Más de 25 habilidades requeridas para trabajos de aprendizaje automático:
Los expertos están divididos sobre la inteligencia artificial que se apodera del mundo. La gente común ve la amenaza en la automatización. La verdadera pregunta que se debe hacer es ” ¿Qué puedo hacer para crear una ventaja sostenible sobre la IA? ”
Si los datos son el nuevo petróleo y la IA es la nueva electricidad , el pensamiento transformador es el nuevo acuerdo para la humanidad. Las personas en el siglo XXI necesitan mejorar por debajo de las 7 habilidades de pensamiento para contrarrestar la amenaza de la IA. Las primeras cuatro de estas habilidades están basadas en el pensamiento . Los tres restantes son impulsados por la empatía .
- ¿Dónde aprendo Machine Learning?
- ¿Cuál es la diferencia entre la retropropagación y la retropropagación a través del tiempo?
- ¿Cuál es la diferencia entre Deep Autoencoders y Deep Belief Networks?
- Cómo evaluar un experimento además de usar una diferencia en regresión de diferencia
- ¿Vale la pena adquirir un conocimiento profundo tanto del aprendizaje automático como de la biología? ¿Debo concentrarme?
Habilidades de pensamiento crítico
Para cada una de las habilidades de pensamiento crítico que se muestran a continuación, dan una serie de declaraciones de actividad.
- Analizando Separar o dividir un todo en partes para descubrir su naturaleza, funcionalidad y relaciones. …
- Aplicación de normas.
- Discriminante.
- Buscando información.
- Razonamiento logico.
- Predecir
- Transformando el conocimiento.
Habilidades de pensamiento creativo
Consume contenido que esté fuera de tu zona de confort.
- Ve a ver una película en una sala de cine.
- Responde una llamada telefónica con alguien que no conoces.
- Come de manera diferente.
- Haga el ejercicio “Lluvia de ideas sin malas ideas”.
Pensamiento computacional
El pensamiento computacional es el proceso de pensamiento involucrado en la formulación de un problema y la expresión de su (s) solución (es) de tal manera que una computadora, humana o máquina, pueda llevar a cabo de manera efectiva.
Abstracción: formulación del problema; Automatización: expresión de solución; Análisis: ejecución y evaluación de soluciones.
Habilidades cognitivas
Las habilidades cognitivas son habilidades basadas en el cerebro que necesitamos para llevar a cabo cualquier tarea, desde la más simple hasta la más compleja. Tienen más que ver con los mecanismos de cómo aprendemos, recordamos, resolvemos problemas y prestamos atención, en lugar de con cualquier conocimiento real.
El pensamiento cognitivo se refiere al uso de actividades y habilidades mentales para realizar tareas tales como aprender, razonar, comprender, recordar, prestar atención y más.
El pensamiento de diseño
Design Thinking es una herramienta práctica para integrar las habilidades del siglo XXI y la mentalidad de un innovador en el aula, la escuela y el lugar de trabajo. Desarrollado en Stanford d.school, Design Thinking es una metodología que enseña a las personas nuevas estrategias para resolver problemas.
Comprender las cinco categorías de inteligencia emocional (EQ)
1.) Autoconciencia . La capacidad de reconocer una emoción tal como “sucede” es la clave de su EQ.
2.) Autorregulación . A menudo tienes poco control sobre cuándo experimentas emociones.
3.) Motivación.
4.) Empatía.
5.) Habilidades sociales.
Habilidades de diversidad
Las habilidades de diversidad son las habilidades necesarias para ser flexible y adaptarse a múltiples estilos de vida y necesidades, y para aceptar los puntos de vista y la experiencia que las diferentes personas aportan al entorno de trabajo.
Habilidades que necesita para convertirse en ingeniero de aprendizaje automático
Fundamentos y programación de informática
Los fundamentos informáticos importantes para los ingenieros de Machine Learning incluyen estructuras de datos (pilas, colas, matrices multidimensionales, árboles, gráficos, etc.), algoritmos (búsqueda, clasificación, optimización, programación dinámica, etc.), computabilidad y complejidad (P vs NP, problemas de NP completo, notación big-O, algoritmos aproximados, etc.) y arquitectura de la computadora (memoria, caché, ancho de banda, puntos muertos, procesamiento distribuido, etc.).
Probabilidades y estadísticas
Una caracterización formal de la probabilidad (probabilidad condicional, regla de Bayes, probabilidad, independencia, etc.) y las técnicas derivadas de ella (redes de Bayes, procesos de decisión de Markov, modelos ocultos de Markov, etc.) están en el corazón de muchos algoritmos de Machine Learning; Estos son un medio para hacer frente a la incertidumbre en el mundo real.
Modelado y evaluación de datos
El modelado de datos es el proceso de estimar la estructura subyacente de un conjunto de datos dado, con el objetivo de encontrar patrones útiles (correlaciones, grupos, vectores, etc.) y / o predecir propiedades de instancias nunca antes vistas (clasificación, regresión, detección de anomalías, etc. .). Una parte clave de este proceso de estimación es evaluar continuamente qué tan bueno es un modelo dado.
Ingeniería de Software y Diseño de Sistemas
Al final del día, la salida o entrega típica de un ingeniero de Machine Learning es software. Y a menudo es un componente pequeño que encaja en un ecosistema más grande de productos y servicios. Debe comprender cómo funcionan estas diferentes piezas, comunicarse con ellas (mediante llamadas a la biblioteca, API REST, consultas de bases de datos, etc.) y crear interfaces apropiadas para su componente de las que dependerán otros. Puede ser necesario un diseño cuidadoso del sistema para evitar cuellos de botella y permitir que sus algoritmos se escalen bien con el aumento de los volúmenes de datos.
Otras habilidades útiles para el aprendizaje automático:
A continuación hay algunas cosas que he descubierto útiles:
Trabaja con mentores que saben más que tú y son excelentes para aclarar las cosas fácilmente para ti.
He aprendido muchas cosas de mis colegas a lo largo de los años sobre cómo ser un ingeniero de aprendizaje automático decente.
Sea un investigador mentalidad
Es esencial considerar lo que está haciendo como investigación, y tratar el procedimiento como lo haría si estuviera en un laboratorio de ciencias. Esto implica dar forma y probar teorías , intentar comprender lo que resulta mal y asegurarse de tener exámenes repetibles.
Graba tus ensayos
Es básico registrar lo que intentó, en qué condiciones, con qué datos y cuáles fueron los resultados. A pesar de todo, me esfuerzo por mostrar signos de mejora en esto. Ha habido un montón de veces que podríamos haber hecho un examen y necesitar mover el centro durante un mes o dos, en ese momento cuando volvimos a él, no pudimos recordar con precisión lo que había terminado. La investigación se trata tanto del procedimiento como de los resultados. Recuerde registrar las cosas que no funcionaron tan bien.
Acostúmbrate a las fallas
Un gran nivel de las cosas que intentarás caerá de plano . Nos energizamos en exceso con cada nueva probabilidad de abordar cualquier problema que estemos eliminando. Tenemos que codificarlo, configurarlo para que funcione de la noche a la mañana, en ese momento verificar los resultados y reconocer que simplemente no funcionó. De vez en cuando, la decepción es difícil, sin embargo, cada desilusión debe guiarlo hacia lo siguiente que puede intentar.
Analiza tus resultados / Resultados
Entonces ejecutó sus datos a través de un SVM con un núcleo gaussiano en lugar de uno polinómico y su puntaje de aprobación cruzada bajó (o subió). ¿Por qué? Intentar comprender lo que fue diverso entre sus ensayos y lo que sugieren los resultados sobre esa distinción es una parte importante de hacer bien esta actividad.
Ser un escéptico
Cuando creas que has descubierto una respuesta, haz todo lo que puedas para derribar tu pensamiento. Tener socios astutos ayuda mucho aquí, a la luz del hecho de que pueden ser tu grupo rojo. Espere que tengan la capacidad de pinchar huecos en sus pensamientos. Bienvenido a la oportunidad de arreglar los agujeros o retroceder a la fase de planificación. Es más inteligente que su espléndido arreglo caiga aquí que en tiempo real.
Acercarse a los datos con respeto
Asegúrese de que sus datos estén versionados. Tendrá que cambiarlo, limpiarlo, meterse con él. Trate de no dar a esos cambios la oportunidad de desarrollarse sin un registro decente de lo que le hizo.
Sigue aprendiendo continuamente
Leer, leer, leer . Descubra los documentos que salen de NIPS, ICML, etc. y léalos. En el caso de que no pueda comprender de qué se trata, tenga sentido de lo que tiene que descubrir cómo comprenderlos y descubra eso. Leer escribe también, ya que mostrarán los pensamientos en un lenguaje considerablemente más amigable.
También debe ver la Lista de 10 libros gratuitos que debe leer para el aprendizaje automático
Proyectos de código abierto
Siempre haga un compromiso con los proyectos de código abierto, no solo ampliará su enfoque y le permitirá perfeccionar aún más, sino que además lo asociará con las personas con inversiones similares en el grupo de construcción de programación ML.
Utilice un conjunto de entrenamiento muy grande e implemente su algoritmo en él.
Intente construir un sistema distribuido muy versátil con menos SLA y administrar una gran cantidad de datos. Utilice sitios grandes para probar su capacidad de aprendizaje.
Finalmente , no sobreajuste, visualice todo, no cree la solución hasta el momento en que tenga la sensación de que podría funcionar, siga analizando rápidamente para que pueda enfatizar, y así sucesivamente.
Tienes que apreciar un proceso iterativo de mejora . En el caso de que necesite crear un marco de aprendizaje automático, debe tener la capacidad de construir una variante 0.1 utilizando un modelo extremadamente básico rápidamente. En ese punto, repita al mostrar signos de mejora en cada etapa progresiva.
También necesita un instinto decente sobre cuándo detenerse . En cualquier marco de aprendizaje automático, simplemente puede mejorar la exactitud enfatizando más en ello. En cualquier caso, tarde o temprano, el esfuerzo que le pones supera la estima que obtienes de él. Debes tener la capacidad de reconocer ese punto.
Deberías sentirte cómodo con el fracaso. Una parte de sus modelos y pruebas fracasará. Además, eso está bien.
Deberías ser impulsado por la curiosidad. Los mejores individuos son aquellos que realmente son curiosos sobre su entorno general y canalizan ese interés al intentar el aprendizaje automático.
Necesitas una buena intuición de datos . Debe ser excelente para identificar patrones en la información. Tener la capacidad de hacer representaciones rápidas de información (utilizando R, Python, Matlab o Excel, etc.) lo que hace una gran diferencia.
Debe tener una buena sensación de métricas y ser impulsado por las mediciones . Debe tener la capacidad de construir medidas que caractericen el logro o la decepción de su marco. Debería sentirse bien con experimentos ciegos y términos como exactitud, revisión, precisión, ROC, tasas de transformación, NDCG, etc.
Todos los enfoques anteriores son completamente vitales en caso de que esté asociado con un proyecto de ML.
1. Los algoritmos de aprendizaje automático predicen, clasifican y agrupan datos .
2. El aprendizaje automático es un campo excepcionalmente amplio e interdisciplinario que consolida el álgebra lineal, las estadísticas, las habilidades de piratería, las habilidades de bases de datos y las habilidades de computación distribuida .
3. La mayoría de los especialistas en aprendizaje automático que conozco y conozco se desarrollaron en el campo; es decir, no tienen doctorados en aprendizaje automático.
4. Los puntos de datos se mencionan como puntos multidimensionales en un plano o hiperplano .
5. Los algoritmos de aprendizaje automático se pueden agrupar integralmente en algoritmos de aprendizaje supervisados y no supervisados.
6. El aprendizaje supervisado implica la utilización de puntos de datos etiquetados para anticipar las etiquetas de un ” conjunto de prueba ” sin etiquetar.
7. La regresión lineal es un ejemplo de aprendizaje automático supervisado.
8. Uno de los casos más comunes de aprendizaje no supervisado es la ” agrupación “, mediante la cual los puntos de datos se agrupan en agrupaciones algorítmicamente.
9. La médula del aprendizaje automático está limitando una llamada función de costo , regularmente a través de algoritmos iterativos como el descenso de gradiente.
10. El primer paso y el más básico en los problemas de aprendizaje automático es la extracción de características , lo que implica representar las entradas de manera coherente y significativa como puntos en un (hiper) plano.
11 El aprendizaje automático es una sección de ciencia , una sección de mano de obra . Saber cómo aplicar algoritmos es una gran parte de la historia. La especialidad del aprendizaje automático radica en la resolución eficaz de problemas, la extracción de funciones y el uso de trucos como refuerzo y arranque .
12. El aprendizaje automático guía un mayor número de partes de nuestras vidas de lo que la gran mayoría imagina, desde los sistemas de recomendación de Amazon / Google hasta enrutadores / interruptores y frenos de automóviles.
CONCLUSIÓN
Desde la perspectiva de un ingeniero de software :
Ese ML es una respuesta prometedora para algunos problemas, desde chatbots hasta autos autónomos, y es muy concebible que, como diseño de producto, su asociación pueda acercarlo para averiguar cómo explotarlo.
Que existen numerosas soluciones de código abierto que han dado una tremenda motivación al campo, por lo que no solo las organizaciones reales pueden explotarlo.
Ese ML es un campo de especialización que incluye la comprensión de soluciones matemáticas : gestión de datos, así como algunas habilidades de programación para implementar, probar y luego implementar las soluciones en un entorno de TI específico. Esta implementación puede implicar el desarrollo de aplicaciones o páginas web para interactuar y presentar los resultados de la solución, por lo que al menos debe comprender las entradas-salidas del algoritmo
Que este campo está progresando y cambiando todos los días, por lo que debe mantenerse al tanto. Aunque los keyalgorithms son maduros, los marcos y métodos todavía están aumentando.
Hay una máxima en ML ” No es quién tiene el mejor algoritmo que gana. Es quién tiene la mayor cantidad de datos “. Sin embargo, en la medida en que sé que generalmente no se aplica debido a que depende del grado de sesgo en sus datos. Por otra parte, el viejo GIGO se aplica absolutamente aquí. Necesita los datos correctos y, además, los datos correctos ( calidad de los datos).
¡¡Buena suerte!!
