Не академический.
Нынешнее повествование о машинном обучении в реальном мире принадлежит команде гениальных исследователей, создающих новые и эффективные способы имитации работы мозга с целью создания мощных предсказаний и распознавания образов.
Это так неправильно.
Да, есть гениальные исследователи, которые целыми днями выполняют важную работу по продвижению своего дела. Они изучают десятки и десятки опубликованных коллегами научных работ, размышляя и синтезируя новые углы решения одной и той же проблемы в надежде на следующий прорыв. Без них отрасль была бы несвежей и неподвижной.
Но это ребята, работающие в университетах или корпоративных аналитических центрах, таких как FAIR, Open AI, Deep Mind и Google Brain.
Это определенно не те ребята, которые работают со стартапами и средними предприятиями, чтобы интегрировать функции машинного обучения в свой бизнес или получать идеи с помощью обучения без учителя. На самом деле эти люди далеки от той сцены.
Это потому, что предприятиям нужны аналитические данные и особенности, а не исследовательские работы. Мне нравится называть процесс создания реальных результатов с использованием алгоритмов науки о данных и машинного обучения «практическим машинным обучением». По моему опыту, это больше похоже на надмножество разработки программного обеспечения, чем на совершенно другую область.
Чтобы применить практическое машинное обучение (PML), вам понадобятся следующие вещи;
- Хорошее понимание архитектуры облачной системы
- Свободное владение серверной частью (как фреймворки, так и языки)
- Четкое понимание вашего продукта и потребностей клиентов
- Всестороннее знание статистики и науки о данных
- Возможность выбрать алгоритм машинного обучения для данной задачи, как настроить его гиперпараметры и развернуть его в производственной среде.
Заметьте, я не перечислил ничего общего с академическим стремлением к новым методам машинного обучения. Я не думаю, что вам нужно уметь читать статью об обучении Deep Q и получать все от нее. Я не думаю, что вам нужно иметь возможность вручную выполнять алгоритм обратного распространения. И я особенно не думаю, что вам нужно иметь докторскую степень, чтобы сделать гребаный API прогнозирования временных рядов для вашей компании.
Конечно, для этих вещей есть место - я, например, активно участвую в работе над передовыми сетевыми архитектурами. Но это крайний случай; Например, у вас будет 98 чертовски хороших веб-разработчиков и 2, которые специализируются на превращении сайтов в быстроразвивающиеся SPA-центры, прошедшие тест производительности Lighthouse.
Если вы хотите заняться машинным обучением, сначала научитесь разрабатывать хорошее программное обеспечение.
