İçbükey tapınaktan kestane
Qubit Raporu | Genel Hesap QbitAI
Makine öğrenimi mühendisi olmak için genellikle bir blog okumanız gerekir.
Bir gönderi yazmak için gerekli şartlar olmasa bile, giderek doğal bir kanun haline geldi.
Görüşmecileri aynı yeteneklere sahip olduklarına ikna etmek için kendi kendini yetiştiren insanlar ne tür bir proje deneyimi yazmalıdır?
EkWay adlı bir netizen, Reddit'te bu doğrudan ruha soruyu gündeme getirdi ve bu da birçok tartışmayı tetikledi. 500'ün üzerinde .
Tartışma panosunda, birçok kişi uygun önerilerde bulunur:
Po-handz adında bir netizen var ve görüşleri ödüllendirildi. 80 puan Yorum alanının en üst katını işgal eden yüksek fikir birliği:
Kendi projenizi üretime koyun (üretime başlayın) ve geçebilirsiniz % 99 Yeni mezunlar geçebilir çoğu Görevdeki makine öğrenimi mühendisi.Bu bağlamda birisi (moravak) çatlak duvarı onayladığını ifade etti:
Bu "çoğu kısım" aslında % 99.9'dur.En üst kat eklendi, Birçok kişi doktora derecesi ile mezun olmuş olsa bile, üretimde bir projeyi uygulama deneyimine sahip olmayabilir. .
Öyleyse, böyle bir deneyim ne sayılır?
Netizen (BernieFeynman) kısaca şöyle açıkladı:
Bazı modeller oluşturun, çok ama çok güçlü olmak zorunda değilsiniz. Ancak insanların modelin nerede çalıştığını görmelerine izin verin, örneğin çağrılabilecek bir API var.Tabii ki bu bir cümle meselesi değil. En üst kat, tüm sürecin ne kadar zor olabileceğini ayrıntılı olarak açıkladı:
Örneğin, genellikle yalnızca bir modeliniz değil, bir grubunuz da olacaktır. Bu nedenle, bu büyük modellerin sunucunun RAM'ına yüklenmesi gerekir. Yeni girilen verileri de kabul edin. Bu veriler, test verilerinin formatıyla tutarlı ve ölçeklendirilmiş olmalıdır Nasıl ölçeklenir? Çıkarım için bir GPU'ya ihtiyacım var mı? Bu durumda, AWS'de aylık 1.000 dolara mal olabilir. Bütçe bunu destekleyebilir mi? Peki ya zaman serisi verileri? Sürekli güncellenen bir modele ihtiyacınız var ve her zaman ayar parametrelerini takip edin. Ek olarak, gerçek zamanlı, bakımı yapılabilir bir veri hattına ihtiyacınız vardır. Bunu yapmak, net ve temiz bir veri setiyle uğraşmaktan çok daha zordur. Son olarak, kullanıcı dostu hale getirmek için eksiksiz bir UI setine, web sitesine, nginx yığınına ihtiyacınız var.Yeni mezun doktoradan bahsetmiyorum bile, birçok deneyimli veri bilimcisi de bunlar hakkında hiçbir şey bilmiyorlar çünkü sadece kendi profesyonel alanlarında çalışabiliyorlar ve diğerleri temiz veri setlerini ellerine veriyor.
Onları bu noktada yenerseniz, şirket için daha değerli olacaktır.
Pratik becerilerin eğitimi yalnızca bir yönüdür.
Özgeçmiş tarama sürecinde ölmek istemiyorsanız, "Makine öğrenimi mühendislerini işe alan orta ölçekli bir şirkette" netizen (rudiXOR) sonuca vardı En İyi On Mayın Tarlası ,Referans için:
Birincisi, birçok MOOC sertifikasına sahip olmak. İşe yaramaz, denedim ve herkes sınavı tamamlayabilir. İkincisi, Kaggle'ın sonuçlarından çok gurur duyuyorum. Birçok üniversite öğrencisi Kaggle yarışmalarına katıldı ve bu tür bir rekabetin ve makine öğrenimi mühendislerinin çalışmalarının temelde hiçbir ortak yanı olmadığını da biliyorlar. Üçüncüsü, 3 ay boyunca eğitim kampına gittim, PCA'dan LSTM'ye neredeyse tüm ML teknikleri uygulandı. Kimse buna gerçekten inanmıyor. Dördüncüsü, GitHub projeleri, kodlarını yalnızca bir kez gönderenlerdir. Kendim yaptığımı göremiyorum. Beşincisi, GitHub ana sayfası yenidir ve proje yoktur. Altıncısı, model yalnızca oyuncak veri kümeleri üzerinde test edilmiştir ve artık ciddi projeler yoktur. Yedinci, her dilde "yetkin" deyin. Örneğin, C ++, Python, Java, C # ... Sekizinci olarak, özgeçmiş iş gereksinimlerine göre dikkatlice eşleştirilir ("İK algoritmaları için Buzzword optimizasyonu"). Dokuzuncu, matematik / istatistik bilgilerini kanıtlamadı. Onuncu, yazılım geliştirme konusunda deneyim yok.İlk dokuz maddeyi unutmuş olsanız bile, onuncu maddeye ciddi bir şekilde başvurabilirsiniz. Netizenler mayın tarlalarını saydıktan sonra vurguladı:
Kendi kendinize öğreniyorsanız, gelir gelmez veri bilimcilerine veya makine öğrenimi mühendislerine yatırım yapmayın. Önce bir veri analisti veya yazılım mühendisi için başvurabilirsiniz. Kendi kendinize ML iseniz ve yazılım geliştirme konusunda deneyiminiz yoksa, sizi davet etmeyeceğim.Bir önceki makaleye bakın, eğer bir doktora okumadıysanız, bir Doktora'dan daha fazla endüstri deneyimine sahip olmak daha faydalıdır.
Ancak kendi başınıza öğrenmek için asla çok geç değildir.
Örneğin, Google Brain'de araştırmacı olan David Ha, makine öğrenimine yatırım yapmadan önce Goldman Sachs'ın genel müdürü (MD) olmuştu.
Yani herkes de.
Reddit tartışma panosunda daha fazla öneri var:
https://www.reddit.com/r/MachineLearning/comments/c3e9qu/d_those_who_hireinterview_for_machine_learning/
- Bitiş -
Samimi işe alım
Qubit, editörleri / muhabirleri işe alıyor ve merkezi Pekin, Zhongguancun'da bulunuyor. Yetenekli ve hevesli öğrencilerin bize katılmasını dört gözle bekliyoruz! Ayrıntılar için, lütfen QbitAI diyalog arayüzündeki "işe alma" kelimesini yanıtlayın.
Qubit QbitAI · Toutiao İmzalama Yazarı
' ' Yapay zeka teknolojisi ve ürünlerindeki yeni eğilimleri izleme