Але важливо глибше розуміти Python і шаблони проєктування та писати структурно чистий код. Книжка Clean Code in Python охоплює теми шаблонів проєктування, архітектури програмного забезпечення, декораторів тощо й допоможе вам покращити навички програмування. Ще одна рекомендація — Designing Machine Learning Systems.
Текущая ситуация на рынке труда
- І це можуть зробити не тільки глобальні гіганти, як Facebook чи Google, але й невеликий стартап.
- І тоді відповідно зазначені Вами терміни стають вдвічі довшими.
- Тож кількість вакансій в Україні зменшилася, водночас — зменшилася і кількість фахівців, що активно шукають роботу.
- Лінійна алгебра, статистика, теорія ймовірностей — без цього розібратися, що відбувається «під капотом» алгоритмів, було майже нереально.
А поки розглянемо кожен із зазначених необхідних пунктів для старту детальніше. Ця стаття має стати першою в циклі про кар’єру в ML. Якщо побачу позитивний відгук — з радістю розкажу, як розвиватися у сфері, що допомогло мені та що працює в принципі, і які уроки я засвоїла за 8 років у Data Science.
Анастасия Головенко, Data Scientist в Beetroot
Так, наприклад, працює будь-яке серйозне розпізнавання образів. Я не бачила сенсу свого часу вкладати час https://wizardsdev.com/ в змагання на Kaggle — я зосередилась на реальних робочих проєктах, які від змагань суттєво відрізняються. Мій досвід Ви можете переглянути в моєму LinkedIn, там все детально розписано.
Інструменти й технології
Наведу реальний приклад з роботи над класифікатором для текстів. Перша версія на так-сяк підготовлених даних мала метрики на рівні 30%. Потім я брав великі моделі і трансформери — вони збільшили метрики до 50% точності.
Як стати інженером машинного навчання?
За моїми спостереженнями, воно відбувається насамперед за hard skills, а тоді за soft skills і бажанням вмикатися у бізнес-комунікації зі стейкхолдерами. Одразу уточню, що комунікація та активне розуміння бізнесу — те, чого очікують від усіх інженерів, без цього загалом неможливе кар’єрне зростання. Проте рівень залучення у бізнес-комунікації може все-таки відрізнятися для різних спеціалістів.
Як на мене, такий формат оптимальний, оскільки поєднується теорія з практикою. MLOps41.Назвіть найкращі практики версіювання моделей.forty two.Розкажіть про концепт knowledge shifts. Забігаючи наперед, мій перший досвід вже на посаді ML-інженера в теперішній компанії був подібний до того, що я робив в УКУ на домашніх завданнях.
Проблеми ML
Науковець у сфері даних, як і науковий співробітник в інших галузях, займається дослідженнями та висуває гіпотези. Намагаючись передбачити щось за допомогою машинного навчання чи досліджуючи дані в пошуках інсайтів, треба валідувати свої припущення щодо природи даних і результати побудованих моделей. У цьому, крім глибокого знання Machine Learning алгоритмів, допоможуть знання зі статистики, теорії імовірності, математичного аналізу, лінійної алгебри та дискретної математики. Окремо варто згадати Natural Language Processing та Computer Vision домени, які нині бурхливо розвиваються.
Машинний зір (computer vision)
Щось підучити в такий спосіб можна, але я віддаю перевагу великій структурованій базі знань з правильним викладанням. Таку опцію пропонують навчальні заклади (не завжди виходить так, як хотілося б, але ASP.NET переважно вони дають базу і задають напрям, у якому варто копати далі). Фактично ця візуалізація виконує свою роль і демонструє, що в Data Science не стільки важать знання конкретних бібліотек/технологій, скільки освіта та фундаментальні знання. Виділяється Python, SQL та R, які є фактично must have, виділяється англійська, і разом з ними освіта, алгоритми та математика. Ми вже другий рік робимо цей проєкт, і це перший випуск, коли з’явилися скарги на візуалізацію. Я думаю, це пов’язано з тим, що в Data Science дуже багато технологій опинилися разом в групі до 20%.