Q:
Aké sú niektoré zo základných spôsobov, ktoré profesijní profesionáli vynikajú v strojovom vzdelávaní?
A:Úspech strojového učenia si často vyžaduje kombináciu zručností a skúseností. Podrobnejšie informácie o niektorých z týchto princípov a súprav zručností pomáhajú jednotlivcom lepšie pochopiť, čo spoločnosti hľadajú, keď najímajú odborníkov na strojové učenie.
Vo veľmi základnom zmysle by ste mohli povedať, že úspech strojového učenia sa často opiera o trojaký princíp - programovanie, matematika a pochopenie. Každá z týchto troch vecí je zásadne iná, ale každá z nich hrá úlohu pri rozvoji kariérneho odborníka ako odborníka na strojové učenie.
Od konca programovania sa znalosť jazykov ako Python a R stáva nesmierne užitočnou, existujú však aj zručnosti kríženia z jazykov ako COBOL, Perl a Ruby on Rails, ktoré môžu mať určitú hodnotu. Časť toho je kvôli základnej povahe programovania - že sa zaoberáte smerovaním operácií a hodnôt tam, kde je to potrebné. Potom existujú aj projekty strojového učenia, ktoré využívajú pôvodný kód.
Druhým základným princípom je matematika. Ľudia s pokročilými matematickými zručnosťami alebo prezieravosťou majú často oveľa väčší úspech vo svete strojového učenia. Keď sa pozerajú na neurónové siete alebo iné modely, dokážu rozobrať matematické rovnice, ktoré vedú k sieťovým výstupom. Ľudia často hovoria o tom, že neurónové siete sú „čiernymi skrinkami“, dokonca aj s technikmi - ale do tej miery, že ste dôvtipní v matematike, môžete sa vydať na ceste k lepšiemu porozumeniu toho, čo program robí.
To vedie k tretej zásade, ktorou sú informácie. Pochopenie pravdepodobnostných štatistík skutočne pomáha pri úspechu strojového učenia. Je to preto, že pri strojovom učení sa projekty presúvajú z čisto deterministickej alebo lineárnej programovacej zóny do novej pravdepodobnostnej zóny. Jednotlivci, ktorí majú väčšiu pravdepodobnosť v pravdepodobnosti, sa môžu pozrieť na vážené vstupy a lepšie predpovedať, aké výsledky by mohli byť. V inom zmysle však ľudia, ktorí sú intuitívne rozumní strojovému učeniu, pochopia, ako obmedziť svoje aplikácie na veci, ktoré dávajú zmysel.
Jedným z piatich najväčších úskalí strojového učenia v súčasnosti je nekontrolované a nerozvážne uplatňovanie strojového učenia do podnikových aplikácií. Existuje veľa situácií, keď strojové učenie jednoducho nie je dobrým riešením - či už je to kvôli zložitosti systému, nadmernému vybaveniu, predtým spomínanému problému s čiernou skrinkou alebo čokoľvek iného. Medzi najcennejších odborníkov v oblasti strojového učenia budú tí, ktorí vedia, ako si dobre zvoliť projekty - ako spravovať aplikácie strojového učenia - a ako zvládnuť nákup a postup ako kvalifikovaný konzultant.
