Если вы мечтаете стать специалистом по обработке данных или инженером по машинному обучению, вы находитесь в правильном месте, с которого можно начать свой путь. Это руководство полностью основано на моем личном опыте развития навыков машинного обучения и моей мечты сделать из этого карьеру! *Скрещенные пальцы*. Давайте начнем с этих шагов, и успех гарантирован!
- Практика Python или R: модели ML разрабатываются с использованием Python или R. Вам нужно хорошо владеть любым из этих языков, чтобы без особых усилий создавать модели ML. Практикуйте Python, беря уроки на местном уровне, проходя онлайн-курс или используя обучающие материалы на YouTube. Чтобы улучшить свой Python, вы можете стать частью сообщества Hacckerrank, зарабатывать значки и изучать новые концепции!
- Поймите основы: это может показаться незначительным, но основы играют важную роль в закладке основы вашего понимания более сложных концепций. Чтобы начать с основ, вы можете прочитать, что такое ML в Википедии, изучить его преимущества и реальные приложения. Необязательно все это читать; все, что вам нужно, это обзор того, к чему вы идете. Слепое обучение часто ни к чему не приводит. Лучше иметь собственный путь. Нет? Вы как раз попали в нужное место, чтобы составить карту для себя! Продолжай читать.
- Социальные сети: это может заставить вас задуматься, но, согласно опросу, молодые люди проводят большую часть своего драгоценного времени на мобильных телефонах, особенно в Instagram. * прокрутка * Вместо этого вы можете следить за страницами, связанными с машинным обучением, и узнавать много нового из их повседневных публикаций. Обычно эти сообщения похожи на карточки и помогают вспомнить уже известные концепции или научат вас новым. Это отличный способ продуктивно провести часть своего времени в социальных сетях.
- Создайте сеть: наличие учетной записи LinkedIn обязательно! Он поучителен, держит вас в курсе тенденций, и вы все в курсе. В LinkedIn также есть группы или, скорее, сообщества, особенно для практиков ML. Присоединяйтесь к этим группам и узнайте, чем занимаются эти эксперты.
- Kaggle: Kaggle - отличная платформа для применения ваших знаний и разработки небольших моделей машинного обучения. Микрокурсы, предлагаемые Kaggle, тоже великолепны, к тому же они предлагают бесплатную сертификацию! * вишня сверху *. Участвуйте в соревнованиях, решайте задачи и поддерживайте свою серию.
- Coursera: На Coursera есть много курсов, которые можно проводить бесплатно, и для начала я бы посоветовал курс, предложенный Стэнфордским университетом профессором Эндрю Нг. Отличный курс. * Это своего рода традиция, что каждый специалист по обработке и анализу данных или специалист по машинному обучению принимал участие в этом курсе * Итак, записывайтесь!
- Удеми: Udemy намного дешевле, чем Coursera, и некоторые курсы, доступные на Udemy, обучают каждой мелочи по этому предмету. Машинное обучение: от А до Я - это один из курсов машинного обучения на Udemy, на который вы можете потратить небольшую сумму, потому что результаты того стоят.
Эти шаги сопровождаются усилиями, которые вы вкладываете в понимание этих концепций, а также последовательностью и самоотверженностью, которые вы вкладываете в их овладение. Обучение программированию и разработке алгоритмов чрезвычайно полезно и приносит удовлетворение, но также может быть трудным и разочаровывающим. Чтобы овладеть любым навыком, нужно время. Это невозможно сделать за день или даже за неделю. С учетом сказанного, я считаю, что любой может изучить любой навык, если он проявит такое терпение. Энтузиазм улетучивается, когда практика становится повседневной задачей. Позаботьтесь о том, чтобы это не повлияло на вас и не заставило вас откладывать дела на потом. Бывают моменты, когда вы будете зацикливаться на некоторых концепциях и сомневаться в своей способности продвигаться вперед. Но с настойчивостью и упорством успех не знает ничего, что могло бы его ограничить!
