Przejście do kariery w uczeniu maszynowym [zamknięte]

Moja codzienna praca polega na tworzeniu starego oprogramowania. Robię też moje studia magisterskie z CS (w niepełnym wymiarze godzin, na podstawie kursu). Wziąłem kurs sztucznej inteligencji i uważałem, że uczenie maszynowe jest dość fascynujące, ale jak większość kursów, oferowało tylko podstawowe wprowadzenie.

Zamierzam dowiedzieć się więcej o uczeniu maszynowym i, jeśli to możliwe, znaleźć pracę w tej dziedzinie. Kiedy patrzę na oferty pracy w tej dziedzinie, jasne jest, że dla większości z nich wymagany jest tytuł doktora w dziedzinie uczenia maszynowego (lub wcześniejsze doświadczenie w tej dziedzinie ze znaczną wiedzą specjalistyczną).

Szukam porady na temat samodzielnego uczenia się, aby zdobyć doświadczenie przydatne w branży. Przynajmniej wystarczające doświadczenie, żeby wpaść na moją stopę. Zrobię oczywiste, takie jak czytanie podręczników, gazet itp. Może jakieś wysiłki typu open source, w których mogę wziąć udział lub coś, co mógłbym zrobić sam?

Przepraszam, jeśli jestem tu niejasny, ale mam nadzieję, że przynajmniej kilku z was dokonało podobnej zmiany i może doradzić.

Dzięki !

Masz rację, uczenie maszynowe to fascynująca dziedzina. Sam kończę uniwersytet z silnym naciskiem na uczenie maszynowe i wkrótce będę szukał pracy w dziedzinie ogólnej. Nie do końca też wymyśliłem, jak to zrobić.

Ale ogólne uczenie maszynowe jest dość szeroką dziedziną. Sugerowałbym, aby uzyskać bardziej szczegółowe. Którą dziedziną obejmującą uczenie maszynowe jesteś najbardziej zainteresowany? Istnieje wiele do wyboru:

• rozpoznawanie mowy / przetwarzanie języka naturalnego
• przetwarzanie obrazu / wideo / widzenie komputerowe
• systemy medyczne
• wykrywanie oszustw
• Wyszukiwarki
• interfejsy człowiek-komputer
• ...

Wszystkie te pola (mogą) obejmują techniki uczenia maszynowego.

Z mojego doświadczenia wynika, że ​​większość ogólnych kursów uczenia maszynowego wprowadza podstawy wielu technik tylko z dwóch powodów:

1. tak jak powiedziałem: pole jest po prostu zbyt szerokie, aby wszędzie sięgać naprawdę głęboko
2. większość technik ma sens tylko wtedy, gdy są połączone z rzeczywistymi zastosowaniami

Nigdy tak naprawdę nie myślałem o SVM, dopóki nie musiałem ich użyć do własnych badań. Nigdy tak naprawdę nie rozumiałem różnych algorytmów używanych w HMM, dopóki nie zacząłem pracować nad przetwarzaniem mowy.

Kiedy szukam pracy, myślę, że jest podobnie: firmy częściej szukają osób z doświadczeniem / wiedzą w konkretnej dziedzinie, w której pracują, niż w ogólnej dziedzinie uczenia maszynowego. Zadania związane z uczeniem maszynowym są bardziej prawdopodobne na stanowiskach badawczych / doktorskich / postdoc.

Przetwarzanie języka naturalnego jako praktyczne zastosowanie uczenia maszynowego

Pracuję w pełnym wymiarze godzin i studiuję w niepełnym wymiarze godzin w lingwistyce komputerowej (aka NLP, przetwarzanie języka naturalnego). Na tym polu jest mnóstwo uczenia maszynowego, takiego jak rozpoznawanie mowy, klasyfikacja dokumentów itp. Klucz stanowi solidną podstawę matematyki, statystyki i zapisu logicznego. Weź udział w zajęciach z tych dziedzin, aby nauczyć się (lub utrwalić swoją wiedzę) przed ukończeniem studiów, ponieważ samodzielne nauczenie się tego tematu może być trudne.

Książki

Zauważ też, że w przeciwieństwie do wielu innych dziedzin CS, dziedzina uczenia maszynowego jest mocno podzielona między praktyków i teoretyków. Praktycy używają uczenia maszynowego jako narzędzi, a teoretycy chcą udowodnić i ulepszyć metody uczenia maszynowego. Wynikającym z tego problemem jest to, że książki o uczeniu maszynowym są zwykle pisane z punktu widzenia teoretyków, podobnie jak książka Hastie. Jedyną książką dla praktyka, którą znalazłem, jest „Programowanie kolektywnej inteligencji” Segaran, która obejmuje podstawowe pojęcia. Nadal nie znalazłem książki dobrego lekarza na temat SVM, PCCM itp.

Uczenie maszynowe ma ogromne prawdopodobieństwo i statystyki, więc podjęcie kilku zaawansowanych kursów z tych przedmiotów byłoby naprawdę świetnym miejscem na rozpoczęcie.