Technologiczne, Gadżety, Telefony Komórkowe, Pobieranie Aplikacji!

Jakich umiejętności potrzebujemy, aby zostać ekspertem w zakresie uczenia maszynowego (wzmacniania)?

W różnych momentach niektóre oferty pracy są przyciągane przez szerokie grono użytkowników, instytucji edukacyjnych i firm, a każdy chce osiągnąć najwyższą wiedzę i umiejętności w jak najkrótszym czasie.

Na przykład w pewnym momencie wszyscy chcieli nauczyć się programowania i tworzenia stron internetowych, a niektóre szkoły myślały o zarabianiu pieniędzy na tytułach, które miały głównie charakter reklamowy (nauczyć się programowania i projektowania profesjonalnych stron internetowych w mniej niż tydzień).

Po pewnym czasie rynek pracy SEO stał się gorący i prawie wszyscy twierdzili, że są SEO i mógłby udzielać fachowych porad firmom w tej dziedzinie, podczas gdy niektóre z tych osób korzystały z robotów do wysyłania zalewu ruchu do witryn, co zapewniało Google ranking tych witryn. Usuń ze strony wyników.

Od jakiegoś czasu ta gorączka wkroczyła w świat sztucznej inteligencji i uczenia maszynowego i zaobserwowaliśmy, że niektóre szkoły zaczęły reklamować się na różne sposoby; co ciekawe, niektóre firmy również publikują dość dziwne reklamy z tego zakresu. Na przykład agencja sprzedaży biletów lotniczych publikuje ogłoszenie o pracę dla inżyniera głębokiego uczenia się.

Zagadnienie to skłoniło nas do sprawdzenia w tym artykule, jaki plan działania osoba zainteresowana światem uczenia maszynowego (nadzorowanego, bez nadzoru i wzmocnionego) powinna zdobyć wymagane umiejętności, ile czasu zajmie osiągnięcie tego celu. warto wysyłać CV i jaki jest stan rynku pracy w tej dziedzinie.

Sytuacja na rynku pracy

Statystyki pokazują, że od 2015 roku do chwili obecnej liczba nauczanie maszynowe inżynierów wzrosła, a średnia pensja tych specjalistów na całym świecie wynosi 146 085 dolarów.

Załóżmy, że pasjonujesz się danymi, automatyzacją i algorytmami. W tym wypadku, nauczanie maszynowe to dobry wybór kariery, ponieważ w ciągu dnia pracy będziesz miał do czynienia z ogromną ilością surowych danych, wdrażaniem algorytmów do przetwarzania danych oraz automatyzacją procesów i optymalizacją algorytmów. Kolejny powód wejścia na boisko uczenia maszynowego atrakcyjne są różne ścieżki kariery przed Tobą. Mając doświadczenie w uczeniu maszynowym, możesz mieć lukratywną karierę jako inżynier uczenia maszynowego, analityk danych, specjalista ds. przetwarzania języka naturalnego, programista analityki biznesowej, projektant interaktywnego chatbota i podobnych przykładów.

Jednym z głównych powodów rentowności nauczanie maszynowe przedsiębiorstw jest to, że umiejętności związane z tą technologią odpowiadają potrzebom przedsiębiorstw. Nauczanie maszynowe pomaga firmom przezwyciężyć problemy gospodarcze i uzyskać większy zysk, dostarczając trafne rozwiązania. Na przykład podczas epidemii koronaawirusa firmy takie jak Microsoft i Amazon osiągnęły ogromne zyski dzięki platformom i usługom opartym na chmurze nauczanie maszynowe.

Ponadto między firmami zawsze istnieje ostra konkurencja, jeśli chodzi o przyciągnięcie nauczanie maszynowe specjaliści; nowością w tej dziedzinie jest zatrudnianie specjaliści od uczenia maszynowego.

Apple będące własnością Google. Ian Goodfellow, jeden z byłych dyrektorów Apple, który złożył rezygnację ze stanowiska w związku z rygorystyczną polityką firmy dotyczącą powrotu pracowników do pracy, został niedawno zatrudniony przez zespół DeepMind (spółka zależna Alphabet). Pracując w Apple, Goodfellow był odpowiedzialny za nadzorowanie wyników firmy maszyny.

Zawody oparte na danych, więcej możliwości zatrudnienia

Poza Iranem małe i duże firmy publikują codziennie ogłoszenia o rekrutacji specjalistów od sztucznej inteligencji i osób potrafiących pracować z danymi.

Co roku odbywają się różne kongresy, seminaria i konferencje poświęcone tematyce sztuczna inteligencja i jego podkategorie. Niektóre firmy i startupy poważnie zajmują się tą dziedziną, ale w porównaniu do światowych standardów tej dziedziny w świecie technologii w Iranie. Jednak w Iranie część firm w dalszym ciągu wykorzystuje tradycyjne mechanizmy prowadzenia działalności gospodarczej.

Jest jeszcze dużo pracy do zrobienia. Dlatego rynek pracy dla sztucznej inteligencji I nauczanie maszynowe specjaliści w Iranie nie są nasyceni; Dlatego w ciągu najbliższych kilku lat będziemy świadkami wzrostu liczby ogłoszeń o pracę związanych z ofertami pracy opartymi na danych.

Na całym świecie zaobserwowaliśmy 74% roczny wzrost liczby ogłoszeń o pracę związanych z nauczanie maszynowe I sztuczny inteligencja. Jedną z przyczyn tego problemu jest natura tej nauki.

W porównaniu z innymi umiejętnościami w branży IT, uczenie maszynowe nie ogranicza się do nauki pracy z narzędziami, bibliotekami czy językami programowania, a ludzie muszą być w stanie analizować i formułować problem.

Jednak znaczna część wymaganych umiejętności specjalisty uczenia maszynowego (wzmacniania) związana jest z algebrą i statystyką. Mówiąc dokładniej, nie można twierdzić, że posiada się najwyższy poziom mistrzostwa w programowaniu uczenia maszynowego, nie mając jednocześnie umiejętności analizowania i wdrażania formuł matematycznych. Zwłaszcza przepisy, o których wspomnieliśmy w artykule o algorytmach uczenia się przez wzmacnianie.

Dlatego niewiele szkół prywatnych może organizować zajęcia szkoleniowe z programowania. Uczenie maszynowe jest wzmocnieniem. Znajomość matematyki i statystyki, opanowanie języków programowania oraz popularnych bibliotek z tej dziedziny pomoże Ci w znalezieniu dobrych ofert pracy w uczeniu maszynowym lub data science. Kolejna istotna rzecz, o której należy wspomnieć nauczanie maszynowe jest to, że niektóre stanowiska pracy w tej dziedzinie są mniej znane.

Jednym z takich stanowisk jest inżynier MLOps. Poniżej przyjrzymy się pokrótce temu stanowisku, a następnie przejdziemy do umiejętności, których potrzebuje inżynier uczenia się przez wzmacnianie.

Co to są MLOpy?

Większość osób chcących wejść do branży danych będzie musiała nauczyć się umiejętności uczenia maszynowego. MLS znajduje się na skrzyżowaniu nauki o danych, zrzutów i inżynierii danych. Inżynier MLOps zapewnia uczenie maszynowe modele od testów po produkcję z wykorzystaniem umiejętności inżynierii oprogramowania i analityki danych. MLOps zajmuje pierwsze miejsce w rankingach ofert pracy LinkedIn ze wzrostem o 9,8%.

Jednak większość analityków danych nie wykorzystuje modeli, które tworzą, do produkcji. Problem ten spowodował, że firmy stanęły przed problemem luki pomiędzy projektowaniem modeli a ich wdrażaniem modele uczenia maszynowego. Oni nie mogą używać, ponieważ nigdy nie będą dostępne dla użytkownika końcowego. Inżynieria MLOps ma na celu wypełnienie tej luki i umożliwienie firmom komercyjnego wykorzystania modeli analizy danych i czerpania z nich korzyści.

Inżynieria MLOps powinna uwzględniać szybko rozwijającą się dziedzinę, w miarę jak firmy stopniowo zdają sobie sprawę, że sami badacze danych nie są w stanie stworzyć wartościowego produktu nauczanie maszynowe Model.

Niezależnie od tego, jak dokładny jest model uczenia maszynowego, nie będzie on konstruktywny, jeśli nie będzie można go zastosować w środowisku produkcyjnym. Większość osób chcących wejść do branży danych koncentruje się na nauce danych. Dlatego dobrym pomysłem jest zdobycie umiejętności wymaganych w MLOps, ponieważ jest to lukratywna kariera, a rynek pracy poza Iranem nie jest nasycony.

Jak zostać inżynierem uczenia maszynowego wzmocnień?

W nie tak odległej przeszłości znajomość opcji tabel przestawnych w Excelu była uważana za jedną z umiejętności wymagających wysokiego poziomu, a opanowanie języka programowania Python było ogromną zaletą, ponieważ niewielu programistów znało ten język.

Obecnie szeroka gama specjalistów, których dziedzina pracy ma niewiele wspólnego ze sztuczną inteligencją i nauczanie maszynowe biegle posługują się tym językiem programowania, dlatego jednym z niezbędnych warunków podjęcia pracy związanej z uczeniem maszynowym (wzmocnieniem) jest opanowanie języka lub opcji programowania Python.

Załóżmy, że szukasz transformacji w swojej dziedzinie pracy i chcesz wejść w świat sztucznej inteligencji, a w szczególności uczenia maszynowego ze wzmacnianiem. W takim przypadku przedstawimy Ci plan działania składający się z 9 kroków, który pokaże, od czego powinieneś zacząć i jak zacząć od jednego kroku. Przejdź do następnego kroku.

Rysunek 1 przedstawia 9-etapową ścieżkę do zostania inżynierem uczenia maszynowego. Na szczęście istnieją dobre zasoby online i offline, które pomogą Ci osiągnąć wysoki poziom biegłości na każdym z tych kroków. Średnio, jeśli w pełnym wymiarze godzin i intensywnie skupisz się na dziewięciu krokach opisanych w tym artykule, będziesz mieć możliwość przesłania CV miejsc pracy wykorzystujących sztuczną inteligencję w ciągu dziesięciu miesięcy.

Należy wyjaśnić, że umiejętności i narzędzia wykorzystywane w uczeniu maszynowym z przełożonymi, bez nadzoru i ze wzmocnieniem mają dużą zbieżność. W niektórych przypadkach występują różnice.

rysunek 1

Krok 1. Staraj się zrozumieć podstawy

Poświęć kilka pierwszych tygodni na budowanie ogólnej wiedzy z zakresu analityki danych i nauczanie maszynowe. Być może masz już pomysły i wiesz co nauczanie maszynowe jest, ale jeśli chcesz zostać ekspertem, musisz skupić się na poznaniu jak największej liczby szczegółów. Radzę spędzić pierwsze kilka tygodni na nauce następujących umiejętności:

  • Co to jest analiza?
  • Czym jest nauka o danych?
  • Co to są duże dane?
  • Co to jest uczenie maszynowe?
  • Czym jest sztuczna inteligencja?
  • Jaka jest różnica pomiędzy uczenie maszynowe i sztuczna inteligencja, i jak są ze sobą powiązane?
  • Jak te nauki są wykorzystywane w realnym świecie?

Następnie napisz post na blogu i wyjaśnij te pojęcia innym własnymi słowami, aby mogli je właściwie zrozumieć.

Krok 2. Skoncentruj się na nauce zagadnień statystycznych

Muszę przyznać prawdę. Chociaż mam pewną wiedzę w zakresie uczenia maszynowego, nie sądzę, że mam duże umiejętności w zakresie statystyki. Oczywiście źródło tego problemu sięga poziomów przeduniwersyteckich, gdzie matematyki, statystyki i geometrii nie naucza się elokwentnie. Dlatego musisz sam poświęcić czas na naukę tych tematów. W rezultacie ten problem będzie Ci towarzyszył po wejściu na uniwersytet.

Możesz być naukowcem zajmującym się danymi, nie stając się zawodowym statystykiem, ale rzeczywistość jest taka, że ​​nie możesz ignorować koncepcji statystycznych związanych z uczeniem maszynowym i nauką o danych. Dlatego musisz zrozumieć podstawowe pojęcia, aby wiedzieć, kiedy ich użyć. Jeśli potrafisz zrozumieć pojęcia nauk statystycznych, nie napotkasz w przyszłości żadnych szczególnych problemów związanych z analizą modeli. Krótko mówiąc, sugeruję skupienie się na nauce następujących pojęć.

  • Struktury i kolekcje danych.
  • Próbowanie.
  • Podstawowe zasady prawdopodobieństwa.
  • Rozkład zmiennych losowych.
  • Wnioskowanie jest związane z danymi liczbowymi i klasyfikacją.
  • Jego regresja liniowa, wielokrotna i logistyczna (potrzebujesz tych tematów w prawie wszystkich gałęziach uczenia maszynowego).

Zrób listę zasobów, które najłatwiej uczą powyższych tematów. Dobrymi źródłami w tej dziedzinie są Statistics and Probability in Computer Engineering autorstwa Parviza Nasiriego, książki Introductory Statistics and Probability autorstwa Javada Behbodiana oraz Statistics and Probability autorstwa Nargesa Abbasi. W Internecie dostępnych jest wiele zasobów internetowych w języku perskim i angielskim.

Krok 3. Naucz się języka Python lub R (lub obu) do analizy danych

Nauka kodowania jest bardziej przystępna, przyjemna i satysfakcjonująca, niż większość ludzi zdaje sobie sprawę. O ile opanowanie języka programowania jest procesem ciągłym, to już na tym etapie powinieneś zapoznać się z procesem uczenia się języka, który nie jest taki trudny. Python i R to popularne opcje, a opanowanie jednego może ułatwić naukę drugiego. Zacząłem od języka programowania R i przeszedłem do Pythona.

W obu przypadkach warto pomyśleć o poznaniu następujących pojęć:

  • Poznanie struktur danych i struktur danych oraz sposobów ich definiowania.
  • To Jak współdziałać z danymi i plikami w docelowym języku programowania.
  • Jakościowa analiza danych.
  • Czyszczenie i przygotowanie danych.
  • Manipulacja danymi (sortowanie, filtrowanie, agregacja itp.).
  • Wizualizacja danych.

Krok 4. Ukończ projekt eksploracyjnej analizy danych

Eksploracyjna analiza danych to badanie danych w celu zrozumienia ukrytych w nich informacji i udostępnienia ich użytkownikom. Ten etap nauki to najbardziej ekscytująca część historii, która dostarcza wielu cennych wskazówek związanych z analizą danych. Do kluczowych tematów, na których powinieneś się skupić podczas nauki, należą:

  • Odkrycia jednowymiarowe.
  • Eksploracje sparowane i wielowymiarowe.
  • Jego Wizualizacja i możliwość pracy z Tableau. Należy wyjaśnić, że oprogramowanie służy do wizualizacji danych w data science i business intelligence.

Krok 5. Stwórz modele uczenia się bez nadzoru

Załóżmy, że mamy dane dotyczące wszystkich krajów świata oraz informacje dotyczące populacji, poziomu dochodów, stanu zdrowia, głównych gałęzi przemysłu i innych rzeczy. Teraz chcemy określić, które kraje są podobne pod względem powyższych parametrów. Jak to zrobić? Jeśli mamy zamiar porównywać różne kraje w oparciu o parametry przekraczające czasami 50 przypadków, w oparciu o jakie automatyczne i inteligentne rozwiązanie powinniśmy wykonać to zadanie we właściwy sposób?

To tutaj do gry wchodzą nienadzorowane algorytmy uczenia maszynowego. Nie czas teraz na zanudzanie Cię szczegółami, ale dobra wiadomość jest taka, że ​​jeśli dotarłeś tak daleko, wkroczyłeś w świat uczenia maszynowego.

Wśród tematów, na których warto się skupić podczas nauki na tym etapie, należy wymienić:

  • K-oznacza grupowanie.
  • Regulamin stowarzyszenia.
  • Jego powszechnie używane algorytmy są wykorzystywane w uczeniu się bez nadzoru i przez wzmacnianie.

Krok 6. Stwórz modele uczenia się nadzorowanego

Jeśli masz informacje o milionach osób ubiegających się o pożyczkę i ich historii spłat, w jaki sposób możesz zidentyfikować wnioskodawców kwalifikujących się do otrzymania pożyczki?

Czy w innym przykładzie, na podstawie danych z przeszłości, możesz przewidzieć współczynnik reakcji użytkowników na cyfrową kampanię reklamową? Czy są ludzie?

Algorytmy nadzorowanego uczenia się służą do zapewnienia rozwiązania powyższych problemów. Chociaż istnieje wiele algorytmów do opanowania, niektóre są bardziej popularne i oferują praktyczne możliwości rozwiązywania rzeczywistych problemów. Wśród kluczowych tematów, które powinieneś pomyśleć o uczeniu się, są następujące:

  • Regresja logistyczna.
  • Drzewa klasyfikacyjne.
  • Jego modele zespołowe, takie jak losowy las i pakowanie.
  • Nadzorowała maszyny wektorowe.

Aby rozpocząć, pobierz zbiór danych i utwórz modele, korzystając z algorytmów uczenia się. Szkolenie, testowanie i dostrajanie każdego modelu w celu poprawy wydajności to ważne kwestie.

Krok 7. Poszerz swoją wiedzę na temat technologii związanych z Big Data

Większość używanych obecnie modeli uczenia maszynowego istnieje od dziesięcioleci. Algorytmy te są nadal używane, ponieważ mają dostęp do dobrego zbioru danych, a te duże zbiory danych umożliwiają algorytmom dostarczanie wartościowych i niezawodnych wyników.

Inżynieria i architektura danych to wyspecjalizowana dziedzina, ale każdy profesjonalista zajmujący się uczeniem maszynowym powinien wiedzieć, jak pracować z dużymi zbiorami danych, niezależnie od branży, w której planuje wejść.

Zrozumienie, w jaki sposób duże ilości danych można przechowywać, przetwarzać i najłatwiej uzyskać do nich dostęp, jest niezbędne do wdrożenia rozwiązań, które można zaprojektować w praktyce. Wśród najważniejszych tematów, o których warto pomyśleć podczas nauki na tym etapie, należy wymienić:

  • Przegląd dużych zbiorów danych i ich ekosystemu.
  • Znajomość technologii Hadoop, HDFS, MapReduce, Pig i Hive.
  • Poznajemy Sparka.

Krok 8. Dowiedz się, jak działają modele głębokiego uczenia się

Modele głębokiego uczenia się pomogły firmom takim jak Apple i Google w tworzeniu oprogramowania takiego jak Siri czy Google Assistant. Pomagają światowym gigantom testować samochody autonomiczne i polecają lekarzom najlepsze kursy leczenia.

Maszyny mogą widzieć, słuchać, czytać, pisać i mówić dzięki modelom głębokiego uczenia się, które chcą zmieniać świat na wiele sposobów. Na przykład zacznij od zbudowania modelu, który będzie w stanie odróżnić obraz kwiatu od owocu. Powyższe podejście może nie pomóc w opracowaniu samochodu autonomicznego, ale z pewnością pomoże w zrozumieniu jego ścieżki.

Wśród najważniejszych tematów, na których warto się skupić na tym etapie, należy wymienić następujące:

  • Sztuczne sieci neuronowe.
  • Przetwarzanie języka naturalnego.
  • Splotowe sieci neuronowe.
  • Framework Tensorflow.
  • Otwórz CV.

Jako ćwiczenie początkowe zbuduj model, który będzie w stanie poprawnie zidentyfikować obrazy dwóch znajomych lub członków rodziny.

Krok 9. Utwórz i ukończ projekt danych

Jesteś prawie gotowy, aby przedstawić się firmom jako profesjonalista zajmujący się uczeniem maszynowym, ale zanim inni będą mogli zweryfikować Twoje umiejętności, musisz obiektywnie zademonstrować wszystkie tematy, których się nauczyłeś.

Jeśli dokładnie wykonałeś poprzednie osiem kroków, prawdopodobnie wiesz, jak znaleźć projekt, a dokładniej pomysł, który Cię ekscytuje, jest pomocny dla ludzi i pomaga Ci wykazać się wiedzą i umiejętnościami. Internet dał nam rzadkie możliwości znalezienia takich projektów. Na tym etapie powinieneś skupić się na nauce następujących zagadnień:

  • Gromadzenie danych, kontrola jakości, czyszczenie i przygotowanie.
  • Analiza danych rozpoznawczych.
  • Utwórz i wybierz model.
  • Przygotowanie dokumentacji związanej z projektem.

ostatnie słowo

Uczenie maszynowe i sztuczna inteligencja to umiejętności potrzebne teraz i w przyszłości. Uczenie maszynowe to dziedzina, w której nauka nigdy się nie kończy i często konieczne może być poświęcenie części czasu na naukę, aby utrzymać swoją pozycję na konkurencyjnym rynku. Jeśli jednak dobrze rozpoczniesz tę podróż, będziesz w stanie zrozumieć, jak wykonać kolejny krok na ścieżce edukacyjnej.

Pobierz motywy WordPress za darmoPobieranie premium motywów WordPressPobierz motywy WordPressPobierz bezpłatne motywy WordPress Premiumdarmowy płatny kurs Udemy do pobraniapobierz oprogramowanie redmiPobierz motywy WordPress za darmodarmowy płatny kurs Udemy do pobrania