Supongo que quiere decir: “ingeniero de software”. Pero incluso si se refiere a todo tipo de ingenieros, la escritura ya está en la pared. Lugares como Berkeley y muchos otros ofrecen cursos intensivos de Data Science a todas sus especialidades. Accenture, Cap Gemini, Gartner están trabajando en la “Transformación digital” de Fortune 500. Y ML es una parte clave. Es el otro lado de la moneda de IoT.
Dicho esto, “competencia en ML” puede significar muchas cosas diferentes. Si observa lo que sucede en el mundo real hoy en día, es: a) una gran cantidad de secuencias de comandos y piratería tradicionales para preparar y mover los datos; b) algo estándar y bibliotecas disponibles para todos en la nube; c) trate de dar sentido al resultado y, lo más importante, trate de convencer a la gerencia de que pueden confiar en él.
El ingeniero promedio necesitará una buena comprensión de la configuración general, y será más competente que antes en estadísticas, regresión lineal y los modelos detrás del algoritmo ML principal. Pero probablemente no va a pasar tiempo en algo o en problemas avanzados de aprendizaje profundo. Google, Amazon y Microsoft están haciendo eso por nosotros.
- ¿Cómo se relaciona Kalman Filter con la robótica?
- ¿Por qué Go es el único juego de mesa en el que los humanos aún pueden vencer a las computadoras de manera confiable?
- ¿Cómo medimos el rendimiento de aprendizaje de una red neuronal artificial?
- ¿Qué motor debo usar para un robot humanoide de tamaño natural (130 cm)?
- ¿Se ha trabajado en redes neuronales sin funciones de transferencia?