- Описание работы
Человек, не знакомый с данными, может задаться вопросом, о чем эта «работа на основе данных». Первое, что может прийти в голову, - это то, что подразумевают под словом данные. Данные, как правило, представляют собой любую совокупность символов, которые собираются и интерпретируются, как правило, по каким-то причинам. Это может быть любой символ, включая числа и текст, изображения и т. Д. Если данные не помещены в контекст, то человек или машина ничего не получают.
Так что же такое инженер по машинному обучению?
Инженер по машинному обучению (ML): Инженеры по машинному обучению играют первостепенную роль в работе с огромными объемами структурированных или неструктурированных данных, а также в разработке и внедрении алгоритмов для машинного обучения. Инженер по машинному обучению должен уметь разрабатывать и создавать высококачественный готовый к производству код, который может использоваться внутри организации пользователями облачной платформы. Он / она должен иметь обширный опыт работы с математическим языком, таким как Python, R и т. Д., И знание концепций машинного обучения, должен уметь обрабатывать большое количество наборов данных и распределенных вычислений, а также должен иметь описание методов интеллектуального анализа данных. , и т.д.
2. ЗАРПЛАТЫ
Инженер по машинному обучению начального уровня с опытом работы менее 1 года может рассчитывать на получение средней общей заработной платы (включая чаевые, льготы и сверхурочную оплату) до 505 561 из 102 окладов. Начавший карьеру инженер по машинному обучению с опытом работы от 1 до 4 лет получает среднюю общую зарплату примерно 6690 815 из 283 окладов. Инженер по машинному обучению в середине карьеры с опытом работы 5–9 лет получает среднюю общую зарплату примерно 1 150 496 из 72 заработных плат. Опытный инженер в области машинного обучения с опытом работы 10–19 лет получает среднюю совокупную зарплату в размере 1 999 619 из 18 окладов.
Сотрудники, занимающие должность инженера по машинному обучению в Бангалоре, штат Карнатака, получают в среднем на 22,6% больше, чем в среднем по стране. В Ченнаи, штат Тамил Наду, эти должности также значительно превышают средние зарплаты (на 4,3 процента больше). Самые низкие зарплаты имеют Нью-Дели, Дели (на 27,8 процента ниже), Пуна, Махараштра (на 13,1 процента ниже) и Мумбаи, Махараштра (на 11,8 процента ниже).
Средняя зарплата в Индии: рупий. 9 50 000
Средняя зарплата в США: 1,46 000 долларов.
3. ШАГИ, ЧТОБЫ СТАТЬ МАШИНОСТРОЕНИЕМ
Изучение навыков
Использование Python или родственного языка для изучения кода. Чтобы стать инженером по машинному обучению, вам нужно уметь читать, разрабатывать и редактировать компьютерный код. Python по-прежнему является наиболее распространенным языком для приложений машинного обучения, но теперь все большее число инженеров используют такие форматы сценариев, как R, C, C ++, Java и JavaScript. Стремитесь выучить несколько языков, чтобы стать более успешным соискателем карьеры.
Работайте с онлайн-курсами по изучению информации. Прежде чем приобретать навыки, уникальные для машинного обучения, важно иметь прочную основу для анализа данных. Он включает в себя такие темы, как статистика, которая поможет вам понять наборы данных, и проектирование функций, которое поможет вам создавать алгоритмы на основе данных. Некоторые качественные онлайн-курсы по этим темам.
Пройдите курсы, связанные с машинным обучением. Как только вы научитесь программировать и поймете основополагающие принципы исследования данных, начните копаться в мире машинного обучения. Сюда входят такие предметы, как создание алгоритмов, реализация нейронных сетей и проектирование систем машинного обучения.
Получите квалификацию или степень, которые необходимы, чтобы помочь вам найти работу. Многие люди получают качественную работу в инженерии, не имея формального образования. Аккредитация также сделает вас более привлекательным кандидатом на работу и, в некоторых ситуациях, будет единственным способом выполнить должностные требования организации. Работайте над тем, чтобы повысить свои шансы получить место для машинного обучения.
Получение опыта
Работайте над проектами о персональном машинном обучении. Попытайтесь просмотреть и воссоздать простые проекты, поддерживаемые Scikit-learn, Awesome Machine Learning, PredictionIO и аналогичными инструментами, когда вы начнете. Если вы хорошо понимаете, как работает машинное обучение на практике, постарайтесь придумать свои проекты, которые можно будет опубликовать публично или описать в базе данных. Чтобы не тратить время на сбор данных, подумайте об использовании общедоступных наборов данных с таких сайтов, как UCI Machine Learning Repository и Quandl. Если вы не можете придумать идею для проекта, попробуйте вдохновение на таких сайтах, как GitHub.
Участвуйте в конкурсах на получение информации о Kaggle. Kaggle - это веб-сайт с набором данных, в котором решается ряд проблем машинного обучения. Некоторые из них являются официальными соревнованиями, предлагающими денежные призы, а другие - бесплатными соревнованиями, дающими простой опыт. Для начала постарайтесь пройти конкурс Titanic: Disaster Machine Learning для начинающих.
Зарегистрируйтесь на стажировку по машинному обучению. Хотя личные проекты и конкурсы доставляют удовольствие и отлично смотрятся в резюме, они не могут научить вас навыкам машинного обучения, которые необходимы многим предприятиям. Таким образом, вы можете получить этот опыт, искать стажировки или рабочие места начального уровня, связанные с машинным обучением товаров.
4. ГРАДУСЫ И КОНЦЕНТРАЦИИ ML
Наилучшие степени / специальности в области искусственного интеллекта
Вот лучшие степени / специальности в области искусственного интеллекта:
Степень / Специальность в области искусственного интеллекта
Степень / специализация в области компьютерных наук
Математика степень / специальность
Статистическая степень / специальность
Степень / специализация в области науки о данных
Степень / специальность в области искусственного интеллекта
Среди людей, интересующихся профессией в области искусственного интеллекта, один из наиболее частых вопросов: «Есть ли степень в области искусственного интеллекта? «Действительно, есть степень в области искусственного интеллекта, но в настоящее время ее предлагают мало колледжей. Степень искусственного интеллекта является высшей степенью / основным направлением карьеры в области искусственного интеллекта. Традиционная учебная программа бакалавриата включает элементы информатики, компьютерной инженерии, машинного обучения, статистики и математики. Некоторые университеты теперь предлагают программы последипломного образования в области искусственного интеллекта, а также курсы технической квалификации в режиме онлайн.
В идеале это, вероятно, лучший вариант, потому что вы готовы открывать для себя ИИ в основном с первого дня. Просто ИИ уделяется больше внимания, чем любым другим связанным степеням / специальностям. На данный момент единственным большим недостатком степени искусственного интеллекта является то, что не так много колледжей предоставляют ее на уровне бакалавриата. Университет Карнеги-Меллона в США официально предлагает полную степень бакалавра в области искусственного интеллекта. Влиятельные университеты предприняли несколько попыток создать колледжи и программы обучения искусственному интеллекту. Ожидается, что в 2018 году Массачусетский технологический институт потратит 5 миллиардов долларов на обучение в колледже искусственного интеллекта, в то время как другие университеты предпринимают аналогичные шаги. Это лишь вопрос времени, когда степень / специализация в области искусственного интеллекта станет общепринятой и развитой во многих университетах, особенно в США, Канаде, Великобритании, Франции, Германии и Индии. Уровень искусственного интеллекта направлен на подготовку студентов и выпускников к центральной роли в реализации разработки / исследований ИИ.
Таким образом, независимо от того, является ли ваша цель помочь в создании искусственного интеллекта или задействовать существующие технологии искусственного интеллекта, степень искусственного интеллекта охватывает вас.
Степень / специализация в области компьютерных наук
В настоящее время некоторые университеты не имеют полного диплома об искусственном интеллекте. Но в нескольких колледжах также есть специальная программа, которая позволяет студентам, изучающим информатику, получить больший опыт в области искусственного интеллекта / машинного обучения.
Видя, что искусственный интеллект во многом связан с множеством концепций информатики, это, вероятно, следующий лучший выбор для получения степени ИИ.
Специализация в области компьютерных наук со специальным курсом AI / ML даст вам сильные позиции для карьеры в индустрии искусственного интеллекта.
Даже не имея опыта в области искусственного интеллекта / машинного обучения, специальность в области компьютерных наук сама по себе достаточно сильна, чтобы помочь вам начать карьеру в области искусственного интеллекта. И если вы разовьете силу в таких языках программирования, как Python, R, Matlab / Octave, C / C ++ или Java, это будет очень важно. Также будет очень важно ознакомиться со стандартными методами искусственного интеллекта и машинного обучения при изучении информатики. Степень в области компьютерных наук поможет вам сделать карьеру в области ИИ, особенно в области внедрения ИИ, чем в области исследований / разработок ИИ.
Однако, если вы заинтересованы в исследованиях и разработках в области искусственного интеллекта, вам может потребоваться получить ученую степень в области искусственного интеллекта помимо степени в области компьютерных наук.
При этом ваш статус трудоустройства на рынке труда с искусственным интеллектом значительно улучшится. Многие люди в индустрии искусственного интеллекта, добившиеся гигантских успехов, обычно имеют ученую степень в области искусственного интеллекта или в смежной области.
В общем, более продвинутая роль в искусственном интеллекте требует какой-то ученой степени. И поэтому я искренне рекомендую получить диплом по искусственному интеллекту после получения степени бакалавра компьютерных наук.
Диплом / специальность по математике
Искусственный интеллект в значительной степени зависит от математики, и поэтому одним из общих требований к работе в области ИИ является степень математика.
Тем не менее, если вы решите выбрать специализацию по математике в качестве своего пути к ИИ, это актуально для второстепенных специалистов по информатике. Некоторые университеты предлагают степень по науке о данных и математике, что также будет хорошим вариантом.
Математика была краеугольным камнем искусственного интеллекта еще до того, как стала предметом изучения в 1956 году.
Два отца-основателя AI, Марвин Мински и Джон Маккарти, имели образовательную основу исключительно в области математики, получив степени бакалавра, магистра и доктора философии. по математике.
На сегодняшний день математика остается неотъемлемой частью искусственного интеллекта, и с учетом того, что ИИ опирается на большие данные, степень математика сохраняет свой высокий статус в качестве требования для входа в отрасль искусственного интеллекта, особенно в области исследований и разработок в области ИИ.
Специальность по прикладной математике, которая познакомит вас с вычислительными методами и реализацией алгоритмов на компьютерах, лучше подготовит вас для входа в ИИ в областях реализации ИИ.
Обязательно приобретите знания таких языков программирования, как Python, R, Java, C / C ++ и / или Matlab / Octave. А также как можно глубже изучить стандартные методы искусственного интеллекта и машинного обучения.
Для более продвинутой роли в индустрии искусственного интеллекта будет актуальна степень магистра в области искусственного интеллекта, информатики или любая другая соответствующая степень.
Математика - это развлечение, и она останется основой искусственного интеллекта в краткосрочной и долгосрочной перспективе: будь то теоретическая математика или прикладная математика.
Статистическая степень / специальность
Одна из самых важных специальностей в области искусственного интеллекта - это статистика. Модели искусственного интеллекта часто являются математическими моделями, и отсюда важность большой статистики.
Вы станете горячим пирогом на рынке искусственного интеллекта, получив специализацию по статистике и второстепенную в области компьютерных наук. Хотя вы можете легко получить работу в области ИИ, имея всего одну специальность в области статистики, опыт в области компьютерных наук неоценим.
Если вы хотите построить свою карьеру в области искусственного интеллекта, более подходящей будет степень / специализация в области статистики. Но он также будет хорошо работать при внедрении ИИ.
Одним из наиболее частых требований при поступлении на работу в индустрии искусственного интеллекта является степень специалиста по статистике: это неудивительно.
Возникающая сегодня подобласть машинного обучения и управления искусственным интеллектом (глубокое обучение) во многом опирается на статистику. Большинство методов машинного обучения и глубокого обучения основаны на статистических теориях, что делает статистику одной из наиболее связанных с ИИ областей в современной практике ИИ.
Однако специальность / степень по статистике без участия в компьютерных науках оставит вас в затруднительном положении на рынке труда для ИИ.
Есть несколько способов сделать это, будь то специализация в области статистики и информатика, двойная специализация в области статистики и информатики, или диплом по статистике, и диплом в области искусственного интеллекта, информатики или любой другой смежной области.
Распространение ИИ не замедляется, все больше и больше предприятий становятся все более зависимыми от ИИ, и благодаря этому появляется много высокооплачиваемых рабочих мест в сфере ИИ.
Спрос на статистику также растет, поскольку ИИ все больше зависит от анализа статистических данных, чтобы сделать данные значимыми и использовать их для производства и внедрения ИИ.
Степень / специализация в области науки о данных
Специальности в области науки о данных сравнительно новы. Он тесно связан со статистикой, но отличается от нее. Он больше ориентирован на использование компьютеров / кодирование для доступа к широким записям базы данных, манипулирование данными и визуализацию данных в цифровом формате.
Системы искусственного интеллекта, в значительной степени зависящие от данных в их росте и дальнейшем развитии, делают специальности в области науки о данных очень бесценными для карьеры в области искусственного интеллекта.
Получив степень в области науки о данных, вы сможете изучать такие темы, как статистика, интеллектуальный анализ данных, машинное обучение, информатика, математика и информационные технологии.
Это одна из наиболее полных степеней для карьеры в области искусственного интеллекта. И неудивительно, что в сегодняшней индустрии искусственного интеллекта растет спрос на специалистов по данным.
Взгляд на то, как ведущие технологические компании (среди прочих, Google, Facebook, Amazon, Apple и Microsoft) в настоящее время внедряют ИИ, показывает, что они сильно зависят от науки о данных. Такие компании считают «сбор и анализ данных» главным приоритетом на пути к разработке и внедрению ИИ.
ИИ просто не будет существовать без данных, а наука о данных является пионером в обработке данных, что делает его центральным элементом в производстве и внедрении ИИ.
Диплом в области науки о данных позволит вам сделать карьеру в области искусственного интеллекта в отрасли. И вам будет довольно легко изменить / адаптироваться к программе выпускников, ориентированной на ИИ, для получения продвинутой должности.
Некоторые практикующие ученые в области искусственного интеллекта считают, что наряду со статистикой наука о данных является наиболее близкой к степени искусственного интеллекта.
Если вы выберете специальность / степень в области науки о данных, это отличный вариант для карьеры в области искусственного интеллекта. Поскольку искусственный интеллект и наука о данных открывает вам возможность исследовать эти результаты и манипулировать ими.
5. КОМПОНЕНТЫ УСПЕШНОГО MLCAREER: НАВЫКИ, ИНСТРУМЕНТЫ И ТЕХНОЛОГИЯ
Теория машинного обучения
Вам необходимо понимать, как использовать алгоритмы машинного обучения, каковы их цели и как использовать их в масштабе данных. Изучите основы наиболее широко используемых алгоритмов машинного обучения, от линейной регрессии до кластеризации k-средних.
Фонд теории компьютерных наук
Чтобы создать высокопроизводительные конвейеры данных, вам необходимо понимать, как работают алгоритмы машинного обучения, а также сколько времени и места они занимают для обработки различных объемов данных. Понимая, как можно минимизировать пространственные и временные ограничения, вы сможете создавать конвейеры машинного обучения, которые могут обрабатывать петабайты данных - важный навык, который необходимо иметь.
Обработка данных
Чтобы начать карьеру в области машинного обучения, вам нужно знать, как управлять наборами данных и работать с ними. Обработка данных - это когда компьютерные профессионалы очищают наборы данных и используют модели машинного обучения для их обработки. На практике этот процесс включает в себя множество операций по удалению ошибочных значений, проверке данных и последующему преобразованию их в желаемое состояние, чтобы их можно было элегантно преобразовать или обработать с помощью различных алгоритмов.
Для практики в разделе Kaggle есть множество наборов данных, с которыми вы можете поэкспериментировать, и в нем есть удобные функции поддержки и предыдущие проекты, чтобы вы могли увидеть, какие наборы данных являются наиболее популярными - и как люди боролись с ними в прошлом. .
Знакомство с распределенными вычислениями
Возможно, вам потребуется ознакомиться с распределенными вычислениями и приложениями, которые помогут вам воспользоваться преимуществами обработки данных либо на облачных серверах, либо путем распространения данных через различные серверы, которыми вы владеете. В действительности выполнение современных алгоритмов машинного обучения на очень больших наборах данных будет очень эффективным только в том масштабе, который вам нужен, чтобы стать техникой машинного обучения.
Рекомендации по совместной работе при кодировании
Вам нужно будет научиться работать с разными кодовыми базами и работать с многочисленными командами. Вот почему вы захотите ознакомиться с лучшими практиками проверки кода и изучить различные методы создания интуитивно понятного доступа к вашему коду и экземплярам, от контейнеров Docker до Flask в качестве конструктора API.
Python и его библиотеки
Python является основой большинства фреймворков, связанных с наукой о данных и инженерией данных. Вы захотите освоить его в разных библиотеках, от Pandas до sci-kit-learn, и его приложениях. К счастью, с точки зрения основ язык Python имеет очень простой синтаксис и очень похож на большинство других языков программирования. Он также очень гибкий, с библиотеками, которые помогают со всеми видами различных функций, и может охватывать несколько парадигм программирования, от объектно-ориентированного до более практичного. Хороший первый шаг - работать над машинным обучением на Python с помощью этого бесплатного интерактивного маршрута обучения.
Git и GitHub, Docker, API
Вы захотите получить представление о том, как эффективно использовать Git и GitHub для удобного взаимодействия с различными командами, использующими различные кодовые базы и разные модели. Это руководство по Git послужит для вас напоминанием об этой теме.
Контейнеры Docker позволят вам обмениваться приложениями, упакованными со всеми зависимостями, и являются важным инструментом для совместного создания программного обеспечения. Вам нужно разобраться в Docker и использовать его, чтобы делиться своими созданными приложениями.
Вы также захотите узнать, как быстро создавать API-интерфейсы и получать к ним доступ: они представляют собой структурированный набор правил, позволяющих получать данные и позволять другим получать их.
Spark / Hadoop
Вы захотите потренироваться в среде программирования распределенных данных, которая поможет вам справиться с нагрузкой больших наборов данных, которые могут достигать петабайтов. Это сообщение в блоге от Hadoop vs. Spark поможет вам выбрать, с какой системой работать, и предоставит некоторые начальные шаги для решения обеих проблем.
В Python есть реализация Spark, известная как PySpark, и множество документации и руководств по Spark, особенно с Databricks, если вы хотите начать работу со Spark. SparkML - популярная платформа машинного обучения, называемая «крупномасштабной». Можно утверждать, что Spark - это будущее, а Hadoop - это прошлое. Если вы так думаете, сконцентрируйтесь на развитии своих навыков в Огне.
Машинное обучение / алгоритмы глубокого обучения
Примерно сейчас вы должны иметь довольно четкое представление о том, как применять алгоритмы машинного обучения и глубокого обучения. Будут представлены старые алгоритмы машинного обучения, такие как линейная и логистическая регрессия, случайные леса и ансамбли. Вы сможете работать с новыми ансамблевыми алгоритмами, такими как XGBoost и Catboost, а также с распространенными архитектурами глубокого обучения.
TensorFlow
Изучение фреймворка TensorFlow и других библиотек глубокого обучения, таких как Keras, позволит вам использовать возможности нейронных сетей и улучшить обучение.
Хранение данных и конвейеры
Когда вы освоите инструменты, необходимые для масштабного усвоения данных, а затем поэкспериментируете с ними с различными подходами к машинному обучению, вы захотите связать все виды различных задач вместе, чтобы создать согласованный конвейер данных. Рассмотрим что-нибудь вроде системы Луиджи в Spotify. Он позволяет вам иметь дело с низкоуровневой сантехникой, поэтому вы можете сосредоточиться на том, что вы хотите, чтобы конвейер машинного обучения выполнял в высокоуровневой стратегии.
6. КАРЬЕРНЫЕ ТЕНДЕНЦИИ В МЛ
Машинное обучение получило развитие в ближайшие годы с ростом модернизации и технологий. Машинное обучение или способность компьютеров знать, интерпретировать и продолжать понимать логику и статистику проблемы - это современный способ решения технологических проблем. Машинное обучение на сегодняшний день было ведущей технологией, которая не только упростила человеческую работу, но и улучшила ее. В конце концов, новые технологии той эпохи открывают дорогу новейшим тенденциям и помогают людям лучше и точнее.
Машинное обучение было одним из нововведений, которые понравились техническим специалистам. Прогнозы на будущее и статистические данные, использованные в этом исследовании, относительно конкретны и наглядны. При разработке программного обеспечения или работе в сфере технологий разработчик следует нескольким структурам. Основываясь на имеющихся у него знаниях или фактах / цифрах, доступных ему после нескольких дней исследований и обзоров, он оказывается эталоном для его дальнейшего тщательного изучения этой области.
Следовательно, в настоящее время стало почти тенденцией постоянно обновляться с помощью технологий. Преобразование происходит так быстро и стремительно, что с точки зрения технологий и оцифровки мир меняется каждую секунду / минуту. Помимо технологий, которые мы используем сегодня и в повседневной жизни, мы должны сосредоточить внимание на будущих преимуществах этих технологий.
Это были технологии, которые так хорошо и с энтузиазмом улучшили нашу жизнь. Мы должны быть благодарны за прогресс в технологических областях, с которыми мы сталкиваемся. И во всех смыслах возможна досягаемость любой части технологии. Нужно только видение и способы дополнить различные способы, которыми их содержание будет способствовать развитию.
Говоря о новейшей технологии, которая уже приобрела механическую силу человека, «машинное обучение». Машинное обучение было известно как способность читать, изучать и интерпретировать алгоритмы, а затем предвидеть ответы на них.
Таким образом, для остальной части расширенной версии машинное обучение было одним из факторов, используемых в качестве лестницы.
Масштабы машинного обучения можно понять из того факта, что большинство отраслей уже проводят множество экспериментов, чтобы представить себя в процессе хорошо продвинутым и современным. Лучшее применение этой технологии - предложить нынешней молодежи и студентам различные варианты работы. Будь то аналитик данных или разработчик данных, или архитектор данных или облачный архитектор; каждый имеет то или иное отношение к содержанию машинного обучения.
Таким образом, машинное обучение предоставляет разработчикам и аналитикам большой и безопасный форум, на котором они могут читать, понимать и использовать теорию компьютеров и неожиданно повысить вовлеченность человеческих ресурсов. Поэтому многие институты и компании также стараются изо всех сил обучать и заставлять людей понимать важность этой области, давая им правильные знания и рекомендации.
7. ПЕРСПЕКТИВЫ РАБОТЫ ДЛЯ ИНЖЕНЕРА ML
Согласно опросу сайта Indeed, инженер по машинному обучению - лучшая работа 2019 года из-за растущего спроса и высоких зарплат. Карьера может похвастаться колоссальной годовой зарплатой в 146 085 долларов при темпах роста в прошлом году на 344 процента. В целом рабочие места, связанные с технологиями, остаются в выигрыше.
8. КОМПАНИИ, НАБЛЮДАЮЩИЕ инженера по машинному обучению
Многие стартапы и многонациональные корпорации нанимают инженеров / инженеров по обработке данных для машинного обучения.
Ниже перечислены несколько компаний:
1. Фрактальная аналитика
2. Скрытая аналитика представления
3. DBS
4. Абсолютные данные
5. Датадог
6. Датаматика
7. Инседо
8. Innovaccer
9. HappiestMinds
10. Bridgei2i
11.EY
12. Goldman Sachs
13. Куболе
14. Блумрич
15. Deloitte Analytics
16. Expedia
17. Visa Inc.
18. Mastercard
19. Paypal
20. Moody’s Analytics и многое другое.
9. Получение работы по машинному обучению
Поищите в Интернете исследования по машинному обучению. Текущие вакансии можно найти на тематических сайтах, таких как ZipRecruiter, Glassdoor и Indeed. В то время как несколько фирм используют название должности инженер по машинному обучению, некоторые могут использовать альтернативные названия, такие как:
Специалист по данным
AI инженер
Инженер по большим данным
Инженер по глубокому обучению.
- Напишите резюме, в котором продемонстрируйте свои навыки машинного обучения. При разработке резюме для работы по машинному обучению сосредоточьтесь на важных для вашей области элементах, таких как ваш профессиональный опыт и аккредитация для получения образования. Не забудьте упомянуть уникальные моменты, которые вы сделали в отношении машинного обучения, для любой предыдущей работы. Если вы выполнили какие-либо личные проекты, связанные с вашей работой, используйте короткие, состоящие из фраз описания, чтобы указать их в своем резюме. Если возможно, подключитесь к проекту, чтобы его увидела компания.
- Создает индивидуальное сопроводительное письмо для каждой роли, на которую вы претендуете. Укажите в сопроводительном письме сведения о своей работе, образовании и соответствующем опыте. Составьте короткое предложение или по два в каждом, чтобы персонализировать свои письма о том, что вы собираетесь принести организации, на которую вы подаете заявку. Сопроводительные письма не должны превышать 3 страниц.
10. Как устроиться на работу в ML
Если вы хотите устроиться на работу в сфере машинного обучения и начать карьеру на местах, вам нужно подумать о том, как найти различные рабочие места, как пройти собеседование и как связаться с вашей новой командой после того, как вас наняли.
Подход и исследования
На обычных рабочих столах вы вряд ли найдете роли в машинном обучении - они, как правило, являются конкретными ролями либо в крупных компаниях из списка Fortune 500, либо в небольших технологических стартапах. Сетевой подход - лучший способ найти работу в космосе: использовать информационные собеседования с существующими инженерами по машинному обучению, чтобы узнать об их команде и их методах найма, или участвовать в мероприятиях, посвященных машинному обучению, таких как серия O’Reilly Strata.
Если вы хотите найти в Интернете работу по машинному обучению, AngelList - одно из лучших мест, где можно найти высокую плотность стартапов и технических вакансий и помогает напрямую связать вас с менеджерами по найму или рекрутерами. Если вы хотите работать немного усерднее, но получить более качественные связи, менеджеры по найму часто будут размещать сообщения в Hacker News, особенно в ежемесячных обсуждениях «Кто нанимает». Последний также страдает от множества нежелательных электронных писем, которые отправляются менеджерам по найму.
Процесс собеседования
Когда вы выиграете собеседование, вам захочется к нему подготовиться. Поскольку это обширная тема и существует множество различных возможностей для применения машинного обучения, вы должны ожидать получения некоторых общих вопросов по теории машинного обучения (например, в чем разница между ядерными и неядерными методами?), Машинным реализация обучения (распространенный сценарий - пройти через типичный алгоритм, такой как кластеризация K-средних, и попросить вас поговорить через матрас.
Кроме того, в процессе должны быть рассмотрены поведенческие и исторические вопросы. Убедитесь, что у вас есть четкое описание того, где находится ваша работа, как машинное обучение и роль, на которую вы претендуете, вписываются в это повествование и как ваш предыдущий опыт работы с машинным обучением принесет пользу команде сейчас.
Присоединяйтесь к своей новой команде
Наконец, если вы получили работу, вам захочется точно знать, каковы ваши амбиции и каково ваше положение в команде. Поскольку задачи машинного обучения кажутся задачами программного обеспечения, вы захотите создать высокопроизводительный, простой для чтения код с нуля и научиться взаимодействовать как с командами, занимающимися данными, так и с разработчиками программного обеспечения. Эта серия ответов о повседневной жизни инженера по машинному обучению на Quora может помочь в этом отношении.
