Q:
Was sind einige der grundlegenden Methoden, mit denen sich Karriereprofis vom maschinellen Lernen abheben?
EIN:Der Erfolg des maschinellen Lernens erfordert oft eine Kombination von Fähigkeiten und Erfahrungen. Das Eingehen auf einige dieser Prinzipien und Fähigkeiten hilft dem Einzelnen, besser zu verstehen, wonach Unternehmen suchen, wenn sie Experten für maschinelles Lernen einstellen.
Im Grunde kann man sagen, dass der Erfolg des maschinellen Lernens oft auf einem dreifachen Prinzip beruht - Programmierung, Mathematik und Einsicht. Jedes dieser drei Dinge unterscheidet sich grundlegend, aber jedes von ihnen spielt eine Rolle bei der Entwicklung eines Karriereprofis als Experte für maschinelles Lernen.
Von der Programmierseite aus gesehen ist es äußerst nützlich, Sprachen wie Python und R zu kennen, aber es gibt auch Crossover-Kenntnisse in Sprachen wie COBOL, Perl und Ruby on Rails, die einen gewissen Wert haben können. Ein Teil davon liegt in der fundamentalen Natur der Programmierung - dass Sie es damit zu tun haben, die Operationen und Werte dorthin zu leiten, wo sie sein müssen. Daneben gibt es auch maschinelle Lernprojekte, bei denen Legacy-Code zum Einsatz kommt.
Das zweite Grundprinzip ist die Mathematik. Menschen mit fortgeschrittenen mathematischen Fähigkeiten oder Scharfsinn haben in der Welt des maschinellen Lernens oft viel mehr Erfolg. Wenn sie sich neuronale Netze oder andere Modelle ansehen, können sie die mathematischen Gleichungen auflösen, die zu den Netzwerkausgaben führen. Man spricht oft davon, dass neuronale Netze selbst für Techniker „Black Boxes“ sind. Wenn Sie jedoch mit Mathematik vertraut sind, können Sie sich auf den Weg machen, um besser zu verstehen, was das Programm tut.
Das führt zum dritten Prinzip, den Einsichten. Das Verständnis der Wahrscheinlichkeitsstatistik trägt wirklich zum Erfolg des maschinellen Lernens bei. Das liegt daran, dass Projekte beim maschinellen Lernen von einer rein deterministischen oder linearen Programmierzone in eine neue probabilistische Zone übergehen. Personen, die sich mit Wahrscheinlichkeiten besser auskennen, können sich gewichtete Eingaben ansehen und besser vorhersagen, welche Ergebnisse erzielt werden könnten. In einem anderen Sinne werden Menschen, die intuitiv mit maschinellem Lernen umgehen, verstehen, wie sie ihre Anwendungen auf sinnvolle Dinge beschränken können.
Eine der fünf großen Gefahren des maschinellen Lernens ist heute die weit verbreitete und wahllose Anwendung des maschinellen Lernens in Unternehmensanwendungen. Es gibt viele Situationen, in denen maschinelles Lernen keine gute Lösung darstellt - sei es aufgrund der Komplexität des Systems, einer Überanpassung, des zuvor erwähnten Black-Box-Problems oder sonstiger Faktoren. Einige der wertvollsten Fachleute im Bereich des maschinellen Lernens sind diejenigen, die wissen, wie man Projekte gut auswählt - wie man Anwendungen für maschinelles Lernen kuratiert - und wie man Buy-in und Verfahren als kompetenter Berater handhabt.