Введение 🏆
Я штатный инженер по машинному обучению (не @G) с 10-летним огромным опытом работы, поэтому сертификаты действительно повышают ценность — в определенной степени. Тем не менее, это правильный баланс: не слишком много и только правильные сертификаты.
Говоря об этом: сертификат GCP Professional ML Engineer, на мой взгляд, является самым ценным. Он предназначен для инженеров машинного обучения с более чем 3-летним опытом работы в экосистемах машинного обучения.
Отказ от ответственности. Я не являюсь нынешним или бывшим сотрудником Google. Однако я действительно готовлюсь к сдаче экзамена.
Время подготовки = (›3 года в год) + (5 .. 8 интенсивных недель)
Давайте идти! 🚀
- Этапы экосистем машинного обучения 🤖
- Алгоритм отображения проблем 👨💻
- Повышение навыков Google 📚
- История искусственного интеллекта и множество подмножеств ✅
- Архитектура Google Cloud ML
- Дополнительные ресурсы, обязательные к прочтению 👔
- Понятие, терминологическое разграничение 📑
- Связываем все вместе 🌎
Масштабная комплексная экосистема модели машинного обучения 🤖
Вышеприведенное является точным представлением экосистем машинного обучения в массовом масштабе. Существует множество компонентов: управление данными, создание модели, развертывание модели и вся вспомогательная инфраструктура.
Как инженер машинного обучения, вы должны иметь практический опыт работы со всеми концепциями на приведенной выше диаграмме и их реализацией.
Алгоритм -› отображение проблем 👨💻
Приведенный выше график не является исчерпывающим списком (количество алгоритмов: n). Тем не менее, он дает хорошее руководство, которое я нашел полезным.
Повышение квалификации Google 📚
Путь инженера по машинному обучению предлагает отличное введение в развертывание и работу с машинным обучением в масштабе. Представленные здесь концепции ориентированы на облако с оттенком академического классического машинного обучения. Обязательно приготовьтесь.
История искусственного интеллекта и многих подмножеств ✅
Важнейшие фундаментальные знания, которые должен знать любой инженер машинного обучения и энтузиасты ИИ. Знаете ли вы, что робототехника на самом деле является частью ИИ? Теперь ты!
Архитектура облачного машинного обучения Google
Другими компонентами, которые следует учитывать, являются Kafka, Spark, управление записными книжками, эксперименты, планирование емкости, разработка функций, хранилища функций, происхождение артефактов, мониторинг моделей, дрейф моделей, оркестровка и т. д.
Дополнительные обязательные к прочтению ресурсы 👔
- Технический документ Google Cloud AI Framework
- Google Cloud Architecture Center ✅ (отличный ресурс)
- Архитектура MLOps с использованием TensorFlow, Vertex AI Pipelines, Cloud Build
- Введение в BigQuery ML и поддерживаемые типы моделей
- Оптимизация производительности и затрат для рабочих нагрузок машинного обучения
- Структура проектирования системы на GCP ✅
- Обслуживание моделей Spark ML с помощью Vertex AI
- Глоссарий AI, ML и DS от Google ✅ (необычный ресурс)
- Руководство по подготовке к GCP MLE 2020
Концепция, определение терминологии 📑
Стоит отметить, что вы столкнетесь с различными ведрами номенклатуры. Они могут быть совершенно разными, а также пересекаться по смыслу или применению.
Например: наука о данных, машинное обучение, нейронные сети, глубокое обучение, облачная инфраструктура, разработка функций.
Пример: обратное распространение, градиентный спуск, скорость обучения — это понятия глубокого обучения. В то время как переобучение/недообучение, AUC относится к науке о данных.
Я обнаружил, что очень эффективно строить ментальные карты и деревья решений, диаграммы всех этих понятий и их взаимосвязей, если таковые имеются.
Data Scientist поставит задачу немного иначе, чем ML Researcher, и как Sr+ ML Engineer вы должны заполнить пробел, а также задействовать и то, и другое.
Соединяем все вместе 🌎
Так! При условии, что вы прошли Путь обучения ML Eng, 2–3 года опыта и прочитали все ресурсы: теперь у вас должно быть глубокое понимание экосистемы ML, многих концепций, инструменты и платформы, используемые для их создания, и то, как они реализованы в Google Cloud!