Пошаговое руководство по началу работы с машинным обучением

В этом развивающемся мире технические достижения играют жизненно важную роль. Мы наверняка слышали, что технологии быстро решили некоторые старые нерешенные проблемы. Машинное обучение – одна из таких технологий, способная решить множество проблем в самых разных областях. ML совершает революцию в промышленности, помогая врачам в медицинском секторе, армии в обороне, фермерам в сельском хозяйстве, ученым в их инновациях и многим другим.

Машинное обучение и искусственный интеллект – одни из самых горячих тем, которые могут обеспечить светлое будущее для любого человека в ближайшее десятилетие. По данным Indeed, инженер машинного обучения занимает первое место среди лучших вакансий 2022 года. Средняя зарплата инженера ML составляет $146 085, что значительно выше.

Однако такие технологии, как AI и ML, являются новыми в промышленности, поэтому стать инженером в области AI/ML не так просто. Сделать первые шаги в этой области сложно не потому, что в Интернете доступно меньше ресурсов, а потому, что большинство ресурсов не имеют надлежащей структуры, и начинающие ученики сдаются. Чтобы продвинуться в этой области, нам нужны шаги, ориентированные на требования. Поэтому нам всегда необходимо сначала найти правильное руководство, структурированное таким образом, чтобы оно могло поддерживать нас на протяжении всего нашего пути.

В этой статье мы поделимся шестью определенными шагами обучения, которым следуют несколько профессионалов, работающих в индустрии ML. Эти шаги могут отличаться от обычных методов, но мы можем заверить вас, что эти шаги работают.

Шаг 0: Изучите основы языка Python

Python – наиболее часто используемый язык в машинном обучении и глубоком обучении. Более 60% профессионалов, работающих в области ML, предпочитают Python для разработки своих AI/ML-решений. Поэтому мы рекомендуем учащимся ознакомиться с основами языка программирования Python. Для изучения Python можно воспользоваться одним из трех вариантов:

• Модуль 1 бесплатной учебной программы EnjoyAlgorithms по ML
• Программирование для всех (Начало работы с Python).
• Google Python Class

Примечание: Существуют и другие языки программирования, такие как R, Scala и Julia, но мы делаем акцент на Python по шести важным причинам, показанным на рисунке ниже.

Шаг 1: Попытайтесь найти ответы на некоторые основные вопросы, связанные с машинным обучением.

Чтобы изучить любую новую технологию, мы должны знать ответы на некоторые основные вопросы.

• Что это за технология?
• Когда эта технология появилась?
• Почему эта технология вообще существует?
• Где мы можем использовать эту технологию?
• Как работает эта технология?
• Каковы сферы применения этой технологии в ближайшее десятилетие?

Ответы на первые четыре вопроса мы можем найти в двух блогах, представленных на EnjoyAlgorithms Сравнение ML с традиционным программированием и AI vs. ML. На пятый вопрос можно найти ответ в статье “Как именно происходит машинное обучение?” с примером. Чем больше мы будем копать, тем более обогащенным будет наше обучение. Этот шаг очень важен, если мы заинтересованы в том, чтобы сделать карьеру в этой области.

Шаг 2: Ознакомьтесь с основами математики, необходимой для машинного обучения

Примечание: Этот шаг можно сделать параллельно с последующими шагами, так как для начинающих учеников начало изучения математики может занять много времени. Мы верим в философию “Learning by Doing”, поэтому мы рекомендуем изучать основные вещи, пока вы с ними сталкиваетесь на своем пути.

Чтобы стать экспертом в области машинного обучения, мы должны знать основы некоторых наиболее часто используемых математических методов в машинном обучении. Такие понятия, как линейная алгебра, вероятность, статистика и исчисление, могут быть основополагающими строительными блоками ML’ML. Нам нет необходимости осваивать эти концепции, поскольку только некоторые их части будут полезны при решении задач. Хотя мы будем использовать встроенные библиотеки Python, такие как Numpy, Pandas и т.д., необходимо изучить эти концепции, чтобы понимать, что происходит внутри.

Ниже приведены ссылки на бесплатные курсы, которые познакомят вас с..,

Библиотеки Python, которые очень полезны и обязательны к изучению, – это :

Эти библиотеки могут реализовать сложные математические уравнения в нескольких строках кода. Мало того, эти библиотеки оптимизируют вычисления таким образом, что наши алгоритмы работают более чем в 10 раз быстрее.

Шаг 3: Играем с данными

Мы разделили этот шаг на две части, обе из которых работают параллельно,

Часть 1: Познакомьтесь с концепцией данных, анализа, манипулирования, фильтрации и визуализации.

Этот шаг является одним из самых важных в области машинного обучения. Есть одно известное высказывание,

Способность извлекать полезную информацию из заданного набора данных – это ключ к различию между средним и лучшим инженером машинного обучения.

Модель машинного обучения лучше всего работает с предварительно обработанными и осмысленными данными. На этом этапе мы также должны изучить некоторые библиотеки Python, специально разработанные для помощи в предварительной обработке данных.

Библиотеки Python, полезные для этого шага, следующие:

и официальный документооборот Pandas (используется для визуализации набора данных).

Мы можем пройти некоторые онлайн-курсы, чтобы узнать больше о предварительной обработке данных. Курсы, которые мы можем посмотреть, чтобы освоить шаги по предварительной обработке данных, следующие:

• Модуль 3 бесплатного ML-курса EnjoyAlgorithms

Пожалуйста, имейте в виду, что глубина этой области безгранична. Мы рассмотрим выборочные вещи, которые необходимы для решения наших задач в области машинного обучения.

Часть 2: Выберите любой набор данных с открытым исходным кодом и параллельно применяйте знания из части 1

Как мы уже говорили, нет смысла учиться чему-то, если мы не практикуем это, поэтому мы рекомендуем найти несколько наборов данных с открытым исходным кодом, которые мы можем найти здесь. Можно загрузить любой набор данных и попытаться применить знания, полученные в части 1.

Задание: Например, загрузить набор данных COVID-19, очистить его и найти географический регион с максимальным количеством случаев Covid.

Шаг 4: Запуск разработки ML-модели

Этот шаг также состоит из двух частей, где часть 1 снова посвящена обучению, а часть 2 – тестированию результатов обучения части 1.

Часть 1: Введение в Machin

Мы всегда должны стараться проникнуть в глубину концепции и найти ответ на вопросы “Что”, “Почему” и “Как” любой идеи или алгоритма. Хотя использование библиотек или фреймворков блокирует подлинный опыт реализации млм алгоритмов с нуля, наш мотив не в том, чтобы “изобретать колесо”. Желательно понимать принцип работы алгоритмов, но мы можем использовать фреймворки при их создании.

Часть 2: Определите постановку задачи, которую мы хотим решить с помощью машинного обучения

1. Этот шаг является обязательным, если мы хотим стать экспертом в области машинного обучения. Мы видели много профессионалов с хорошими сертификатами, которые не могут решить проблемы с помощью ML. Поэтому мы настоятельно рекомендуем решить хотя бы одну задачу, доступную в свободном доступе. Это даст нам достаточно уверенности, чтобы считать данного специалиста поставщиком решений. Необходимо сначала пройти весь курс, а затем попробовать решить задачу. Можно выбрать любую задачу простой сложности и решать ее шаг за шагом, параллельно проходя курс.
2. Много таких задач можно найти в модулях 5, 6 и 7 курса EnjoyAlgorithms ML.
3. Выполнив описанные выше шаги, можно стать грамотным ML-инженером с практическим опытом. Мы можем начать с задач умеренной сложности, а затем перейти к более сложным. Если мы хотим увлечься этим, мы можем собирать научные статьи по машинному обучению и пытаться их реализовать. Это сделает наш опыт лучше и придаст нам уверенности.
4. Общий процесс разработки модели машинного обучения можно увидеть на рисунке выше. Мы могли бы убрать развертывание модели из картинки, но всегда рекомендуется создавать что-то полностью и предлагать это как законченное решение.

Шаг 5: Изучение глубокого обучения и нейронных сетей

Повторите ту же стратегию, что и в шаге 4, и следуйте философии Learning by Doing.

Несколько хороших рекомендаций по курсам глубокого обучения:

У нас также есть совершенно другой путь изучения концепции глубокого обучения, который проходит через вышеупомянутые курсы. Мы расскажем об этом пути в отдельном блоге.

6 причин, почему мы должны использовать python для машинного обучения

полный процесс работы машинного обучения