Q:
Hva er noen av de grunnleggende måtene karriereprofes skiller seg ut i maskinlæring?
EN:Maskinens læringssuksess krever ofte en kombinasjon av ferdigheter og opplevelser. Å gå i detalj om noen av disse prinsippene og ferdighetssettene hjelper enkeltpersoner til å forstå bedre hva selskaper leter etter når de ansetter faglærere på maskinområdet.
På en veldig grunnleggende forstand kan du si at suksess for maskinlæring ofte hviler på et tredoblet prinsipp - programmering, matematikk og innsikt. Hver av disse tre tingene er grunnleggende forskjellige, men hver av dem spiller en rolle i å utvikle en karrierefagmann som maskinlæringsekspert.
Fra programmeringsslutt blir det å vite språk som Python og R enormt nyttig, men det er også crossover-ferdigheter fra språk som COBOL, Perl og Ruby on Rails som kan ha en viss verdi. En del av det er på grunn av den grunnleggende arten av programmering - at du arbeider med å dirigere operasjonene og verdiene dit de trenger å være. Så er det også maskinlæringsprosjekter som drar fordel av legacy code.
Det andre grunnleggende prinsippet er matematikk. Personer med avanserte matematiske ferdigheter eller skarpsindighet har ofte mye mer suksess i maskinlæringsverdenen. Når de ser på nevrale nettverk eller andre modeller, klarer de å bryte ned de matematiske ligningene som fører til nettverksutgangene. Folk snakker ofte om at nevrale nettverk er "svarte bokser" selv for teknikere - men i den grad du er erfaren i matematikk, kan du begynne å reise mot en bedre forståelse av hva programmet gjør.
Det fører til det tredje prinsippet, som er innsikt. Å forstå sannsynlighetsstatistikk hjelper virkelig på suksess for maskinlæring. Det er fordi med maskinlæring flytter prosjekter seg fra en rent deterministisk eller lineær programmeringssone til en ny sannsynlighetssone. Personer som er mer kunnskapsrike med sannsynlighet, kan se på vektede innspill og bedre forutsi hvilke resultater som kan være. I en annen forstand vil folk som er intuitivt kloke om maskinlæring, forstå hvordan de kan begrense bruksområdene til ting som er fornuftige.
En av de fem store fallgruvene innen maskinlæring i dag er den utbredte og vilkårlige bruken av maskinlæring i bedriftsapplikasjoner. Det er mange situasjoner der maskinlæring bare ikke er en god løsning - enten det er på grunn av systemkompleksitet, overinnredning, black box-problemet tidligere nevnt, eller noe annet. Noen av de mest verdifulle fagfolkene i maskinlæringsområdet vil være de som vet hvordan de skal velge prosjekter godt - hvordan de kan sammenstille applikasjoner for maskinlæring - og hvordan håndtere innkjøp og prosedyre som en dyktig konsulent.
