Отметим (?) Выпуск на карантине. Прежде всего, я хочу поздравить весь класс 2020 года, включая себя, хотя все знают, что это может быть худший рынок труда для выпускников со времен финансового кризиса.

Найти работу мечты труднее

Пока поиск работы - тяжелая работа, но найти работу, которая вам нравится, еще сложнее. Более того, для человеческого процветания это не просто вопрос поиска работы - любой работы. Важно найти подходящую работу. Я хочу предложить один из подходов к поиску работы, который позволяет найти работу своей мечты, - это как процесс машинного обучения при выполнении градиентного спуска.

Почему я так говорю? Обычно с первого раза сложно найти любимую работу. Возможно, это потому, что мы не знаем, чего на самом деле хотим. Возможно, это потому, что мы упустили ту работу, которую хотели или, мы думали, что это та работа, которую хотели, но, выполнив ее, мы обнаружили, что это не так.

Не волнуйтесь, если у вас такая же ситуация. Опрос Gallup показал, что всего 34% сотрудников в США вовлечены, с энтузиазмом относятся к своей работе и работе.

Используйте логику машинного обучения для поиска вакансий как расширенного процесса

Главное - подумать о том, как вы можете извлечь уроки из каждой ситуации, чтобы добиться лучших результатов в будущем. Другими словами, так же, как ИИ (искусственный интеллект) можно научить работать лучше с помощью машинного обучения, люди могут использовать наш естественный интеллект для достижения своих целей.

Когда мы выбираем, какие модели машинного обучения могут быть лучше, например KNN, логистическая регрессия, линейная SVM и т. Д., Сама модель машинного обучения обычно имеет параметры (веса и смещения) и функцию стоимости для оценки того, насколько эффективен конкретный набор параметры есть.

Тогда градиентный спуск - один из самых популярных алгоритмов обучения моделей машинного обучения. Проще говоря, нам нужно найти лучший набор весов для модели, который минимизирует функцию стоимости, а градиентный спуск предоставляет метод для достижения этой цели.

Представьте себе: мы хотим спуститься к реке у дна долины (работа вашей мечты), и наша цель - использовать самый быстрый способ добраться до дна долины. Мы оглядываемся и понимаем, что у нас есть более чем один путь на выбор. Однако мы хотим знать, какой из них самый быстрый. Как мы можем сделать шаг, который приблизит нас как можно ближе к прохладным плещущимся внизу водам? До сих пор не ясно, как это сделать. В этом нам может помочь градиент.

Градиентный спуск - это итеративный метод. Сначала мы начинаем с некоторого набора значений для параметров нашей модели (весов и смещений), а затем улучшаем их постепенно. В итоге мы находим лучшие параметры (путь) для этой модели (прокладывая путь к реке внизу).

Вы заметили, я говорю, что он улучшает их постепенно ?

Действовать шаг за шагом

Позвольте мне объяснить все это попроще. Ниже представлен двухмерный график, но это может быть не всегда, особенно в случае более высоких измерений. Для этих случаев нам необходимо разработать алгоритм для определения минимумов.

Теперь представьте, что мы идем по графику ниже и в настоящее время находимся в «зеленой» точке. Наша цель - достичь минимума: «красной» точки, но с нашей позиции мы не можем ее увидеть. Мы могли выбирать, идти ли вверх или вниз, и делать ли шаг побольше или маленький, чтобы достичь нашей цели.

Градиентный спуск - это способ помочь нам принять решение. Сосредоточьтесь на «зеленой» и «синей» точках. Наклон у синей точки менее крутой, чем у зеленой точки. Это означает, что для достижения минимума от зеленой точки потребуется гораздо меньше шагов, чем от синей. На графике всего две точки, но на самом деле точек на линии много, и нужно пропускать их точка за точкой, чтобы добраться до красной точки.

Со своей стороны, эта иллюстрация напоминает мне не только о том, что поиск работы, которую я люблю, должен осуществляться поэтапно, но и о том, что даже несколько шагов помогут мне быстрее достичь своих целей.

Вы почти к месту назначения

Поиск работы, которую мы любим, - это не простая заранее запрограммированная ситуация, например, сдача экзамена или занятия. В таких случаях есть очевидные правила, которым нужно следовать, с готовыми отзывами, из которых можно учиться. Вместо этого поиск работы - это процесс поиска лучших параметров шаг за шагом (каждая вакансия, которая у вас есть во времени). Вы должны создать свой собственный отзыв. На это нужно время и силы. Однако, если вы не откажетесь от попыток и открытий, вы получите лучшую модель машинного обучения (работу своей мечты).

Давайте попробуем градиентный спуск, чтобы найти работу своей мечты!