Quel Est Le Profil Et Les Compétences D’un Développeur D’apprentissage Automatique Ou D’IA Qui Gagne Plus De 1 000 000 USD Par An En Travaillant Pour Un Employeur ? Un Doctorat Est-il Requis Dans La Plupart Des Cas?

Pour gagner autant, vous devez apporter au moins le double des bénéfices à l’entreprise pour laquelle vous travaillez. Ainsi, vous faites des recherches assez révolutionnaires dans votre position. Si vous êtes un DÉVELOPPEUR, vous ne gagnerez JAMAIS cela. Ce type de salaire n’est possible que pour les data scientists, et la plupart proviennent de leurs actions et bonus.

Continuer la lecture

Oui, un doctorat est requis. De plus, un historique de recherche très solide est requis et, très probablement, vous devez être un nom bien connu dans les cercles de ML/AI/statistiques. Votre travail n’impliquera PAS de développement et vous ne travaillerez PAS en tant qu’ingénieur en apprentissage automatique. Votre poste sera appelé lead/senior/head/etc. « scientifique des données » ou « chercheur », et vos tâches principales seraient de faire de la recherche, et si vous parvenez à produire un nouvel algorithme de PageRank, seul le ciel est votre limite de salaire.

Vos compétences les plus importantes sont donc : 1) un gros cerveau 2) des compétences mathématiques incroyables 3) Une connaissance approfondie du domaine de l’apprentissage automatique/de l’IA 4) la capacité de faire des recherches révolutionnaires 5) beaucoup de chance puisque toutes les grandes inventions ont 50 % de chance.

Les seules personnes que je connais qui fassent ce genre d’égratignure dans ce domaine sont les chercheurs en IA… et je suppose que seuls les meilleurs comme Ian Goodfellow et oui, tous ces gars ont un doctorat.

On dirait qu’un doctorat n’est pas requis, mais si vous mettez un doctorat en charge, vous ne vous faites pas critiquer lorsque le projet échoue (46 ans d’observation interne).

Il n’y a que quelques carrières avec le potentiel d’atteindre ce niveau de revenu, et pour la plupart, elles nécessitent une foule de sacrifices. 500 000 $/an est un chiffre qui est étranger à près de 99% de l’ensemble de la population américaine et la vérité est que la plupart des postes salariés n’atteindront jamais ce point.

Bon, alors allons-y, il y a un thème commun entre ces carrières ; vous devez soit : 1) générer des revenus, 2) assumer de lourdes responsabilités, 3) être hautement spécialisé ou 4) être propriétaire

Droit des sociétés (alias “BigLaw”) : les avocats d’entreprise travaillant pour les plus grands cabinets ont un chemin vers la barre des 500 000 $/an si th

Continuer la lecture

Droit des sociétés (alias « BigLaw ») : les avocats d’entreprise travaillant pour les plus grands cabinets ont un chemin vers la barre des 500 000 $/an s’ils ont la chance d’être mis à contribution dans le partenariat du cabinet. Les conditions d’entrée aux États-Unis sont généralement l’entrée dans une faculté de droit T14 (top 14), être au-dessus de la médiane dans vos cours et botter le cul en dehors de vos cours dans des domaines tels que la révision de la loi, la direction de club, etc. De nos jours, la faculté de droit est extrêmement chère et définira vous remboursez plus de 150 000 $ en prêts.

Commencer la composition en tant qu’associé est maintenant à 190 000 $ + bonus, mais vous travaillerez pour cela, faire plus de 60 heures par semaine n’est pas facile à tout bout de champ, mais si vous pouvez le parcourir pendant les 7 à 8 ans vers partenariat, vous aurez une visibilité pour gagner 500 000 $ ou plus. Vous vous souvenez de nos catégories précédentes ? Celui-ci appartient aux catégories de génération de revenus et de propriété.

NB : au Royaume-Uni, il n’est pas nécessaire d’avoir fait des études de droit. Vous solliciterez généralement une convention de contrat de formation auprès d’un cabinet, puis celui-ci parrainera votre formation d’un an (si vous avez étudié le droit) ou à la fois la formation d’un an et le cours de conversion au droit d’un an.

Banque d’investissement (alias « IBD ») : la banque d’investissement est la voie légendaire vers le succès conventionnel dans le monde « vanille » de la finance. Il a capturé des monticules sur des monticules de diplômés universitaires de haut niveau en raison de son option, de l’attrait de travailler sur des accords « de haut niveau », du prestige, mais surtout de l’argent. Si vous êtes dans une université cible ou semi-cible et que vous avez les bonnes notes, le CV (ou CV comme vous l’appelez les Américains), les traits de personnalité et la faim, vous pourriez vous décrocher une offre de stage avec le potentiel de se transformer en un temps plein concert. Les étudiants non ciblés entrent également fréquemment, surtout s’ils font du réseautage.

La composition totale de départ se situe généralement entre 100 et 200 000 $ sur les 2 à 3 ans où vous êtes analyste, cela monte à 200 à 430 000 $ en tant qu’associé, puis entre 350 et 750 000 $ en tant que vice-président. À partir de VP, le rôle devient strictement générateur de revenus et votre rémunération est entièrement liée à vos performances et à celles de la banque.
Les heures commencent terriblement, la plupart des analystes tirant en moyenne 75 à 80 heures par semaine, avec des pics de 100 ou plus. Cependant, plus vous vieillissez, plus vos heures diminuent et plus vous avez de visibilité sur votre emploi du temps. Même si les déplacements augmentent considérablement

Ventes, Négoce et Structuration + Recherche (alias « S&T », « Sécurités » ou « Marchés » : similaire à IB en ce sens que les écoles et le pedigree sont assez égaux, mais ces rôles sont très différents. Le côté marchés d’une banque repose sur la méritocratie, votre avancement et, par extension, la rémunération est fonction de la somme d’argent que vous pouvez gagner. Au départ, vous suivrez des vendeurs, des commerçants et des structureurs expérimentés, mais au fur et à mesure que vous progressez, vous commencez à obtenir votre propre volume d’affaires. Sky est la limite en termes de paiement, car vous obtenez généralement un % payé de ce que vous produisez.
Le côté acheteur (HF, PE, VC, AM) :

HF (« Hedge Funds ») : Il existe toutes sortes de hedge funds allant du systématique/quant au fondamental des actions. Habituellement, vous aurez besoin de passer du temps dans IB, Consulting ou un combo de l’un des anciens + Private Equity pour avoir une chance sur les fonds les plus « fondamentaux » et une formation en trading pour les plus « macro/produit spécifique ». fonds. Certains fonds (surtout quantitatifs) recrutent cependant en dehors du premier cycle. Même chose que le trading, si vous travaillez pour un fonds de taille décente et que vous performez, vous atteindrez 500 000 $/an.
PE (« Private Equity »): Le rêve humide d’un banquier junior, vous aurez probablement besoin d’une expérience bancaire ou de conseil de haut niveau pour entrer dans ce domaine. Cependant, certaines entreprises recrutent en dehors du premier cycle. Dans les fonds les plus importants, avec 2 à 3 ans d’expérience, vous pouvez généralement commander un forfait tout compris de 250 à 300 000 $ par an (avec quelques valeurs aberrantes au-dessus) et pour les plus petits de 150 à 250 000 $ par an. Qu’il suffise de dire qu’au fur et à mesure que vous gravissez les échelons, cela augmentera de façon exponentielle à mesure que vous commencerez à gagner des points d’intérêt reportés, il n’est pas déraisonnable de dépasser 500 000 $/an après 5 à 8 ans dans l’industrie.
AM (« Asset Management ») : les grandes entreprises recrutent généralement pour des postes d’investissement en dehors du premier cycle et de l’école secondaire, mais certaines sont débauchées de l’IB/Research. Vous travaillez d’abord en tant qu’analyste, progressant de junior à senior et finalement, vous avez la possibilité de devenir gestionnaire de portefeuille. Les analystes seniors et les PM de fonds de taille décente gagnent bien plus de 500 000 $/an
VC (« Venture Capital ») : Similaire au PE, mais plus orienté vers les ex-entrepreneurs. Les partenaires et les professionnels de l’investissement de haut niveau dans des fonds de capital-risque de taille décente gagnent plus de 500 000 $ par an, en particulier lorsque vous tenez compte des intérêts reportés.

Management exécutif : si vous jouez bien la politique du bureau, que vous débutiez dans l’ingénierie, les ressources humaines, les finances, etc., vous aurez le potentiel d’accéder à un poste de direction après plus de 15 ans d’expérience dans un domaine. Vous commencez en tant que directeur, progressez jusqu’à directeur principal, vice-président et, éventuellement, vice-président directeur / vice-président exécutif ou un poste de chef. Les vice-présidents des moyennes et grandes entreprises gagnent plus de 500 000 $/an
Médecine : Certaines spécialités de la médecine comme la chirurgie orthopédique, la neurochirurgie, les plastiques, les anesthésiques, etc. peuvent rapporter des salaires supérieurs à 500 000 $/an. Le hic, c’est que vous devez passer par 8 années d’école, où vous accumulez des tonnes de dettes, puis 6 à 8 années supplémentaires d’entraînement intensif avec de bas salaires avant de pouvoir obtenir un salaire élevé.
Génie logiciel : certaines entreprises (Google, Facebook, Twitter, Linkedin, Netflix, Uber, etc.) versent une rémunération totale (salaire + actions + bonus) supérieure à 500 000 $/an à des ingénieurs très expérimentés, mais le chemin pour y arriver est opaque. Cela nécessite soit de créer votre propre entreprise et d’être racheté, soit de travailler sur des projets de grande envergure. La nouvelle composition de diplômés est maintenant d’environ 130 à 180 000 $, et les exigences sont assez strictes. Vous aurez besoin d’un haut niveau de compétence technique pour avoir une chance de participer à l’un des entretiens ici.
Ventes : Les ventes haut de gamme de produits à gros prix : le capital humain (chasse de têtes), les produits de luxe, l’immobilier, les logiciels d’entreprise peuvent rapporter plus de 500 000 $/an si vous êtes bon. Je laisserais tomber la banque privée, la gestion de fortune et le conseil financier ici aussi.
Conseil : similaire à l’IB en termes de structure et d’exigences, mais le rôle du poste diffère. Le conseil consiste plus à résoudre des problèmes et à donner des conseils qu’à IB. Au sommet des cabinets de conseil, ceux au niveau des partenaires juniors (à condition que vous vous en teniez à tous les déplacements et aux heures épuisants) gagneront plus de 500 000 $/an.
Comptabilité : La rémunération en début et en milieu de carrière dans les grandes entreprises est bien inférieure à celle des autres carrières similaires de cette liste, mais les partenaires plus expérimentés peuvent gagner plus de 500 000 $/an.
Entrepreneuriat : Sky est la limite ici. Il peut s’agir d’un cabinet de conseil en solo, d’un restaurant (ou d’une chaîne de restaurants), d’une entreprise de technologie.

Ce sont au moins les carrières accessibles. Plus d’emplois basés sur les talents exigeraient que vous fassiez partie des 0,01% des meilleurs talents pour avoir une chance d’en faire une carrière qui rapporterait plus que le chiffre indiqué. Des choses comme les sports professionnels, le mannequinat, l’art, le théâtre, etc.

J’espère que cela pourra aider.

Je ne sais pas si j’appellerais cela un «côté obscur», mais il y aura probablement un peu de désillusion pour la plupart des gens lorsqu’ils se lanceront dans une carrière dans l’IA. Voici quelques raisons.

C’est vraiment, vraiment difficile de créer des produits logiciels basés sur l’IA. Il est en fait très difficile de créer des produits logiciels, en particulier pour les personnes sans grande expérience dans ce domaine. Et parce que vous êtes un expert en IA (supposons-le), vous n’êtes probablement pas aussi un expert en développement de logiciels. Vous découvrirez probablement à votre grande déception que la construction de vrais produits logiciels est beaucoup plus difficile que la construction de simples prototypes. Vous pourrez également découvrir

Continuer la lecture

C’est vraiment, vraiment difficile de créer des produits logiciels basés sur l’IA. Il est en fait très difficile de créer des produits logiciels, en particulier pour les personnes sans grande expérience dans ce domaine. Et parce que vous êtes un expert en IA (supposons-le), vous n’êtes probablement pas aussi un expert en développement de logiciels. Vous découvrirez probablement à votre grande déception que la construction de vrais produits logiciels est beaucoup plus difficile que la construction de simples prototypes. Vous découvrirez peut-être également que votre projet de vous entourer de grands développeurs capables d’intégrer facilement vos idées basées sur l’IA n’est pas non plus tout à fait pratique.
Vous pensez peut-être que toutes ces bonnes choses que vous apprenez, par exemple, les réseaux de neurones récurrents ou les architectures convolutives vont être utiles pendant longtemps ou quelque chose sur lequel vous vous baserez pendant des années. À votre grand désarroi, vous constaterez que tous les deux ans environ, le domaine s’éloignera de cela et passera à autre chose que vous ne comprenez pas encore. C’est la nature de l’IA de nos jours et cela dit quelque chose de très significatif sur le manque de fondation solide et sur le fait qu’il s’agit vraiment d’un domaine d’ingénierie et non d’un domaine mathématique. Prenez n’importe quel livre sur l’IA des années 1990 et vous remarquerez que presque tout semble étranger et en grande partie abandonné. Réalisez qu’à cette époque, tous ces chercheurs pensaient qu’ils étaient aussi sur quelque chose de vraiment grand et imaginaient ces idées comme des composants essentiels de produits utiles.
Plus vous comprendrez comment fonctionnent les algorithmes d’IA, plus vous réaliserez à quel point le problème qu’il résout n’est vraiment pas aussi difficile que vous le pensiez. Une autre façon de dire cela est que vous vous rendrez compte que des choses comme la classification d’images sont loin d’être aussi difficiles que beaucoup d’autres choses que les gens font. Et tandis que cela fait de grands progrès, il s’étend dans un domaine restreint de l’intelligence. La majeure partie est concernée par la perception et il n’y a pas de chemin naturel entre la perception du monde et la construction d’un modèle complexe du monde.
Si vous êtes complètement nouveau dans le monde des affaires, vous devrez peut-être apprendre la dure leçon que ce n’est pas parce que nous pouvons faire quelque chose que nous devons le faire. Il doit être économiquement faisable et vaut également le risque. Il y a une possibilité raisonnable que des choses comme les voitures autonomes (au moins le niveau 5) soient possibles mais trop chères pour les rendre pratiques de si tôt. Il existe de nombreux endroits où l’IA d’aujourd’hui peut remplacer un flux de travail humain, mais sa mise en œuvre prendra 6 mois à une équipe de 4, ce qui coûtera des centaines de milliers de dollars. Cela peut ne pas porter ses fruits pendant de nombreuses années et cela pourrait échouer. Ainsi, quelqu’un qui gagne plus d’argent que vous mais qui ne comprend pas l’IA prendra la décision commerciale de transmettre votre idée géniale.

Malgré ces pensées pessimistes, je ne veux décourager personne de se lancer dans ce domaine. Si vous êtes jeune et que quelqu’un est prêt à vous payer pour travailler sur des trucs sympas et vous donner une grande expérience, alors pourquoi pas ? Dans le pire des cas, vous ne parvenez pas à offrir beaucoup de valeur, mais apprenez des leçons précieuses qui vous seront utiles à l’avenir. Finalement, vous réussirez à quelque chose, même si ce n’est peut-être pas ce à quoi vous vous attendiez.

Avant d’aborder la façon d’étudier “l’intelligence artificielle”, je voudrais expliquer ce qu’est l’intelligence artificielle et comment vous devriez aborder son apprentissage si vous êtes un novice.

Qu’est-ce que l’intelligence artificielle (IA) ?

Au XXIe siècle, l’intelligence artificielle est la technologie la plus passionnante à étudier. L’IA utilise l’informatique et la programmation pour créer un système automatisé qui fait gagner du temps et des efforts aux humains.

Continuer la lecture

Qu’est-ce que l’intelligence artificielle (IA) ?

L’IA et la science des données sont très demandées, avec plus de 2 millions de postes à pourvoir. Afin d’apprendre l’IA, je peux vous offrir un exemple de la façon dont nous utilisons les assistants Google, Amazon et Siri dans notre vie quotidienne pour faciliter notre travail. droit? En conséquence, vous pourriez faire partie du développement du système.

L’intelligence artificielle (IA) est une combinaison d’apprentissage automatique et d’apprentissage en profondeur qui permet aux systèmes d’apprendre à partir de modèles.

Comment commencer à utiliser l’intelligence artificielle ?

Choisissez un sujet qui vous intéresse.

Pour commencer, choisissez un problème qui vous intéresse. Il vous aidera à rester motivé et impliqué dans le processus d’apprentissage.

2. Trouvez une solution rapide

Le but est de trouver une réponse de base qui englobe le problème aussi complètement que possible.

3. Améliorez votre solution simple

Il est temps de commencer à réfléchir à des idées maintenant que vous avez établi un cadre solide. Étendez tous les éléments et évaluez les changements pour voir s’ils valent votre temps et votre travail.

4. Parlez aux autres de votre solution.

Pour recevoir un accusé de réception, écrivez votre raisonnement et partagez-le. Il vous fournira non seulement de précieux conseils de la part des autres, mais ce sera également le premier enregistrement de votre portefeuille.

5. Récitez les étapes 1 à 4 pour différents scénarios.

Choisissez parmi une variété de scénarios et complétez chaque tâche selon les instructions. Sélectionnez un défi qui affecte le travail avec des images ou du texte non structuré si vous avez commencé avec des données tabulaires. Il est également essentiel de savoir comment formuler correctement les questions pour l’apprentissage automatique.

6. Participer à un concours Kaggle

Ce concours vous permet d’évaluer vos capacités en résolvant des problèmes que plusieurs autres ingénieurs tentent de résoudre. Vous serez obligé de tester une variété de techniques et de choisir celles qui fonctionnent le mieux.

7. Faire un usage professionnel de l’apprentissage automatique

Vous devrez définir vos objectifs de carrière et développer votre portefeuille. Si vous n’êtes pas prêt à postuler pour des emplois d’apprentissage automatique, recherchez d’autres opportunités pour élargir votre portefeuille.

Que doit comprendre un débutant à propos de l’intelligence artificielle ?

Langage de programmation (Python ou R).
Statistiques, probabilités, algèbre linéaire, calcul, mathématiques discrètes.
Algorithmes d’apprentissage automatique
Études de cas d’apprentissage automatique
Traitement du langage naturel
Des séries chronologiques
Apprentissage profond avec Tensorflow et Keras
Études de cas d’apprentissage en profondeur
Vision par ordinateur (pas obligatoire)

En tant que débutant, je recommande de vous inscrire dans une école de formation où les instructeurs vous apprendront à comprendre et à implémenter Python, ainsi qu’à créer des modèles ML et DL plus précis avec des données adéquates.

Pour cette raison, je vous invite à rejoindre Learnbay.

Learnbay propose une variété de cours personnalisés, notamment :

Certification en Data Science et Intelligence Artificielle :

Ceci est conçu pour les personnes ayant moins de 5 ans d’expérience ou aucune.
Il n’y a pas de prérequis de programmation ou de connaissance du domaine pour ce cours.
Avec la formation de 6 à 7 mois, Learnbay propose plus de 10 projets industriels en temps réel.
Les contributeurs individuels tels que les analystes de données, les ingénieurs de données, les ingénieurs en apprentissage automatique, les ingénieurs en IA et les scientifiques des données recevront un soutien au travail.

Cours de certification IA et ML :

Ce cours est conçu pour les personnes ayant de 6 à 12 ans d’expertise.
Ceux qui ont travaillé dans les industries informatiques de base.
Learnbay a un total de 12+ projets en temps réel disponibles.
Les contributeurs individuels tels que les analystes de données, les ingénieurs de données, les ingénieurs en apprentissage automatique, les ingénieurs en IA et les scientifiques des données recevront un soutien au travail.

Sélectionnez un cours d’IA plus avancé pour vous-même.

Acquérir une expérience pratique

Ne négligez pas la valeur de l’expérience pratique si vous voulez réussir dans l’intelligence artificielle. Malgré le fait que les cours que je propose mettent fortement l’accent sur l’apprentissage pratique, en allouant plus de la moitié du temps de cours aux devoirs, aux études de cas et aux projets, vous ne devriez pas avoir peur de pratiquer davantage. Découvrez des tâches d’IA plus classiques et participez à d’autres forums/événements pour vous entraîner davantage. Plus vous pratiquez et résolvez des problèmes, plus votre compréhension des idées deviendra solide.

Enfin, quelques mots de sagesse

Oui, la possibilité de créer vos propres modèles est essentielle. Cependant, cela n’enlève rien à l’importance de partir du bon pied et de bien couvrir chaque étape du voyage. Gardez simplement à l’esprit que, contrairement à de nombreuses autres professions, vos notes de cours et vos performances académiques ne sont pas aussi importantes en IA que vos compétences, votre passion, vos compétences en résolution de problèmes et votre communication. Tous ces facteurs réunis vous aideront à établir une carrière réussie dans l’intelligence artificielle.

La raison en est que la vitesse du processeur, la densité du processeur et la densité de la mémoire ont atteint un point de basculement où l’apprentissage automatique peut désormais trouver des solutions à quelques problèmes utiles dans un délai raisonnable à un coût viable, fonctionnant principalement sur de grandes fermes de serveurs connectées à l’appareil utilisateur via l’Internet. Cependant, il n’y a pas encore eu de percée permettant aux machines, qu’elles soient à l’échelle du serveur ou de l’utilisateur, de résoudre efficacement les problèmes sur un large éventail de domaines relativement sans surveillance. En d’autres termes, l’IA n’a pas encore eu lieu.

Ce sont les types de changements de paradigme qui provoquent généralement un changement de la gu

Continuer la lecture

Ce sont les types de changements de paradigme qui provoquent généralement un changement de garde dans l’industrie concernée, comme le téléphone contre le télégraphe, l’automobile contre le cheval et le buggy, le microprocesseur contre le processeur IC discret, Internet contre le transport de disquettes, etc.

Dès lors, les leaders du marché (Microsoft, Google, Amazon, Apple, IBM etc.) ont une double peur mortelle. D’une part, ils ne veulent pas qu’une société de pairs fasse une percée, bien que ce soit certainement leur préférence pour deux maux. L’autre mal, du point de vue des grandes entreprises, est qu’une start-up fait la percée et la commercialise de manière beaucoup plus créative, agile et dévastatrice pour le vieux chien. Le changement se produit maintenant si rapidement que beaucoup de vieux chiens se souviennent quand ils étaient la start-up perturbatrice afin qu’ils comprennent parfaitement ce que les start-ups peuvent réaliser que les grandes organisations encombrées ne peuvent pas.

Tout cela amène à la fois les opérateurs historiques (les grandes entreprises contrôlant désormais le marché) et les parvenus à travailler fébrilement sur le sujet car le coût pour l’un est énorme et par conséquent la récompense pour l’autre est la même.

Je pense que le décideur de qui gagne dépendra de si la solution à la véritable IA est la mise à l’échelle du matériel, un nouvel algorithme ou une nouvelle physique de calcul :

S’il s’agit de faire évoluer le matériel, je pense que les chances sont en faveur des géants avec leurs économies d’échelle, leurs modèles de développement linéaire industriel et leur pouvoir d’achat. Je pense aussi que cela peut arriver assez rapidement. C’est ce sur quoi les géants parient.
S’il s’agit d’un nouvel algorithme, il y a de fortes chances qu’il s’agisse d’une start-up, car le genre de génie de la pensée latérale qui découvre ces choses ne sera généralement pas sélectionné par les décideurs d’entreprise. Elle est donc susceptible de travailler avec quelques amis avec une énorme motivation pour faire bouger les choses. C’est moins prévisible et cela aurait pu se produire, ou pourrait prendre quelques décennies.
Si la solution est une nouvelle physique du calcul alors le territoire est alambiqué. L’informatique quantique s’apparente davantage à la mise à l’échelle du matériel et est dominée par les entreprises. La recherche sur le cerveau peut fournir un nouveau paradigme, tout comme la recherche sur une théorie unificatrice de tout. Celles-ci sont fermement du domaine des universités et, malheureusement, celles-ci sont moins financées (du moins en Occident) qu’elles ne l’étaient auparavant. Dans le passé, des laboratoires d’entreprise comme les laboratoires AT&T Bell, Xerox Park et Lockheed Skunk Works ont fait des percées. Il me semble que les équivalents modernes sont moins libres d’explorer sur des chronologies ouvertes. Intéressé à entendre des initiés sur ce sujet.

Oui et non.

À l’heure actuelle et au cours des deux prochaines décennies environ, nous continuerons de constater un besoin majeur de spécialistes de l’apprentissage automatique et de la science des données pour aider à appliquer les technologies d’apprentissage automatique à des domaines d’application où elles ne sont pas appliquées aujourd’hui. De nombreuses entreprises ne savent tout simplement pas comment l’apprentissage automatique pourrait les aider à augmenter leurs bénéfices, et elles auront besoin de l’expertise pour les aider à identifier les opportunités.

Continuer la lecture

Oui et non.

Cependant, l’industrie du logiciel a tendance à considérer chaque nouvelle technologie comme une case à cocher ou une solution miracle. Par exemple, de nombreuses entreprises ont peut-être déployé une infrastructure Hadoop, car elles ont lu dans les médias techniques qu’il s’agissait de la technologie du futur. Le déploiement de telles technologies dans le seul but de déployer la technologie n’apportera aucun gain pour votre entreprise, ce qui a été l’expérience de nombreuses entreprises qui se sont précipitées la tête la première pour remplacer leurs magasins de données existants par Hadoop ou qui se sont précipitées dans la science des données sans stratégie commerciale qui établit un pont entre la façon dont ces technologies peuvent être utilisées efficacement pour les entreprises.

Il y aura une demande pour les professionnels qui peuvent aider à combler le fossé entre les besoins commerciaux et les capacités technologiques.

À très long terme, cependant, l’apprentissage automatique deviendra presque certainement une autre API technologique de base. Certains spéculent même que nous finirons par expérimenter ce que l’on a appelé la singularité de la PNL, dans laquelle les ordinateurs sont si bons pour interpréter l’intention des humains que les ingénieurs logiciels eux-mêmes peuvent être remplacés par un apprentissage automatique basé sur la PNL. Je pense qu’il est peu probable que cela se produise avant ma retraite, et probablement pas avant plusieurs décennies.

À l’heure actuelle, poursuivre une carrière dans l’IA signifie presque toujours faire de la recherche en ML (et, en particulier, en apprentissage en profondeur). Il y a plusieurs façons de le faire, toutes sont difficiles et amusantes à leur manière.

Tout simplement parce que l’intérêt pour l’apprentissage en profondeur n’a évolué qu’au cours de la dernière décennie, très peu d’universités proposent des cours à jour sur ce sujet, comme le CS231n de Standford. Dans le même temps, vous devrez toujours non seulement avoir une bonne connaissance générale de l’informatique, mais aussi être familiarisé avec les algorithmes et les techniques appliqués aux réseaux de neurones. Obtenir ce genre d’éducation n’est pas une condition préalable, mais si vous avez un

Continuer la lecture

Tout simplement parce que l’intérêt pour l’apprentissage en profondeur n’a évolué qu’au cours de la dernière décennie, très peu d’universités proposent des cours à jour sur ce sujet, comme le CS231n de Standford. Dans le même temps, vous devrez toujours non seulement avoir une bonne connaissance générale de l’informatique, mais aussi être familiarisé avec les algorithmes et les techniques appliqués aux réseaux de neurones. Obtenir ce type d’éducation n’est pas une condition préalable, mais si vous avez la possibilité de suivre des cours similaires, il y a de bonnes chances qu’ils soient enseignés par des chercheurs ou des développeurs actifs, de sorte que ce type de collaboration peut être très utile.

La première voie est universitaire. Parmi les avantages et les inconvénients :

Avantages:

Apprentissage profond de l’apprentissage profond (ha!). Vraiment, si vous faites un doctorat, vous apprendrez les tenants et les aboutissants d’au moins un type de technologie. Si vous travaillez dur et avez la chance d’avoir de solides collaborateurs et conseillers, vous pouvez publier un article sur une conférence comme NIPS qui vous donnera à peu près n’importe quelle position si vous n’avez pas de drapeaux rouges.
Une base mathématique très solide. Vous comprendrez beaucoup de choses plus rapidement et plus profondément que beaucoup de vos collègues.

Les inconvénients:

Les exigences pour votre formation peuvent varier de « très élevé » à « putain de merde que signifient ces symboles », selon le domaine d’études et le spectre des problèmes sur lesquels travaille le laboratoire. On m’a posé des questions sur les noyaux des opérateurs intégraux dès le début de mon entretien.
Votre carrière peut être très lente. Le doctorat est un engagement à long terme et pendant que d’autres construisent des choses, vous essayez d’inventer un algorithme pour les gouverner toutes. Peut-être que vous le ferez.

Si ce n’est pas votre méthode préférée, vous pouvez penser au démarrage de l’IA. Tout ce que je dis sur ce sujet doit être pris avec précaution – je connais un peu les ANN, mais je ne me suis pas encore familiarisé avec la scène des startups.

Avantages:

Vous pouvez simplement commencer à pirater et construire ce que vous voulez construire.
Personne ne vous dit quoi faire… pendant un certain temps.

Les inconvénients:

Vous pouvez échouer. Il y a de très, très bonnes chances que vous le fassiez. C’est la même chose que pour toutes les autres startups, sauf que l’IA est très difficile et que les gens y investissent rarement, à moins que vous n’ayez un bon plan, un excellent produit, une excellente équipe et que vous soyez aussi intelligent que Demis Hassabis.
Construire des produits d’IA est vraiment difficile.
C’est vachement dur.
Le Deep Learning n’est pas une baguette magique.
Ai-je mentionné que la création de produits d’IA est vraiment difficile ?

Lorsque vous n’avez pas d’expérience, l’investissement le plus efficace que vous puissiez faire pour votre avenir consiste à acquérir des tonnes de connaissances et d’expérience. Mélanger cela avec beaucoup de maux de tête financiers et les montagnes russes émotionnelles de la vie de startup peut être un peu trop difficile, alors faites un stage dans l’industrie d’une manière plus confortable pour apprendre des meilleurs.

Avantages:

Plus facile que d’aller dans une grande école d’études supérieures.
Vous allez toujours construire de vraies choses

Les inconvénients:

C’est toujours très compétitif et si vous êtes trop vieux ou n’avez pas les compétences pertinentes comme le ML de base, la pensée scientifique et les connaissances en informatique, ce sera un inconvénient.
Tu n’as pas à choisir quoi faire

Le premier inconvénient sera encore plus désavantageux si vous souhaitez lancer une startup, alors…

Toute l’industrie est en train de tout comprendre et on ne sait toujours pas quand cela se produira. Pas très bientôt, mais vous devez agir maintenant.

Oubliez les technologies d’entreprise (pour l’instant). Oubliez la programmation compétitive, le matériel, le piratage, tout ce que les autres enfants pensent être cool. Lisez Goodfellow, Bengio, Courville “Deep Learning”, c’est juste ce qu’il faut de maths. Obtenez une expérience générale du ML, implémentez des choses simples. Cela vous sera utile si vous devez passer l’entretien. Obtenez une compétence particulière, comme une expérience avec Theano ou TensorFlow, pour avoir une réelle expérience du calcul lourd et pour faire ressortir votre CV. Trouvez votre passion entre les sujets d’intérêt pour l’IA, cela peut être la vision par ordinateur, la reconnaissance vocale, la PNL ou tout ce qui flotte sur votre bateau.

Du point de vue du langage, Python est génial. Sortez des tonnes de code, mettez-le sur Github, plus tard, vous le remplacerez par un meilleur code. Peut-être qu’il contiendra un modèle pour votre futur papier NIPS. Qui sait. Mais fais-le maintenant. S’il y a une chose que je changerais dans le passé, c’est le temps consacré au codage.

introduction

Il n’y a pas si longtemps, l’utilisation de l’option de tableaux croisés dynamiques dans Excel était la limite supérieure de mes compétences avec les chiffres et le mot python était plus susceptible de me faire penser à une jungle dense ou à un programme sur la nature à la télévision qu’à un outil pour générer des informations commerciales et créer des solutions complexes.

Il m’a fallu dix mois pour quitter cette vie et commencer à me sentir appartenir au monde exclusif des gens qui peuvent distinguer leurs médianes de leurs moyens, leurs barres X du pub du quartier et qui savent apprendre aux machines ce dont elles ont besoin. apprendre.

Le processus de transformation n’a pas été facile et a exigé har

Continuer la lecture

introduction

Le processus de transformation n’a pas été facile et a demandé beaucoup de travail, beaucoup de temps, de dévouement et a nécessité beaucoup d’aide en cours de route. Cela impliquait également bien plus de centaines d’heures d’« étude » sous différentes formes et autant de temps à pratiquer et à appliquer tout ce qui était appris. En bref, il n’a pas été facile de passer d’un idiot de données à un nerd de données, mais j’ai réussi à le faire tout en ayant un horaire de travail terriblement chargé et en étant le père d’un enfant d’un an.

Le but de cet article est de vous aider si vous cherchez à effectuer une transformation similaire mais ne savez pas par où commencer et comment procéder d’une étape à l’autre. Si vous souhaitez le découvrir, lisez la suite pour avoir une idée des sujets que vous devez couvrir et également développer une compréhension du niveau d’expertise que vous devez développer à chaque étape du processus d’apprentissage.

Il existe de nombreuses ressources en ligne et hors ligne pour vous aider à maîtriser chacune de ces étapes, mais très souvent, le problème pour les non-initiés peut être de savoir par où commencer et où terminer. J’espère que passer les dix à quinze prochaines minutes à parcourir cet article vous aidera à résoudre ce problème.

Et enfin, avant d’aller plus loin, je tiens à préciser que j’ai eu beaucoup d’aide pour faire cette transformation. À la fin de l’article, je vous dévoilerai comment j’ai réussi à accumuler autant d’apprentissage et de travail en l’espace de dix mois. Mais c’est pour plus tard.

Pour l’instant, je veux vous donner plus de détails sur les neuf étapes que j’ai dû franchir dans mon processus de transformation.

Étape 1 : Comprendre les bases

Passez quelques semaines à améliorer vos « connaissances générales » dans le domaine de la science des données et de l’apprentissage automatique. Vous avez peut-être déjà des idées et une certaine compréhension de ce qu’est le domaine, mais si vous voulez devenir un expert, vous devez comprendre les détails les plus fins à un point où vous pouvez l’expliquer en termes simples à à peu près n’importe qui.

Sujets suggérés :

Qu’est-ce que l’analytique ?
Qu’est-ce que la science des données ?
Qu’est-ce que le Big Data ?
Qu’est-ce que l’apprentissage automatique ?
Qu’est-ce que l’intelligence artificielle ?
En quoi les domaines ci-dessus sont-ils différents les uns des autres et liés les uns aux autres ?
Comment tous les domaines ci-dessus sont-ils appliqués dans le monde réel ?

Exercice pour montrer que vous savez :

Écrivez un article de blog expliquant aux lecteurs comment répondre à ces questions si elles sont posées dans une interview

Étape 2 : Apprenez quelques statistiques

J’ai une confession à faire. Même si je me sens comme un expert en apprentissage automatique, je n’ai pas l’impression d’avoir un quelconque niveau d’expertise en statistiques. Ce qui devrait être une bonne nouvelle pour les personnes qui ont autant de difficultés que moi avec les concepts statistiques, car cela prouve que vous pouvez être un scientifique des données sans être un statisticien. Cela dit, vous ne pouvez pas ignorer les concepts statistiques – pas dans l’apprentissage automatique et la science des données !

Donc, ce que vous devez faire, c’est comprendre certains concepts et savoir quand ils peuvent être appliqués ou utilisés. Si vous pouvez également comprendre complètement la théorie derrière ces concepts, donnez-vous quelques bonnes tapes dans le dos.

Sujets suggérés :

Structures de données, variables et résumés
Échantillonnage
Les principes de base des probabilités
Distributions de variables aléatoires
Inférence pour les données numériques et catégorielles
Régression linéaire, multiple et logistique

Exercice suggéré pour marquer la fin de cette étape :

Créez une liste de références avec les explications les plus faciles à comprendre que vous avez trouvées pour chaque sujet et publiez-les dans un blog. Ajouter une liste de questions liées aux statistiques auxquelles on peut s’attendre à répondre lors d’un entretien en science des données

Étape 3 : Apprenez Python ou R (ou les deux) pour l’analyse des données

La programmation s’est avérée plus facile à apprendre, plus amusante et plus gratifiante en termes de choses qu’elle rendait possibles que je ne l’avais jamais imaginé. Bien que maîtriser un langage de programmation puisse être une quête éternelle, à ce stade, vous devez vous familiariser avec le processus d’apprentissage d’un langage et ce n’est pas trop difficile.

Python et R sont tous deux très populaires et la maîtrise de l’un peut faciliter l’apprentissage de l’autre. J’ai commencé avec R et j’ai lentement commencé à utiliser Python pour effectuer des tâches similaires.

Sujets suggérés :

Structures de données prises en charge
Lire, importer ou exporter des données
Analyse de la qualité des données
Nettoyage et préparation des données
Manipulation des données – par exemple, tri, filtrage, agrégation et autres fonctions
Visualisation de données

Sachez que vous êtes prêt pour la prochaine étape :

Extraire un tableau d’un site Web, le modifier pour calculer de nouvelles variables et créer des graphiques résumant les données

Étape 4 : Compléter un projet d’analyse de données exploratoire

Lors du premier match test de cricket jamais joué (voir tableau de bord), l’Australien Charles Bannerman a marqué 67,35% (165 sur 245) du score total de son équipe, dans les toutes premières manches de l’histoire du cricket. Cela reste un record dans le cricket au moment de la rédaction, pour la part la plus élevée du score total par un batteur dans une manche d’un match test.

Ce qui rend les manches encore plus remarquables, c’est que les 43 autres manches de ce match test n’avaient en moyenne que 10,8 points par manche, avec seulement environ 40% de tous les batteurs enregistrant un score de dix points ou plus. En fait, le deuxième score le plus élevé d’un Australien dans le match était de 20 points. Étant donné que l’Australie a remporté le match par 45 points, nous pouvons dire avec conviction que les manches de Bannerman ont été le contributeur le plus important à la victoire de l’Australie.

Tout comme nous avons pu construire cette histoire à partir du tableau de bord du test-match, l’analyse exploratoire des données consiste à étudier les données pour comprendre l’histoire qui se cache en dessous, puis à partager l’histoire avec tout le monde.

Personnellement, je trouve cette phase d’un projet de données la plus intéressante, ce qui est une bonne chose car une bonne partie du temps d’un projet typique devrait être consacré à l’analyse exploratoire des données.

Sujets à couvrir :

Explorations à variable unique
Explorations par paires et multivariables
Visualisation, tableau de bord et narration dans Tableau

Sortie du projet :

Créez un article de blog résumant l’exercice et partageant le tableau de bord ou l’histoire. Utiliser un ensemble de données avec au moins dix colonnes et quelques milliers d’enregistrements

Étape 5 : Créer des modèles d’apprentissage non supervisés

Disons que nous disposions de données pour tous les pays du monde sur de nombreux paramètres allant de la population au revenu, en passant par la santé, les principales industries et plus encore. Supposons maintenant que nous voulions découvrir quels pays sont similaires les uns aux autres pour tous ces paramètres. Comment s’y prend-on, quand on doit comparer chaque pays avec tous les autres, sur plus de 50 paramètres différents ?

C’est là qu’interviennent les algorithmes d’apprentissage automatique non supervisés. Ce n’est pas le moment de vous ennuyer avec des détails sur ce dont il s’agit, mais la bonne nouvelle est qu’une fois que vous atteignez ce stade, vous êtes passé dans le monde de l’apprentissage automatique et sont déjà en compagnie d’élite.

Sujets à couvrir :

Regroupement des K-moyennes
Règles d’association

L’étiquette de «meilleure carrière» attribuée à l’apprentissage automatique est définitivement imméritée. Tout découle d’un mot; battage publicitaire.

“QUEL!” hurlent les millions de passionnés d’apprentissage en profondeur et d’ingénieurs ML qui attendent dans les coulisses.

Laissez-moi vous expliquer avant de lever les fourches.

Il ne fait aucun doute que le Machine Learning est un domaine intéressant. Ce n’est pas seulement stimulant intellectuellement, ses résultats semblent presque magiques pour le grand public. Des machines battant les meilleurs du monde au Go, des voitures autonomes, des filtres de visage Snapchats. C’est sexy d’être ingénieur en Machine Learning, d’être impliqué dans le très réel w

Continuer la lecture

L’étiquette de «meilleure carrière» attribuée à l’apprentissage automatique est définitivement imméritée. Tout découle d’un mot; battage publicitaire.

“QUEL!” hurlent les millions de passionnés d’apprentissage en profondeur et d’ingénieurs ML qui attendent dans les coulisses.

Laissez-moi vous expliquer avant de lever les fourches.

There is no doubt Machine Learning is an interesting field to be in. It’s not only intellectually stimulating, its results appear near magic to the general public. Machines beating the world’s best at Go, self driving cars, Snapchats face filters. It’s sexy to be a Machine Learning engineer, to be involved in the very real wave of new technologies.

But there comes a point where the public greatly over values a profession. News articles such as the New York Times’ listing salaries of 300 – 500k for AI professionals[1] lead young graduates to believe Machine Learning is the best way to make big money. The problem begins when people start to pursue a career in Machine Learning because it’s the supposed “best career”. Combine this with the fact the field is so vaguely defined, encompassing everything from Data Engineers to statisticians to quantitative analysts with Python and you have a misinformed public and a ballooned valuation.

Since the field is so young, there are massive shortages in graduates educated with the relevant skills. As a result, salaries have of course rocketed. However, just a few years behind, the Universities of the world are starting more and more “Data Science” and “Machine Learning” degree programmes. Surely, this is the answer to the job shortage problem? Not quite. Because the field’s value is so distorted universities across the globe are starting sub par programmes which receive buckets of applications from (genuinely interested) students. These programmes make nice money for the university but only make the problem worse. Thousands of graduates now qualified as “Machine Learning experts” are under equipped for the task necessary, further clouding the definition of Machine Learning field. You can bet that in the years to come, when ML has stabilised, so too will the salaries and only those who are truly interested in the field will find their jobs fulfilling.

Le vrai message que je veux communiquer dans cette réponse n’est pas que l’apprentissage automatique est trop médiatisé. Mon message principal est qu’il n’y a pas de « meilleure carrière ». Il n’y a que « la meilleure carrière pour vous ». La chose la plus importante à retenir (comme pour tout travail, quelle que soit sa valeur publique) est d’évaluer honnêtement si vous avez un véritable intérêt pour le sujet. Vous aimez jouer avec les données et les algorithmes de ML ? Trouvez-vous que les mathématiques sous-jacentes sont belles ? L’apprentissage automatique est un domaine fascinant et, s’il vous convient, il est gratifiant, épanouissant et vous pouvez gagner de l’argent en le faisant. Mais il est important d’isoler les opinions du public des vôtres.

Notes de bas de page

[1] Les géants de la technologie paient des salaires énormes pour les talents rares de l’IA

Gérer des données énormes en reconnaissant des modèles à partir de celles-ci. C’est l’une des meilleures options qui vous rapporte le plus.

Actuellement, l’industrie travaille toujours sur des machines à vecteurs de support, mais elle sera bientôt mise à niveau vers des techniques d’apprentissage en profondeur utilisant des réseaux de neurones convolutifs ou des réseaux de neurones récurrents. Si vous êtes débutant dans l’apprentissage automatique, commencez à travailler sur l’apprentissage en profondeur (bien sûr, vous devez avoir des connaissances sur les techniques plus anciennes – svm, ann, knn, etc.). Normalement, ce sont des pythons programmés et des bibliothèques de support. Les plus célèbres dans l’industrie de la technologie sont Google tensorflow et Keras. Il y a d’autres li

Continuer la lecture

Gérer des données énormes en reconnaissant des modèles à partir de celles-ci. C’est l’une des meilleures options qui vous rapporte le plus.

Currently industry are still working on Support vector machines, but sooner it will be upgraded to deep learning techniques using Convolutional neural networks or recurrent neural networks. If you are starter in machine learning start working on deep learning ( of course u need to have knowledge on older techniques- svm, ann, knn etc.,). Normally these are programmed used python and supporting libraries. The famous ones in the tech industry are Google tensorflow, and Keras. There are other libraries as well but if u can program using these i guess it would be enough to update to any other.

Point to note : you might come across companies asking for programming in R as well. It meant they are following the older standard version. R is still and will be a powerful programming tool. You might come across python in image processing domain and R in signal processing companies as per my knowledge , it will provide ease with the data acquisition tools.

Most asked Question related to What is the profile and skillset of a Machine Learning or AI developer who earns more than $1000000 USD per year working for an employer? Is a PHD required in most cases? :

How-can-I-reduce-the-power-of-the-prescription-for-my-eyes?
How-important-are-my-marks-in-getting-a-good-job?
If-you-are-about-to-leave-your-job-and-buy-healthcare-on-the-ACA-exchange-how-can-you-prove-how-little-you-will-be-making-in-the-future-and-qualify-for-subsidy?
Which-websites-would-you-recommend-I-post-my-freelancing-service-on?
What-should-I-do-to-fulfill-my-dream-of-working-for-NASA?
How-can-I-get-Job-in-Huge-IT-companies-without-coding-or-Technical-skills?
Why-is-the-word-only-written-after-every-amount-of-money?
Is-there-any-benefit-of-doing-a-private-job-after-a-govt-job?
I-did-not-negotiate-for-my-salary-and-I-regret-it-what-should-I-do?
What-is-the-job-scope-in-CFA?
Is-becoming-a-medical-doctor-the-most-prestigious-job-in-India?
Can-you-get-a-job-with-just-Python?
I-am-looking-for-a-job-in-Singapore-Will-I-get-a-job-I-am-from-Ghana?
What-does-it-mean-that-the-universe-was-born-from-nothing-The-laws-of-the-universe-are-also-created-from-nothing?
What-is-the-worst-job-you-ever-had-and-why?
What-can-I-do-to-get-a-job-in-software-development-fast-I-am-22-years-old-and-I-am-looking-to-learn-software-development-to-get-a-job-in-the-next-12-months-Which-learning-track-will-enable-me-to-get-a-job-fast?
Can-I-get-job-if-I-only-know-PHP-and-little-about-HTML-CSS?
I-m-26-and-took-a-year-long-career-break-for-mental-health-reasons-burnout-stress-and-depression-How-do-I-explain-this-to-employers-now-that-I-m-looking-for-a-job-again-I-got-therapy-and-am-ready-to-continue?
Is-it-very-important-to-learn-English-to-get-a-job-in-todays-society?
What-are-the-career-options-after-10th-standard?
How-do-I-get-job-after-the-GATE?
If-the-govt-jobs-are-poorly-paid-why-join-the-govt-jobs-in-the-India?
What-are-some-good-online-writing-jobs?
How-good-is-Dubai-for-mechanical-engineers?
Which-computer-course-has-the-most-scope-and-the-best-pay?
How-do-I-know-Im-taking-the-right-job?
What-are-the-job-opportunities-available-after-becoming-a-CA?
Why-did-Rachel-and-Joeys-love-angle-in-F-R-I-E-N-D-S-receive-so-much-criticism?
Can-charted-accountants-from-India-get-jobs-in-the-USA-or-do-they-need-to-get-any-US-degree-to-get-a-job-in-the-USA?
How-was-your-first-job-interview?

Cookie	Duration	Description
cookielawinfo-checkbox-analytics	11 months	This cookie is set by GDPR Cookie Consent plugin. The cookie is used to store the user consent for the cookies in the category "Analytics".
cookielawinfo-checkbox-functional	11 months	The cookie is set by GDPR cookie consent to record the user consent for the cookies in the category "Functional".
cookielawinfo-checkbox-necessary	11 months	This cookie is set by GDPR Cookie Consent plugin. The cookies is used to store the user consent for the cookies in the category "Necessary".
cookielawinfo-checkbox-others	11 months	This cookie is set by GDPR Cookie Consent plugin. The cookie is used to store the user consent for the cookies in the category "Other.
cookielawinfo-checkbox-performance	11 months	This cookie is set by GDPR Cookie Consent plugin. The cookie is used to store the user consent for the cookies in the category "Performance".
viewed_cookie_policy	11 months	The cookie is set by the GDPR Cookie Consent plugin and is used to store whether or not user has consented to the use of cookies. It does not store any personal data.