Q:
Каковы некоторые из основополагающих особенностей карьерного роста профессионалов в машинном обучении?
A:Успех машинного обучения часто требует сочетания навыков и опыта. Подробное описание некоторых из этих принципов и наборов навыков помогает людям лучше понять, что компании ищут, когда нанимают специалистов по машинному обучению.
В самом базовом смысле можно сказать, что успех в машинном обучении часто основывается на трех принципах - программировании, математике и понимании. Каждая из этих трех вещей принципиально отличается, но каждая из них играет определенную роль в становлении профессионального специалиста в качестве эксперта по машинному обучению.
С самого конца программирования знание таких языков, как Python и R, становится чрезвычайно полезным, но есть также навыки кроссовера из таких языков, как COBOL, Perl и Ruby on Rails, которые могут иметь определенную ценность. Частично это связано с фундаментальной природой программирования - то, что вы имеете дело с маршрутизацией операций и значений там, где они должны быть. Тогда есть также проекты машинного обучения, которые используют преимущества унаследованного кода.
Второй фундаментальный принцип - математика. Люди с продвинутыми математическими навыками или сообразительностью часто имеют гораздо больший успех в мире машинного обучения. Когда они смотрят на нейронные сети или другие модели, они могут разбить математические уравнения, которые приводят к выходным сигналам сети. Люди часто говорят о том, что нейронные сети являются «черными ящиками» даже для техников, но в той степени, в которой вы разбираетесь в математике, вы можете начать двигаться к лучшему пониманию того, что делает программа.
Это приводит к третьему принципу, который заключается в понимании. Понимание вероятностной статистики действительно помогает в успехе машинного обучения. Это связано с тем, что с машинным обучением проекты переходят из зоны чисто детерминистического или линейного программирования в новую вероятностную зону. Люди, которые лучше разбираются в вероятности, могут взглянуть на взвешенные данные и лучше предсказать, какими могут быть результаты. Однако, в другом смысле, люди, которые интуитивно мудры в машинном обучении, поймут, как ограничить его приложения теми вещами, которые имеют смысл.
Одна из пяти главных ошибок в машинном обучении сегодня - это безудержное и неизбирательное применение машинного обучения в корпоративных приложениях. Есть много ситуаций, когда машинное обучение просто не является хорошим решением - будь то из-за сложности системы, переоснащения, проблемы черного ящика, упомянутой ранее, или чего-то еще. Некоторые из наиболее ценных профессионалов в области машинного обучения - это те, кто знает, как правильно выбирать проекты - как подбирать приложения для машинного обучения - и как обращаться с бай-ином и процедурами в качестве квалифицированного консультанта.
