再复杂的事情，都可以进行拆解。然后我们要了解怎么去计算它们，还有许多不同的可以互相转换的指数。通常情况下，伪代码是非常清晰的。
如何将伪代码变成你感兴趣的编程语言，学习它才最重要的事。实际上没有一个通吃的神经网络，所以当你从各个老师那学习怎样写神经网络时必定要注意，他们不会都使用同样数量的输入、隐藏层节点等等，或许连术语说法都不一样。伪代码虽然一定程度上忽视了细节，但可以让前期的你明确思路，这就是重点。
5. 领域知识
各行各业都有自己的知识体系，因此相关的行业也需要对它进行研究了解，特别是在构建算法决策工具时。用于训练机器学习模型的数据限制了它们，但是具有领域知识的工程师们可以懂得在哪应用AI并且评测其有效性。
