Q:
Hvad er nogle af de grundlæggende måder, som karriereprofæer skiller sig ud i maskinlæring?
EN:Maskinlæringssucces kræver ofte en kombination af færdigheder og oplevelser. At gå i detaljer om nogle af disse principper og dygtighedssæt hjælper enkeltpersoner med at forstå, hvad virksomhederne leder efter, når de ansætter fagfolk til maskinlæring.
I en meget grundlæggende forstand kan du sige, at succes med maskinlæring ofte hviler på et tredobbelt princip - programmering, matematik og indsigt. Hver af disse tre ting er grundlæggende forskellige, men hver af dem spiller en rolle i udviklingen af en karriereprofessionel som maskinlæringsekspert.
Fra programmeringsafslutningen bliver kendskab til sprog som Python og R utroligt nyttigt, men der er også crossover-færdigheder fra sprog som COBOL, Perl og Ruby on Rails, der kan have en vis værdi. En del af det er på grund af den grundlæggende karakter af programmering - at du har at gøre med at dirigere operationerne og værdierne, hvor de har brug for. Derefter findes der også maskinlæringsprojekter, der drager fordel af ældre kode.
Det andet grundlæggende princip er matematik. Mennesker med avancerede matematiske færdigheder eller skarpsindighed har ofte langt større succes i maskinlæringsverdenen. Når de ser på neurale netværk eller andre modeller, er de i stand til at nedbryde de matematiske ligninger, der fører til netværksudgangene. Folk taler ofte om, at neurale netværk er "sorte kasser", selv for teknikere - men i det omfang du er dygtig i matematik, kan du begynde at rejse hen imod en bedre forståelse af, hvad programmet laver.
Det fører til det tredje princip, som er indsigt. At forstå sandsynlige statistikker hjælper virkelig med maskinlæringssucces. Det skyldes, at med maskinlæring bevæger projekter sig fra en rent deterministisk eller lineær programmeringszone ind i en ny sandsynlighedszone. Personer, der er mere kyndige med sandsynligheden, kan se på vægtede input og bedre forudsige, hvilke resultater der kan være. I en anden forstand vil folk, der er intuitivt kloge med maskinindlæring, forstå, hvordan man begrænser dens applikationer til ting, der giver mening.
En af de store fem faldgruber inden for maskinlæring i dag er den florerende og vilkårlige anvendelse af maskinlæring i virksomhedsapplikationer. Der er mange situationer, hvor maskinlæring bare ikke er en god løsning - uanset om det er på grund af systemkompleksitet, overfitting, den tidligere nævnte black box-problem eller noget andet. Nogle af de mest værdifulde fagfolk i maskinlæringsrummet vil være dem, der ved, hvordan man vælger projekter godt - hvordan man sammenstiller applikationer til maskinlæring - og hvordan man håndterer buy-in og procedure som en kvalificeret konsulent.
