Переход на карьеру в машинном обучении [закрыто]

Моя ежедневная работа - разработка старого программного обеспечения. Я также учусь в магистратуре по CS (неполный рабочий день, на основе курса). Я взял курс по ИИ и нашел машинное обучение довольно увлекательным, но, как и большинство курсов, он предлагал только базовое введение.

Я намерен узнать больше о машинном обучении и, если возможно, получить работу в этой области. Когда я смотрю на объявления о вакансиях в этой области, становится ясно, что для большинства из них требуется степень доктора наук в области машинного обучения (или предыдущий опыт работы в этой области со значительным опытом).

Я ищу совет по самообучению, чтобы получить опыт, который будет полезен в промышленности. По крайней мере, достаточно опыта, чтобы в этом разобраться. Я сделаю очевидные вещи, такие как чтение учебников, статей и т. Д. Возможно, какие-нибудь усилия с открытым исходным кодом, в которых я могу участвовать, или что-то, что я мог бы сделать самостоятельно?

Извиняюсь, если я здесь неясен, но я надеюсь, что есть хотя бы несколько из вас, кто сделал подобное изменение и может посоветовать.

Благодарность !

Вы правы, машинное обучение - увлекательная область. Я сам собираюсь закончить университет с большим вниманием к машинному обучению и скоро буду искать работу в общей области. Я также не совсем понял, как это сделать.

Но общее машинное обучение является довольно широкой областью. Я бы предложил более конкретизировать. Какая область, которая включает в себя машинное обучение, вас больше всего интересует? Есть из чего выбирать:

• распознавание речи / обработка естественного языка
• обработка изображений / видео / компьютерное зрение
• медицинские системы
• Обнаружение мошенничества
• поисковые системы
• человеко-компьютерные интерфейсы
• ...

Все эти области (могут) включают в себя методы машинного обучения.

По моему опыту, большинство общих курсов по машинному обучению вводят основы многих методов только по двум причинам:

1. как я уже сказал: поле слишком широкое, чтобы везде углубляться
2. большинство методов имеют смысл, только если они сочетаются с реальными приложениями

Я никогда по-настоящему не увлекался SVM, пока мне не пришлось использовать их в своих собственных исследованиях. Я никогда по-настоящему не понимал различные алгоритмы, используемые в HMM, пока не поработал над обработкой речи.

И когда я ищу работу, я думаю, что это похоже: компании с большей вероятностью будут искать людей с опытом / знаниями в конкретной области, в которой они работают, а не в общей области машинного обучения. Работы по машинному обучению с большей вероятностью будут занимать должности исследователей / докторов наук / постдоков.

Обработка естественного языка как практическое приложение машинного обучения

Я работаю полный рабочий день и учусь неполный рабочий день в области компьютерной лингвистики (она же НЛП, обработка естественного языка), программа магистратуры. В этой области существует масса машинного обучения, например, для распознавания речи, классификации документов и т. Д. Ключ является прочной основой для математики, статистики и логической записи. Пройдите занятия в этих областях, чтобы выучить (или закрепить свои знания), прежде чем закончить школу, поскольку изучение этой темы самостоятельно может быть затруднительным.

книги

Также обратите внимание, что в отличие от многих других областей CS, область машинного обучения прочно разделена между практиками и теоретиками. Практики используют машинное обучение в качестве инструментов, в то время как теоретики хотят доказать и улучшить методы машинного обучения. Возникающая проблема состоит в том, что книги по машинному обучению обычно пишутся с точки зрения теоретиков, как и книга Хасти. Единственная книга практикующего, которую я нашел, - «Программирование коллективного интеллекта» Сегарана, которая охватывает основные понятия. Я до сих пор не нашел книгу хорошего практикующего по SVM, PCCM и т. Д.

Машинное обучение имеет огромное количество вероятностей и статистических данных, так что взятие нескольких углубленных курсов по этим предметам было бы действительно хорошим началом.