我的轉職路徑：銀行員（31K） ➞ 銀行員（33K） ➞ 財務人員（28k） ➞ Java後端工程師（35K） ➞ Python後端&AI工程師（45K） ➞ 工程師小主管（65K） ➞ Python後端&AI工程師（92K）
變化比較大的是從財務人員轉職成Java後端工程師這段，從這邊開始說起。
我的轉職第一步是去上就業班，具體來說學了Java、Servlet、JSP、JavaScript、HTML、CSS、jQuery、Ajax、RESTful API、AWS、SQL、Git等等。雖然前後端都有學，但我當時打算走後端工程師路線，所以在我找到第一份工程師工作之後，就很少再用前端技能。
我任職的第一間軟體公司，有自家的軟體產品、也有接案，而我當時負責翻新電信商的客服語音系統以及開發聊天機器人，這個案子從我入職到離職都還在做，所以在這裡我只累積了一個專案經驗，在這間公司待了一年。
使用的技術為：Java、Servlet、JSP、Tomcat、Oracle SQL。
在第一間公司滿一年之後，當時對AI有興趣，所以辭掉工作，給自己6個月的時間，開始自學Python、機器學習和深度學習。因為有了前面第一門Java的基礎，我再自學Python就很快上手，大約花了7天學會，如果你是資深工程師，那你學習Python的速度肯定比我更快。
Python的教材看的是良葛格的《Python技術手冊》和Coursera上的免費課程，至於付費的我就不提了。機器學習和深度學習的部份，有上過國內外免費和付費教材，因為是新手，所以我是從國內的教材開始看，然後發現國內課程有的都滿水的，只講皮毛，不足以真正讓我能落地開發，所以這階段累積的ML/DL作品集都是看國外課程做出來的。
具體來說，這階段重新複習了微積分、線性代數、統計學、機率等ML/DL常用到的部份，再看線性回歸、邏輯回歸、決策樹、隨機森林、支持向量機、CNN、RNN、LSTM等等演算法的原理，理解神經網路裡面的卷積層、過濾器、特徵圖、全連接層、池化層、扁平層等，還有梯度下降、反向傳播、激活函式、損失函式、L1/L2正規化、Dropout、優化方法等等不能少的知識點。
因為時間有限，要看的東西很多，每個都無法太深入，只看重點且高頻常用的，然後學習套件的使用，如Scikit-learn、Keras、OpenCV以及YOLO等，再來開始用機器學習來實作數據分析案例、用Keras做影像辨識、以及用OpenCV做傳統電腦視覺的應用。
