Quel Est Le Moyen Le Plus Rapide D’entrer Dans L’industrie De L’apprentissage Automatique ?

Posted on by Baudouin Cordonnier

Je viens d’un milieu universitaire, j’ai interrompu mes études de doctorat pour rejoindre une startup de ML. Il existe quelques bonnes façons d’entrer dans l’industrie, il est difficile de dire laquelle est « la meilleure ». Il existe cependant de nombreuses mauvaises manières. La première est l’étude. Ne téléchargez pas Tensorflow, PyTorch ou tout autre package de ML avant d’avoir appris quelques principes fondamentaux. Assurez-vous de bien comprendre la portée du ML. Apprenez ce qu’est l’apprentissage supervisé, l’apprentissage non supervisé, l’apprentissage semi-supervisé et l’apprentissage par renforcement. Ayez quelques e…

Continuez avec Quora+Déverrouillez cette réponse et soutenez des créateurs comme Elliott Zaresky-Williams en rejoignant Quora+Commencer l’essai gratuitEn savoir plus

L’apprentissage automatique fait référence à une technique d’analyse de données, qui apprend aux ordinateurs à effectuer ce qui vient naturellement à l’homme : apprendre par l’expérience. Le terme a été inventé en 1959 par Arthur Samuel, un pionnier américain dans les domaines de l’intelligence artificielle et des jeux. L’apprentissage automatique est sans aucun doute le dernier mot à la mode dans le paysage technologique, car il s’agit de l’un des sous-domaines les plus intéressants et les plus prometteurs de l’informatique.

En termes simples, l’apprentissage automatique utilise des techniques de calcul pour apprendre des informations directement à partir des données sans dépendre d’équations prédéterminées comme modèles. L’algorithme

Continuer la lecture

L’apprentissage automatique fait référence à une technique d’analyse de données, qui apprend aux ordinateurs à effectuer ce qui vient naturellement à l’homme : apprendre par l’expérience. Le terme a été inventé en 1959 par Arthur Samuel, un pionnier américain dans les domaines de l’intelligence artificielle et des jeux. L’apprentissage automatique est sans aucun doute le dernier mot à la mode dans le paysage technologique, car il s’agit de l’un des sous-domaines les plus intéressants et les plus prometteurs de l’informatique.

En termes simples, l’apprentissage automatique utilise des techniques de calcul pour apprendre des informations directement à partir des données sans dépendre d’équations prédéterminées comme modèles. Les algorithmes améliorent leurs performances de manière adaptative à mesure que le nombre total d’échantillons disponibles pour l’apprentissage augmente.

Méthodes d’apprentissage automatique

Les tâches sont généralement classées en grandes catégories dans l’apprentissage automatique. Ces catégories sont basées sur la manière dont le retour d’information sur l’apprentissage est offert au système développé ou sur la manière dont l’apprentissage est reçu. Deux des méthodes d’apprentissage automatique les plus couramment utilisées sont l’apprentissage supervisé et l’apprentissage non supervisé. Voyons ces méthodes plus en détail.

Enseignement supervisé

Ici, des exemples d’entrées sont fournis à la machine, qui est marquée comme leurs sorties préférées. L’objectif de l’utilisation de cette méthode est de faire apprendre l’algorithme en comparant sa sortie réelle avec les sorties apprises pour identifier les erreurs et modifier le modèle en conséquence. Un exemple courant d’apprentissage supervisé consiste à utiliser des données historiques pour prédire des événements futurs statistiquement probables.

Apprentissage non supervisé

Les données restent non étiquetées dans l’apprentissage non supervisé, ce qui rend l’algorithme d’apprentissage responsable de la recherche de points communs entre ses données d’entrée. Les méthodes d’apprentissage automatique capables de faciliter cette méthode sont particulièrement précieuses car les données non étiquetées sont plus abondantes dans la nature que les données étiquetées. L’objectif de l’apprentissage non supervisé peut être simplement considéré comme l’identification de modèles cachés dans un ensemble de données. Cette méthode est couramment utilisée pour les données transactionnelles. Sans qu’on lui enseigne une réponse correcte, cette méthode peut examiner des données complexes, qui sont apparemment sans rapport et plus vastes afin de les organiser de différentes manières potentiellement significatives.

Je déteste voir cette question obtenir si peu de réponses. Je ne me qualifie pas comme ayant une carrière dans l’apprentissage automatique car je ne passe pas la majorité de mon temps à rechercher des algorithmes à un niveau théorique. Cependant, j’ai une carrière qui implique l’apprentissage automatique dans la pratique, et je vais le décrire pour vous. En tant que Data Scientist, je décrirais ma carrière comme :

  • Amusant – Résoudre des problèmes est tout simplement amusant. J’aime penser à un problème de science des données comme à un jeu Nintendo : certaines parties peuvent être très frustrantes et vous donner envie d’arrêter, mais si vous y parvenez, vous profitez du plaisir de battre le jeu.
  • Int

Continuer la lecture

Je déteste voir cette question obtenir si peu de réponses. Je ne me qualifie pas comme ayant une carrière dans l’apprentissage automatique car je ne passe pas la majorité de mon temps à rechercher des algorithmes à un niveau théorique. Cependant, j’ai une carrière qui implique l’apprentissage automatique dans la pratique, et je vais le décrire pour vous. En tant que Data Scientist, je décrirais ma carrière comme :

  • Amusant – Résoudre des problèmes est tout simplement amusant. J’aime penser à un problème de science des données comme à un jeu Nintendo : certaines parties peuvent être très frustrantes et vous donner envie d’arrêter, mais si vous y parvenez, vous profitez du plaisir de battre le jeu.
  • Intéressant – Suivre comment un problème est résolu du début à la fin est très attrayant pour ceux qui s’intéressent aux domaines STEM. Le sentiment est comparable à manger vos chips préférées, une fois que vous obtenez une information, vous devez en avoir plus jusqu’à ce que vous deviez vous dire d’arrêter. Et puis en avoir un autre quand même.
  • Excitant – En science des données et en apprentissage automatique en particulier, de nouvelles approches sont introduites presque tous les jours. Cela vous fait réaliser à quel point il est incroyable de faire partie d’une ère où la technologie fait des progrès que nous n’aurions pas pu imaginer il y a même 10 ans. Ce frisson peut vous faire sentir comme si vous faisiez partie d’un groupe d’élite qui a été nommé pour changer le monde. Vous ne contribuez peut-être pas beaucoup, mais vous savez que vous êtes inclus.
  • Déroutant – Lorsque vous faites des recherches sur un sujet, c’est le plus souvent lorsque vous rencontrez quelque chose qui ne tiendra pas du premier coup. Alors que certains concepts peuvent prendre quelques minutes à comprendre pour d’autres, vous pouvez vous gratter la tête pendant deux jours complets avant que cela ne s’enfonce vraiment. Mais quand c’est le cas, vous réalisez pourquoi cela en valait la peine. C’est comme être jeune, avoir le béguin vous envoie des signaux contradictoires, et puis un jour ils vous disent enfin qu’ils vous aiment.
  • Différent – Une carrière dans ce domaine peut parfois vous amener à vous demander comment 9 à 5 emplois existent. Vous pensez que j’ai passé 4 semaines sur ce problème et je n’ai pas l’impression d’avoir progressé. Et puis vous le comparez à un emploi d’été que vous aviez quand vous étiez plus jeune et vous vous souvenez que la plupart des emplois ont une valeur immédiate. Ils travaillent pour fournir un service. Maintenant, je travaille à générer une solution et il n’y a absolument aucune norme sur le temps que cela pourrait prendre.

Je dirais que si tout cela vous intrigue, vous devriez monter dans le train. Comme je l’ai dit, vous n’avez pas à contribuer beaucoup, mais le simple fait de faire partie de tout cela en vaut la peine.

J’espère que vous avez trouvé cela utile.

Si vous avez déjà une formation en génie logiciel, vous disposez déjà de la plupart des éléments nécessaires.

  1. Déterminez le type de travail que vous souhaitez :
    entrer dans l’apprentissage automatique peut signifier beaucoup de choses : cela peut signifier travailler sur une infrastructure d’apprentissage automatique, cela peut signifier travailler sur la recherche en apprentissage automatique pour pousser de nouveaux modèles, cela peut signifier ne pas faire de recherche sur la modélisation et travailler simplement sur l’application de l’apprentissage automatique, et cela peut signifier une combinaison de ceux-ci. Chacun de ceux-ci a également ses propres variations spécialisées en fonction du domaine du problème, il existe donc un large éventail de ce à quoi la question se réfère même, bien que

Continuer la lecture

Si vous avez déjà une formation en génie logiciel, vous disposez déjà de la plupart des éléments nécessaires.

  1. Déterminez le type de travail que vous souhaitez :
    entrer dans l’apprentissage automatique peut signifier beaucoup de choses : cela peut signifier travailler sur une infrastructure d’apprentissage automatique, cela peut signifier travailler sur la recherche en apprentissage automatique pour pousser de nouveaux modèles, cela peut signifier ne pas faire de recherche sur la modélisation et travailler simplement sur l’application de l’apprentissage automatique, et cela peut signifier une combinaison de ceux-ci. Chacun de ceux-ci a également ses propres variations spécialisées en fonction du domaine du problème, il existe donc un large éventail de ce à quoi la question se réfère même, bien que je donnerai une réponse avisée.

    Je vais concentrer cette réponse sur le fait d’être un praticien appliqué du ML, car c’est ce que j’ai poursuivi. Je ne suis pas qualifié pour donner une bonne réponse à d’autres sous-domaines, même si j’ai vu des gens passer du statut de généraliste à celui de chercheur spécialisé en ML ou d’ingénieur en infrastructure ML.

  2. En cas de doute, commencez par être un généraliste en ML : ma suggestion est que vous vous concentriez sur ce que je considère comme un « ingénieur en apprentissage automatique à pile complète » : où vous essayez de faire une combinaison de travail centré sur la recherche et une certaine combinaison de l’application et possède toutes les parties du projet, du traitement des données sources à leur déploiement. Dans mon cas, j’étais assez intéressé par la PNL et je me suis concentré là-dessus. C’était important pour m’exciter et me motiver et me donner vraiment faim en termes de désir d’apprendre.
  3. Trouvez une équipe qui souhaite un ingénieur plutôt qu’un chercheur : Jakob Uszkoreit (l’un des auteurs de l’article sur Transformer) était l’un des responsables du recrutement à qui j’ai parlé lorsque j’ai cherché à travailler sur la PNL. J’ai eu une excellente discussion avec lui où il a dit que la composante infrastructure de données de l’apprentissage automatique dans les projets de la vie réelle est si importante que lorsque des personnes sans formation en ML mais avec une solide formation en génie logiciel se joignent à nous, c’est l’endroit le plus naturel pour elles commencer. Même si j’ai fini par choisir une équipe différente, son observation était tout à fait correcte.

    De plus, regardez ce que vous faites en tant qu’ingénieur : une grande partie de cela nécessite vraiment de rafraîchir vos connaissances et d’apprendre et de vous adapter à de nouvelles choses dans un domaine en évolution rapide. ML n’est pas différent. C’est juste une question de s’appliquer.

  4. Consacrez du temps à la nouvelle entreprise : comprenez que vous allez travailler sur quelque chose de nouveau, et il est donc de votre responsabilité de consacrer du temps et des efforts à apprendre tout ce qui est nouveau. Allez essayer des problèmes sur Kaggle, suivez les nombreux excellents cours en ligne et faites les devoirs et les projets.
  5. Cherchez l’intuition plutôt que les mathématiques : ne vous laissez pas intimider par les mathématiques. J’ai découvert que la plupart du temps, si vous creusez très profondément dans les mathématiques, il y a beaucoup d’intuition ou un concept d’ingénierie pratique derrière cela. De nombreux cours d’apprentissage automatique sont parfois trop axés sur les mathématiques et pas assez sur l’intuition. Une fois que vous aurez travaillé dans n’importe quel domaine pendant un certain temps, vous développerez beaucoup mieux l’intuitif car vous verrez certains des concepts les plus abstraits appliqués dans la pratique.
  6. Sachez qui vous êtes et n’êtes pas : ne vous laissez pas intimider si vous n’avez pas de doctorat. ou je n’ai pas eu d’article publié – au début, j’ai trouvé cela un peu intimidant personnellement parce que la grande majorité des personnes que j’ai rencontrées avaient un doctorat. Mais plus je travaillais avec eux, plus je me rendais compte que c’était vraiment leur esprit appliqué qui les rendait vraiment bons dans ce qu’ils faisaient. Vous n’avez pas besoin d’être Geoff Hinton pour faire un bon travail appliqué dans l’espace.
  7. Portez une grande attention au problème et aux données : essayez de vraiment développer une bonne compréhension du problème que vous essayez de résoudre et de la façon dont il est capturé dans les données. De nombreuses avancées en ML ne sont pas dues à une modification des modèles, mais plutôt à une modification de la façon dont les données étaient traitées. Par exemple, les modèles de séquence passant aux tokenizers de morceaux de phrase ont déverrouillé la progression de certaines tâches linguistiques, ce qui n’était pas vraiment une avancée en ML mais plutôt une amélioration de la compréhension des données. De même, l’augmentation des données est un élément essentiel des problèmes d’image.
  8. Ne laissez pas une bonne ingénierie de côté : l’une des premières choses que mon nouveau responsable a dite lorsque j’ai rejoint l’équipe est l’un des meilleurs conseils sur le sujet : un bon travail d’apprentissage automatique repose sur une bonne ingénierie.

    Appliquez le même état d’esprit de test et de reproductibilité à tout travail que vous effectuez – même si la nature de la reproductibilité passe d’un test hermétique à une garantie que tout le traitement des données que vous effectuez est cohérent d’une expérience à l’autre, les mêmes principes s’appliquent.

  9. Prenez possession d’un projet et expédiez-le : lorsque vous travaillez sur un projet réel, vous découvrirez tous les éléments mobiles du ML en action, des critères d’évaluation à la modélisation, en passant par l’accélération de la formation.
  10. Combattez vos instincts de programmation impératifs : si vous venez d’une formation en génie logiciel, votre première envie sera parfois de post-traiter la sortie. Au lieu de cela, vous devriez vraiment penser à la façon de définir de meilleurs objectifs pour vos modèles, puis de leur faire apprendre la bonne façon plutôt que de modifier le résultat.
  11. Commencez à approfondir chaque élément de la pile : en général, un projet aura des pipelines de données, des modèles / pipelines de formation, des pipelines d’évaluation et une infrastructure d’inférence. Familiarisez-vous avec ceux-ci.
  12. Observez les processus utilisés : outre toute compétence technique spécifique, il est également important de connaître le cycle de vie de l’apprentissage automatique. Cela vous permettra de structurer correctement les futurs projets et de les exécuter.
  13. Écrire du code à partir de zéro : vous pouvez commencer par apporter quelques modifications au code existant ici et là, mais pour vraiment apprendre, vous devez écrire du code à partir d’une ardoise relativement vierge – en particulier les parties avec lesquelles vous êtes le moins à l’aise. Cela pourrait être l’infrastructure de données si vous venez d’une formation en statistiques, ou disons la modélisation si vous venez d’une formation en génie logiciel. J’étais nouveau dans le mannequinat à l’époque, même si travailler en équipe m’a donné beaucoup d’occasions d’apprendre. Travaillant maintenant sur Presto Trip (qui utilise l’apprentissage en profondeur pour trouver des vols multi-villes bon marché), je fais toute la modélisation moi-même.

Débutant en apprentissage automatique ici 🙂

Je suis la spécialisation coursera « Science des données appliquée avec Python ». Le dernier cours que j’ai eu était l’introduction à l’apprentissage automatique et la première fois que j’apprenais l’apprentissage automatique.

S’il s’agit du code lui-même, le Machine Learning est assez simple : le dernier devoir du cours était assez complexe (former un algorithme qui classera les amendes entre celles qui seront payées et celles qui ne le seront probablement jamais). Certaines personnes sur le forum ont dit qu’il leur avait fallu 15 lignes de code ! Il m’a fallu au moins 50 lignes… Donc la partie code est jolie

Continuer la lecture

Débutant en apprentissage automatique ici 🙂

Je suis la spécialisation coursera « Science des données appliquée avec Python ». Le dernier cours que j’ai eu était l’introduction à l’apprentissage automatique et la première fois que j’apprenais l’apprentissage automatique.

S’il s’agit du code lui-même, le Machine Learning est assez simple : le dernier devoir du cours était assez complexe (former un algorithme qui classera les amendes entre celles qui seront payées et celles qui ne le seront probablement jamais). Certaines personnes sur le forum ont dit qu’il leur avait fallu 15 lignes de code ! Cela m’a pris au moins 50 lignes… Donc la partie code est assez facile si vous savez ce que vous faites. En utilisant scikit learn (bibliothèque python), la plupart des algorithmes ont la même logique, il suffit d’utiliser le bon.

Il y a deux éléments de Machine Learning que je pense être les plus difficiles (aussi les plus intéressants), et ils représentent la plus grande partie du travail :

  1. Sélection des fonctionnalités : lorsque vous disposez des données (imaginez un gros fichier Excel) que vous utiliserez pour entraîner l’algorithme, vous n’avez pas besoin de toutes les utiliser. En fait, vous devriez en utiliser le moins possible. Il faut comprendre les données, les analyser, les visualiser et ne garder que les fonctionnalités qui sont vraiment une base pour entraîner l’algorithme. Avoir trop ou pas assez de fonctionnalités fera un algorithme dysfonctionnel.
  2. Choisir le bon algorithme : Une fois que vous avez les fonctionnalités que vous jugez les plus pertinentes, vous devez savoir quel algorithme utiliser. La distinction majeure est entre les algorithmes de classification (par exemple, classera les fruits en fonction de la forme, de la couleur, etc.) et les algorithmes de régression (par exemple, estimeront le prix futur d’une maison). Au sein de ces types, il existe différents algorithmes mieux adaptés aux différents types de données et aux résultats attendus. Comprendre ces algorithmes et savoir quand ils doivent être utilisés demande beaucoup de travail. Et je ne parle même pas du Deep Learning ici…

Ensuite, il s’agit juste du code. Comme je l’ai dit plus haut, cette partie est assez simple, même si vous avez besoin de quelques connaissances préalables : comment travailler avec les données (pandas si vous utilisez python) et comment visualiser les données (matplotlib si vous utilisez python). Cela fait donc déjà 3 bibliothèques avec lesquelles vous devez être à l’aise.

Je viens juste de terminer mon premier mois avec Machine Learning, et je suis vraiment excité pour l’avenir. J’ai encore beaucoup à apprendre et beaucoup à pratiquer mais j’ai l’impression d’apprendre vraiment quelque chose qui me permettra d’avoir une carrière intéressante et réussie.

J’espère que vous vous lancerez dans le Machine Learning, quelle que soit la complexité.

J’étais moi-même un développeur de logiciels CRUD qui souhaite en savoir plus sur l’apprentissage automatique pour ma propre entreprise. Je ne peux pas donner de réponses sûres car je suis actuellement dans ce processus et je ne cherche pas directement un emploi ou une carrière à ce stade. La seule chose que je peux dire, c’est que j’ai besoin d’apprendre beaucoup de connaissances de base, ce que j’essaie d’acquérir en autodidacte.

D’après ce que j’ai compris, le travail peut être soit plus pratique, soit plus théorique et il est rare que des personnes débutantes aient des compétences pour les deux. Peut-être pourriez-vous commencer à apprendre R et Python/NumPy et acquérir des connaissances théoriques

Continuer la lecture

J’étais moi-même un développeur de logiciels CRUD qui souhaite en savoir plus sur l’apprentissage automatique pour ma propre entreprise. Je ne peux pas donner de réponses sûres car je suis actuellement dans ce processus et je ne cherche pas directement un emploi ou une carrière à ce stade. La seule chose que je peux dire, c’est que j’ai besoin d’apprendre beaucoup de connaissances de base, ce que j’essaie d’acquérir en autodidacte.

D’après ce que j’ai compris, le travail peut être soit plus pratique, soit plus théorique et il est rare que des personnes débutantes aient des compétences pour les deux. Peut-être pourriez-vous commencer à apprendre R et Python/NumPy et acquérir progressivement les connaissances théoriques dont vous avez besoin (il existe des livres combinant les aspects pratiques et les connaissances théoriques). Tout dépend de vos connaissances en mathématiques, de votre style d’apprentissage et de vos objectifs de carrière spécifiques. Un professionnel de l’apprentissage automatique serait vraiment approprié pour donner des réponses précises.

METTRE À JOUR:

Si vous le souhaitez, je pourrais compiler une liste de livres pertinents en fonction de mes modèles de recherche dans une librairie électronique bien connue, pour présélectionner votre recherche. Demandez avec un commentaire, s’il vous plaît.

MISE À JOUR 2:

Voici ma liste : pas une recommandation ; même pas un représentant, assez bon, cependant, pour vous lancer sur lui-même ou à la recherche d’une bibliographie similaire.

Data Scientists at Work, Sebastian Gutierrez, Data Scientists at Work

Introduction au Machine Learning avec Python, Sarah Guido, Page sur oreilly.com

La science des données à la ligne de commande, Jeroen Janssens, Page sur oreilly.com

“Big Data at Work : dissiper les mythes, découvrir les opportunités”, Thomas H. Davenport, Produit

Data Smart : Utiliser la science des données pour transformer les informations en informations, John W. Foreman, Data Smart : Utiliser la science des données pour transformer les informations en informations

Faire de la science des données : parler directement de la ligne de front, Cathy O’Neil et Rachel Schutt, Page sur oreilly.com

Méthodes bayésiennes pour les pirates : programmation probabiliste et méthodes bayésiennes, Cameron Davidson-Pilon, programmation probabiliste et méthodes bayésiennes – Cameron Davidson-Pilon

Apprentissage automatique : travaux pratiques pour les développeurs et les professionnels techniques, Jason Bell, Apprentissage automatique : travaux pratiques pour les développeurs et les professionnels techniques

Modélisation prédictive appliquée, Max Kuhn et Kjell Johnson, Modélisation prédictive appliquée

Analyse avancée avec Spark : modèles d’apprentissage à partir de données à grande échelle, Sandy Ryza, Uri Laserson, Sean Owen et Josh Wills, Analyse avancée avec Spark

Apprentissage automatique : une perspective probabiliste, Kevin P. Murphy, Apprentissage automatique

Une introduction à l’apprentissage statistique : avec des applications dans R, Gareth James, Daniela Witten, Trevor Hastie et Robert Tibshirani, Une introduction à l’apprentissage statistique

Data Scientist : Le guide définitif pour devenir un Data Scientist, Zacharias Voulgaris, Data Scientist

Avancé R, Hadley Wickham, Avancé R

L’apprentissage automatique est entièrement basé sur les données, découvrant des modèles dans les données, apprenant à partir des données et appliquant cet apprentissage au nouvel ensemble d’entrées pour faire une prédiction sur le résultat. Il existe un ensemble générique d’algorithmes – principalement 3 types d’algorithmes différents – des algorithmes d’apprentissage supervisé, des algorithmes d’apprentissage non supervisé et des algorithmes d’apprentissage par renforcement, comme illustré dans les graphiques suivants

Apprentissage supervisé : En apprentissage supervisé, la machine est enseignée par l’exemple. L’opérateur fournit à l’algorithme d’apprentissage automatique un ensemble de données connu qui comprend les entrées souhaitées et

Continuer la lecture

L’apprentissage automatique est entièrement basé sur les données, découvrant des modèles dans les données, apprenant à partir des données et appliquant cet apprentissage au nouvel ensemble d’entrées pour faire une prédiction sur le résultat. Il existe un ensemble générique d’algorithmes – principalement 3 types d’algorithmes différents – des algorithmes d’apprentissage supervisé, des algorithmes d’apprentissage non supervisé et des algorithmes d’apprentissage par renforcement, comme illustré dans les graphiques suivants

Apprentissage supervisé : En apprentissage supervisé, la machine est enseignée par l’exemple. L’opérateur fournit à l’algorithme d’apprentissage automatique un ensemble de données connu qui inclut les entrées et les sorties souhaitées, et l’algorithme doit trouver une méthode pour déterminer comment arriver à ces entrées et sorties. Alors que l’opérateur connaît les bonnes réponses au problème, l’algorithme identifie des modèles dans les données, apprend des observations et fait des prédictions. L’algorithme fait des prédictions et est corrigé par l’opérateur – et ce processus se poursuit jusqu’à ce que l’algorithme atteigne un niveau élevé de précision/performance.

Algorithmes d’apprentissage non supervisé : l’algorithme d’apprentissage automatique étudie les données pour identifier des modèles. Il n’y a pas de clés de réponse ou d’opérateur humain prescrits pour fournir des instructions. Au lieu de cela, la machine détermine les corrélations et les relations en analysant les données disponibles. Dans un processus d’apprentissage non supervisé, l’algorithme d’apprentissage automatique doit interpréter de grands ensembles de données et traiter ces données en conséquence. L’algorithme essaie d’organiser ces données d’une manière ou d’une autre pour décrire sa structure. Cela peut signifier regrouper les données en clusters ou les organiser d’une manière qui semble plus organisée.

Apprentissage par renforcement L’apprentissage par renforcement se concentre sur des processus d’apprentissage réglementés, où un algorithme d’apprentissage automatique est fourni avec un ensemble d’actions, de paramètres et de valeurs finales. En définissant les règles, l’algorithme d’apprentissage automatique essaie ensuite d’explorer différentes options et possibilités, en surveillant et en évaluant chaque résultat pour déterminer lequel est optimal. L’apprentissage par renforcement enseigne l’essai et l’erreur de la machine. Il apprend des expériences passées et commence à adapter son approche en réponse à la situation pour obtenir le meilleur résultat possible

Un guide sur les algorithmes d’apprentissage automatique et leurs applications

Comment fonctionne l’apprentissage automatique ?

J’avais abordé ce sujet dans ma réponse à la question suivante.

Je suis étudiante en 3ème année d’EPE. Comment puis-je comprendre le marché du travail pour les étudiants en EPE? [ https://www.quora.com/I-am-an-ECE-3rd-year-student-How-can-I-understand-the-job-market-for-ECE-students/answer/Balajee-Seshadri ]

Vous trouverez ci-dessous la copie de cette réponse avec quelques modifications.

J’ai donné quelques informations sur les opportunités d’emploi pour les étudiants en EPE. Cela peut ne pas couvrir tous les domaines. Aussi si un…

Continuez avec Quora+Déverrouillez cette réponse et soutenez des créateurs comme Balajee Seshadri en rejoignant Quora+Commencer l’essai gratuitEn savoir plus

Cela dépend en grande partie du type de data scientist que vous voulez être. Si vous n’êtes pas très intéressé par la recherche, vous avez essentiellement deux extrémités du spectre. Je vais brièvement passer en revue les deux points de terminaison, puis discuter de la façon de combiner pour faire des choses entre les deux.

R : SAS et R – Ce sont des outils utilisés par ce que l’on appelait traditionnellement les « analystes », en termes de compétences en mathématiques et en ingénierie, qui ont probablement la plus faible barrière à l’entrée. Vous avez des centaines de bibliothèques où vous pouvez essentiellement dire “Faites un ordinateur d’apprentissage automatique !” et il le fera.

Avantages : Probablement le plus grand nombre d’emplois. La plus basse barrière à l’entrée

Continuer la lecture

Cela dépend en grande partie du type de data scientist que vous voulez être. Si vous n’êtes pas très intéressé par la recherche, vous avez essentiellement deux extrémités du spectre. Je vais brièvement passer en revue les deux points de terminaison, puis discuter de la façon de combiner pour faire des choses entre les deux.

R : SAS et R – Ce sont des outils utilisés par ce que l’on appelait traditionnellement les « analystes », en termes de compétences en mathématiques et en ingénierie, qui ont probablement la plus faible barrière à l’entrée. Vous avez des centaines de bibliothèques où vous pouvez essentiellement dire “Faites un ordinateur d’apprentissage automatique !” et il le fera.

Avantages : Probablement le plus grand nombre d’emplois. La plus faible barrière à l’entrée / courbe d’apprentissage. Vous pourrez rapidement mettre une grande liste d’algorithmes et de méthodes sur votre CV. Un large éventail de connaissances en science des données augmentera.

Inconvénients : application limitée principalement à l’analyse, aux rapports ponctuels, aux prototypes et aux petites données. Il est peu probable que la profondeur des compétences en mathématiques, en ingénierie et en codage augmente.

En un mot : vous êtes un utilisateur de méthodes et d’outils existants pour rassembler rapidement des informations commerciales.

B : Scala, iScala (et C++ / Java) – Traditionnellement, ces outils étaient principalement utilisés par les développeurs, sauf que Scala a également beaucoup attiré l’attention des mathématiciens purs, du monde de la programmation fonctionnelle et du monde du Big Data. Le résultat est que Scala est utilisé pour innover de nouvelles méthodes et algorithmes qui peuvent idéalement utiliser des processeurs multicœurs modernes et une RAM bon marché. Si les performances sont une préoccupation, ou la taille des données, alors vous devez penser fonctionnellement – vous devez penser comme un pur mathématicien, pas comme un programmeur procédural. Dans cet espace, vous devrez avoir une base solide en théorie des probabilités, idéalement en programmation fonctionnelle et en théorie de l’information, car la tâche consistera souvent à concevoir de nouveaux algorithmes très spécifiques à un domaine.

Avantages : une fois que Scala est maîtrisé, la cadence à laquelle vous pouvez produire est littéralement supérieure à celle des autres langues. Habituellement, vous avez besoin de 5 fois moins de code que d’autres langages, comme Python, mais comparez avec Java ou C, cela ressemble plus à 10 fois moins de code. Les tâches sont souvent très innovantes et stimulantes. Scala peut être utilisé pour prototyper *et* produire et créer des applications.

Inconvénients : De loin l’une des langues les plus difficiles à apprendre avec une courbe d’apprentissage presque verticale (à moins que vous n’ayez une formation en mathématiques pures, auquel cas il sera plus facile à apprendre que d’autres langues). Marché plus petit, moins d’emplois. Attendez-vous à couvrir moins d’algorithmes/techniques préexistants. Peut également avoir une barrière d’ingénierie à l’entrée en raison d’une compilation non interprétée.

En un mot : langage utilisé pour créer de nouveaux algorithmes et technologies, en particulier dans l’espace Big Data.

Maintenant, Python est plus un intermédiaire, car il possède de nombreuses API qui reposent sur du code en Scala, Java et C++. Par conséquent, il existe une certaine possibilité de faire du Big Data, et peut-être même d’écrire une application MVP. Malheureusement, Python est notoirement difficile à déboguer en raison de sa nature procédurale. Ne vous attendez pas à pouvoir construire quoi que ce soit de particulièrement compliqué en Python, à moins que vous ne vouliez passer plus de 25% de votre vie à déboguer !

Il peut être utile de combiner des compétences de différentes extrémités du spectre plutôt que de se spécialiser. Pensez au type de Data Scientist que vous voulez être, c’est un domaine assez vaste.

Vous devez calculer votre ROI (retour sur investissement) pour démarrer une carrière dans le ML.

Votre rendement est fonction de la demande du marché et de la limite supérieure des salaires. Il existe actuellement une forte demande sur le marché pour le ML. Il existe un bon nombre de grandes entreprises technologiques telles que Google, Facebook, Microsoft, Airbnb, etc. dont les produits reposent sur les domaines ML et NLP et sont prêts à payer cher pour les « meilleurs talents ».

La concurrence entre les demandeurs d’emploi est élevée en raison de l’offre élevée. Il y a un grand nombre d’étudiants (maîtrise et doctorat) des écoles nord-américaines qui postulent pour de tels emplois juste après l’obtention de leur diplôme.

Enfin et surtout

Continuer la lecture

Vous devez calculer votre ROI (retour sur investissement) pour démarrer une carrière dans le ML.

Votre rendement est fonction de la demande du marché et de la limite supérieure des salaires. Il existe actuellement une forte demande sur le marché pour le ML. Il existe un bon nombre de grandes entreprises technologiques telles que Google, Facebook, Microsoft, Airbnb, etc. dont les produits reposent sur les domaines ML et NLP et sont prêts à payer cher pour les « meilleurs talents ».

La concurrence entre les demandeurs d’emploi est élevée en raison de l’offre élevée. Il y a un grand nombre d’étudiants (maîtrise et doctorat) des écoles nord-américaines qui postulent pour de tels emplois juste après l’obtention de leur diplôme.

Enfin, il y a un coût élevé pour se former et devenir un ingénieur ML décent. Cela pourrait se faire soit par le biais d’une école doctorale (2 à 4 ans d’investissement) ou en vous positionnant dans un emploi connexe dans l’industrie et commencer à apprendre en le faisant. La deuxième option pourrait clairement être difficile, surtout si vous partez de zéro.

Bonjour, Obtenir un emploi dans l’apprentissage automatique n’est pas quelque chose de difficile si vous excellez en science des données, en mathématiques, en statistiques et en algorithmes. Exercez-vous dans ces domaines, puis postulez à un stage pour acquérir une véritable expérience de travail, puis postulez à des emplois en entreprise dans ces domaines. Essayez de vous assurer que vous avez résolu vous-même certains problèmes dans ces domaines et transférez-les vers Github. Les recruteurs techniques passent à coup sûr par votre github, alors assurez-vous d’avoir vos informations d’identification là-bas.

Vous pouvez faire un cours, puis un stage, cela pourrait accélérer le processus pour vous

Salutations

Mohan Raï

Partagez votre numéro à ajouter à Imurgence Career Counselling Whatsapp :

8433554145

OU

cliquez pour rejoindre

Conseils d’urgence

Divulgation : Je suis le co-fondateur d’Imurgence – An Analytics Training Institute & Director at Simple & Real Analytics – A Big Data/Analytics/Machine Learning Product Company

Question la plus posée concernant Quel est le moyen le plus rapide d’entrer dans l’industrie de l’apprentissage automatique ? :

  • Dois-je-être-un-plombier-un-électricien-ou-un-technicien-CVC-Pourquoi ?
  • Que-puis-je-faire-avec-mon-licence-en-chimie ?
  • Quel-poste-est-le-meilleur-pour-entrer-dans-les-banques-privées ?
  • Quand-avez-vous-décidé-qu’il-était-temps-de-quitter-votre-emploi ?
  • Quelle-importance-est-votre-premier-emploi-particulièrement-le-profil ?
  • Quel-est-le-meilleur-pays-de-rester-pour-un-Indien ?
  • Puis-je-refuser-une-offre-d’emploi-avant-de-signer-une-lettre-d’offre ?
  • Qui-est-l’actrice-Bollywood-Mention-la-mieux-payée-toute-2 ?
  • Pourquoi-n’y-a-t-il-pas-un-engouement-pour-les-emplois-gouvernementaux-aux-Etats-Unis-comme-en-Inde ?
  • Existe-t-il-des-cours-orientés-emploi-après-obtention-de-l’obtention du diplôme ?
  • Comment-obtenir-un-emploi-dans-une-startup-hors-université ?
  • Quels-sont-quels-exemples-de-bons-emplois-d’été-pour-les-ados-de 16-17 ans ?
  • Un-diplôme-en-ligne-battra-t-il-jamais-un-diplôme-traditionnel-pour-un-emploi ?
  • Quelles-sont-certaines-des-choses-les-plus-rentables-qu’un-vendeur-peuvent-vendre ?
  • Que-dois-je-faire-quand-je-pense-avoir-fait-un-mauvais-choix-de-carrière-dans-la-vie ?
  • Est-il-possible-d’obtenir-un-emploi-de-chef-de-projet-en-Inde-même-si-vous-n’avez-pas-d’expérience-antérieure-en-gestion-de-projet ?
  • Quand-devrais-je-quitter-mon-emploi-pour-devenir-commerçant-à-temps-plein-Comment-puis-je-gérer-les-deux ?
  • Pourquoi-les-Indiens-respectent-ils-les-emplois-privés?
  • En tant que-nouveau-diplômé-en-génie-civil-je-suis-vraiment-confus-sur-l’expérience-que-les-entreprises-demandent-en-candidature-pour-l’emploi-Comment-puis-je-obtenir- le-emploi-de-rafraichisseur-quand-les-entreprises-recherchent-toujours-l’experience?
  • Comment-puis-je-gagner-5-lakh-par-mois ?
  • Quels-sont-les-examens-disponibles-pour-les-ingénieurs-mécaniques-pour-obtenir-un-emploi-gouvernemental ?
  • Je-deviens-malade-de-mon-travail-chaque-année-et-puis-je-le-change-je-travaille-dans-la-tech-Qu’est-ce-qui-ne-mal-avec-moi ?
  • Pourquoi-Ashton-Kutcher-a-t-il-arrêté-de-faire-des-films ?
  • Quelle-sera-la-portée-de-l’ingénierie-informatique-en-2021-en-Inde ?
  • L’ACIO-Ia-est-il-poste-au-gazette-dans-le-bureau-du-renseignement ?
  • Je-posséde-une-entreprise-basée-aux-États-Unis-Puis-je-embaucher-un-personne-de-Chine-et-le-faire-travailler-à-distance-à-temps-plein ?
  • Si-j’ai-beaucoup-de-répondeurs-à-mes-questions-puis-je-obtenir-un-emploi-chez-Quora ?
  • Est-ce-que-INTPS-recherche-jamais-une-carrière-dans-le-droit ?
  • L’IA-détruira-t-elle-plus-d’emplois-qu’elle-n’en crée-au-cours-de-la-prochaine-décennie ?
  • Comment-je-prépare-un-entretien-personnel-RH-Donnez-moi-svp-des-conseils ?