F:
Vilka är några av de grundläggande sätt som karriärproffs sticker ut i maskininlärning?
A:Maskininlärningssucces kräver ofta en kombination av färdigheter och erfarenheter. Genom att gå i detalj om några av dessa principer och färdighetsuppsättningar hjälper individer att bättre förstå vad företag letar efter när de anställer maskinlärare.
I en mycket grundläggande mening kan man säga att maskininlärningssuccé ofta vilar på en tredubbelt princip - programmering, matematik och insikt. Var och en av dessa tre saker är grundläggande olika, men var och en av dem spelar en roll för att utveckla en karriärspecialist som maskininläringsekspert.
Från programmeringsslutet blir kännedom språk som Python och R oerhört användbart, men det finns också crossover-färdigheter från språk som COBOL, Perl och Ruby on Rails som kan ha något värde. En del av det är på grund av programmets grundläggande karaktär - att du arbetar med att dirigera operationerna och värdena där de behöver vara. Sedan finns det också maskininlärningsprojekt som drar nytta av äldre kod.
Den andra grundläggande principen är matematik. Människor med avancerade matematiska färdigheter eller skicklighet har ofta mycket mer framgång i maskininlärningsvärlden. När de tittar på neurala nätverk eller andra modeller kan de bryta ner de matematiska ekvationerna som leder till nätverksutgångarna. Folk pratar ofta om att neurala nätverk är "svarta rutor" även för tekniker - men i den utsträckning du är kunnig i matematik kan du börja resa mot en bättre förståelse för vad programmet gör.
Det leder till den tredje principen, som är insikter. Att förstå sannolikhetsstatistik hjälper verkligen till framgång för maskininlärning. Det beror på att maskininlärning flyttar projekt från en rent deterministisk eller linjär programmeringszon till en ny sannolikhetszon. Personer som är mer kunniga på sannolikheten kan titta på viktade ingångar och bättre förutsäga vilka resultat som kan bli. Men i en annan mening förstår människor som är intuitivt kloka med maskininlärning hur man begränsar dess applikationer till saker som är vettiga.
En av de stora fem fallgroparna inom maskininlärning idag är den övergripande tillämpningen av maskininlärning i företagstillämpningar. Det finns många situationer där maskininlärning helt enkelt inte är en bra lösning - oavsett om det är på grund av systemkomplexitet, övermontering, den svarta rutan som tidigare nämnts eller något annat. Några av de mest värdefulla yrkesverksamma inom maskininlärningsutrymmet är de som vet hur man väljer projekt väl - hur man sammanställer applikationer för maskininlärning - och hur man hanterar inköp och procedur som en skicklig konsult.
