La implementación de algoritmos de aprendizaje automático no le enseña mucho sobre el aprendizaje automático. La aplicación de esos algoritmos a varios conjuntos de datos: visualización de resultados intermedios, ajuste de hiperparámetros, selección y diseño de características, limpieza de datos, etc.
Para evidencia anecdótica: entrevisté a un grupo de candidatos internos (estudiantes de doctorado) para un proyecto de aprendizaje profundo aplicado justo antes del verano, y nunca solicité tal experiencia. A pesar de nunca haber implementado CNN profundos desde cero, el interno que trabajó conmigo produjo algunos resultados sorprendentes que planeamos presentar pronto a un lugar líder. Del mismo modo, conozco muchos doctorados de ML muy buscados que nunca han implementado bosques aleatorios o SVM o NN o propagación de creencias por su cuenta.
Por otro lado, es importante conocer las herramientas relevantes que se solicitan para la pasantía, por ejemplo, si va a trabajar con grandes datos, probablemente necesite conocer bases de datos a gran escala y cosas como Hadoop junto con el scikit relevante de la biblioteca ML -aprender o TensorFlow. Si le falta mucho en ese frente, tendrá dificultades para convencer al entrevistador de que lo considere.
- ¿Qué tipos de datos utilizan los informáticos para encontrar mejores valores de números irracionales como pi?
- Aprendizaje profundo: ¿Cuándo aplicamos la eliminación de ruido en el codificador automático de eliminación de ruido?
- ¿A qué coaching / instituto debo unirme para un curso de aprendizaje de big data?
- ¿Es una buena idea pasar a Big Data (Hadoop)? Tengo más de 11 años de experiencia en .NET y C ++.
- ¿Dónde puedo obtener una descripción de esquema de los datos de Microsoft Academic Graph?
