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! 🚀

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 👔

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!