‘Я хочу изучать искусственный интеллект и машинное обучение. С чего начать?

Как я прошел путь от гения Apple до неудачника стартапа, от водителя Uber до инженера по машинному обучению

Хитрость заключается в том, чтобы ходить по кафе, пока не найдете то, в котором отличный кофе и много естественного света. Тогда учеба станет легкой. Фото Мэдисон Канна. Спасибо, xoxo.

Я работал в Apple Store и хотел перемен. Чтобы начать создавать технику, которую я обслуживал.

Я начал изучать машинное обучение (ML) и искусственный интеллект (AI).

Сейчас так много всего происходит. Слишком много.

Каждую неделю кажется, что Google или Facebook выпускают новый вид ИИ, чтобы ускорить работу или улучшить наш опыт.

И не говорите мне о количестве компаний, занимающихся разработкой самодвижущихся автомобилей. Хотя это и хорошо. Я не люблю водить машину, а дороги опасны.

Несмотря на все это, до сих пор не выработано единое определение того, что именно представляет собой искусственный интеллект.

Некоторые утверждают, что глубокое обучение можно считать искусственным интеллектом, другие говорят, что это не искусственный интеллект, пока он не пройдет тест Тьюринга.

Это отсутствие определения очень тормозило мой прогресс вначале. Было трудно изучать то, что имеет так много различных определений.

Хватит об определениях.

Как я начал?

Мы с друзьями создавали веб-стартап. Он провалился. Мы сдались из-за отсутствия смысла. Но по пути я все чаще стал слышать об ML и AI.

“Компьютер учится чему-то за вас?”. Я не мог в это поверить.

Я наткнулся на нанодиплом по глубокому обучению от Udacity. В одном из промо-роликов был забавный персонаж по имени Сирадж Равал. Его энергия была заразительной. Несмотря на несоответствие основным требованиям (я никогда раньше не написал ни строчки на Python), я записался.

За 3 недели до начала курса я написал в службу поддержки Udacity с вопросом о политике возврата денег. Я боялся, что не смогу закончить курс.

Мне не вернули деньги. Я закончил курс в установленные сроки. Это было трудно. Временами очень трудно. Мои первые два проекта были сданы с опозданием на четыре дня. Но волнение от причастности к одной из самых важных технологий в мире заставляло меня двигаться вперед.

Закончив курс Deep Learning Nanodegree, я гарантированно был принят на курсы Udacity AI Nanodegree, Self-Driving Car Nanodegree или Robotics Nanodegree. Все отличные варианты.

Я снова потерялся.

Классика. “Куда мне идти дальше?”

Мне нужна была учебная программа. Я заложил фундамент с помощью нанодиплома по глубокому обучению, теперь нужно было понять, что делать дальше.

Моя самостоятельно созданная степень магистра ИИ

Я не планировал возвращаться в университет в ближайшее время. У меня не было 100 000 долларов на обучение в университете.

Чтобы заставить себя нести ответственность, я начал делиться своими познаниями в Интернете. Я решил, что смогу практиковаться в передаче информации, которую я узнал, а также найти других людей, которые интересуются тем же, что и я. Мои друзья до сих пор думают, что я инопланетянин, когда я отправляюсь в одну из своих эскапад ИИ.

Я сделал доску Trello публичной и написал статью в блоге о своих начинаниях.

Программа обучения немного изменилась с тех пор, как я впервые ее написал, но она по-прежнему актуальна. Я заходил на доску Trello несколько раз в неделю, чтобы отслеживать свой прогресс.

Получение работы

Я австралиец. А вся суматоха, казалось, происходила в США.

Поэтому я поступил самым логичным образом и купил билет в один конец. Я учился целый год и решил, что самое время применить свои навыки на практике.

Мой план состоял в том, чтобы приехать в США и устроиться на работу.

Затем Эшли написала мне в LinkedIn: “Привет, я видела твои посты, и они действительно классные, думаю, тебе стоит познакомиться с Майком”.

Я рассказала ему свою историю об обучении в Интернете, о том, как я люблю медицинские технологии, и о своих планах поехать в США.

“Возможно, вам лучше остаться здесь на год или около того и посмотреть, что вы сможете найти, я думаю, вам понравится встреча с Кэмероном”.

У нас состоялся примерно такой же разговор, о чем говорили мы с Майком. Здоровье, технологии, онлайн-обучение, США.

“Мы работаем над некоторыми проблемами со здоровьем, почему бы вам не зайти в четверг?”

Наступил четверг. Я нервничала. Но кто-то однажды сказал мне, что нервничать – это то же самое, что и волноваться. Я переключилась на волнение.

Я провел день, знакомясь с командой Макса Кельзена и проблемами, над которыми они работали.

Два четверга спустя Ник, генеральный директор, Атон, ведущий инженер по машинному обучению, и я пошли выпить кофе.

“Как вы смотрите на то, чтобы присоединиться к команде?” спросил Ник.

Мой рейс из США перенесли на пару месяцев, и я купил обратный билет.

Делиться своей работой

Обучаясь онлайн, я понимал, что это нетрадиционно. Все должности, на которые я претендовала, требовали наличия степени магистра или хотя бы какого-то технического образования.

У меня не было ни того, ни другого. Но у меня были навыки, которые я приобрела благодаря множеству онлайн-курсов.

Попутно я делился своей работой в Интернете. Мой GitHub содержал все проекты, которые я делал, мой LinkedIn был заполнен, и я практиковался в передаче того, что я узнал, через YouTube и статьи на Medium.

Я никогда не подавал резюме для Макса Кельзена. “Мы видели ваш профиль на LinkedIn”.

Мое резюме – это моя работа.

Независимо от того, обучаетесь ли вы онлайн или получаете степень магистра, наличие портфолио с описанием того, над чем вы работали, – это отличный способ почувствовать себя в игре.

Навыки ML и AI пользуются спросом, но это не значит, что их не нужно демонстрировать. Даже самый лучший продукт не будет продаваться без места на полке.

Будь то GitHub, Kaggle, LinkedIn или блог – имейте место, где люди смогут вас найти. Кроме того, иметь свой собственный уголок в Интернете – это очень весело.

Как начать?

Где вы учитесь этим навыкам? Какие курсы лучше всего подходят?

Лучшего ответа не существует. У каждого свой путь. Некоторые люди лучше учатся по книгам, другие – по видео.

Важнее того, как вы начинаете, то, почему вы начинаете.

Почему вы хотите освоить эти навыки?

Хотите ли вы зарабатывать деньги?

Вы хотите строить вещи?

Вы хотите изменить мир к лучшему?

Нет правильной причины. Все они по-своему весомы.

Начните с “почему”, потому что “почему” важнее, чем “как”. Наличие причины означает, что когда будет трудно, а будет трудно, вам будет к чему обратиться. Что-то, что напомнит вам, почему вы начали.

У вас есть причина? Отлично. Пришло время для некоторых сложных навыков.

Я могу рекомендовать только то, что пробовал сам.

Я прошел курсы от (по порядку):

Treehouse – Введение в Python

DataCamp – Введение в Python и Python для Data Science Track

Udacity – Deep Learning & AI Nanodegree

Coursera – Deep Learning by Andrew Ng

• fast.ai – часть 1, скоро будет часть 2.
• Все они мирового класса. Я – визуальный ученик. Я лучше учусь, видя, как все делается. Все эти курсы дают такую возможность.
• Если вы абсолютный новичок, начните с вводных курсов по Python, а когда станете немного увереннее, переходите к науке о данных, машинному обучению и искусственному интеллекту. DataCamp отлично подходит для начинающих изучать Python, но желающих изучать его с упором на науку о данных и машинное обучение.
• Сколько математики?
• Самый высокий уровень математического образования у меня был в средней школе. Остальное я изучал в Академии Khan по мере необходимости.

Существует много разных мнений о том, сколько математики нужно знать, чтобы заниматься машинным обучением и ИИ. Я поделюсь своим.

Если вы хотите применить методы машинного обучения и ИИ к какой-либо проблеме, вам не обязательно нужно глубокое понимание математики, чтобы получить хороший результат. Такие библиотеки, как TensorFlow и PyTorch, позволяют человеку с небольшим опытом работы с Python создавать самые современные модели, в то время как математика остается за кадром.

Если вы хотите углубиться в машинное обучение и исследования в области ИИ посредством программы PhD или чего-то подобного, глубокое знание математики имеет первостепенное значение.

В моем случае я не стремлюсь глубоко погружаться в математику и улучшать производительность алгоритма на 10%. Я оставлю это людям умнее меня.

Вместо этого я с удовольствием использую доступные библиотеки и манипулирую ими для решения задач по своему усмотрению.

Чем на самом деле занимается инженер машинного обучения?

То, чем занимается инженер машинного обучения на практике, может оказаться совсем не тем, что вы думаете.

Несмотря на фотографии на обложках многих статей в Интернете, он не всегда работает с роботами, у которых красные глаза.

Вот несколько вопросов, которые инженер машинного обучения должен задавать себе ежедневно.

Контекст – Как можно использовать ML, чтобы узнать больше о вашей проблеме?

Данные – Нужно ли вам больше данных? В какой форме они должны быть? Что делать, если данных не хватает?

Моделирование – Какую модель следует использовать? Работает ли она слишком хорошо на данных (чрезмерная подгонка)? Или почему она работает не очень хорошо (недооптимизация)?

Производство – Как вы можете внедрить свою модель в производство? Должна ли это быть онлайн-модель или она должна обновляться через определенные промежутки времени?

• Продолжение – Что произойдет, если ваша модель сломается? Как улучшить ее с увеличением количества данных? Есть ли лучший способ сделать что-то?
• Я позаимствовал эти вопросы из замечательной статьи Рейчел Томас, одного из основателей fast.ai, она более подробно описывает их в полном тексте.
• Чтобы узнать больше, я снял видео о том, чем мы обычно занимаемся по понедельникам в Max Kelsen.
• Нет определенного пути
• Не существует правильного или неправильного пути в ML или AI (или что-либо еще).

Самое замечательное в этой области то, что у нас есть доступ к одним из лучших технологий в мире, и все, что нам нужно сделать, это научиться их использовать.

Вы можете начать с изучения кода на языке Python (мой любимый).

Можно начать с изучения калькуляции и статистики.

Можно начать с изучения философии принятия решений.

Машинное обучение и искусственный интеллект привлекают меня потому, что они находятся на пересечении всех этих аспектов.

Чем больше я узнаю об этом, тем больше понимаю, что мне еще многое предстоит узнать. И это приводит меня в восторг.

Иногда я расстраиваюсь, когда мой код не выполняется. Или я не понимаю концепцию. Тогда я временно сдаюсь. Я сдаюсь, позволяя себе уйти от проблемы и вздремнуть. Или пойти прогуляться. Когда я возвращаюсь, мне кажется, что я смотрю на проблему другими глазами. Волнение возвращается. Я продолжаю учиться. Я говорю себе. Я – машина для обучения”.

В этой области происходит так много событий, что бывает трудно начать. Слишком много вариантов приводит к отсутствию выбора. Не обращайте на это внимания.

Начните с того, что вас больше всего интересует, и следуйте за ним. Если это заведет в тупик, отлично, вы поняли, что вам неинтересно. Проследите свои шаги и выберите другую развилку дороги.

Компьютеры умны, но они все еще не могут учиться самостоятельно. Им нужна ваша помощь.