Das genaue ML-Projekt, das ich aufbauen würde, um 2026 eingestellt zu werden

Über 100 Bewerbungen und Portfolios, und nur wenige Male hat mich das Projekt einer Particular person so sehr beeindruckt, dass sie es bis zum Vorstellungsgespräch geschafft hat.

In diesem Artikel werde ich Ihnen den genauen Rahmen geben, den ich entwickelt und befolgt habe, um Ihr perfektes ML-Projekt zu finden, das Ihnen einen Job verschafft.

Lasst uns loslegen!

Warum die meisten ML-Projekte scheitern

Lassen Sie mich Ihnen etwas sagen, was alle Personalmanager in jedem Unternehmen denken, für das ich gearbeitet habe.

Wenn wir ein Hauspreisvorhersagemodell oder einen Titanic-Überlebensklassifikator sehen, denken wir nicht an „solide Fundamentaldaten“. Wir denken „als nächstes“.

Ich mache keine Witze.

Diese Projekte wurden so oft durchgeführt, dass sie mir nichts über die Particular person sagen.

Es sagt mir nur, dass sie einem Commonplace-Tutorial folgen und die Ergebnisse reproduzieren können.

Ein Projekt, das Ihnen eine Anstellung verschafft, hat vier wichtige Dinge:

• Es ist persönlich — Es ist Ihnen wirklich wichtig, was es vorhersagt.
• Es ist neuartig — Ich habe es noch nie hundertmal gesehen.
• Es ist related — Es hängt mit der Artwork der Arbeit zusammen, die Sie machen möchten.
• Es ist reside — Die Leute können es tatsächlich in Aktion sehen.

Wenn Sie alle vier Punkte richtig machen, wird Ihr Projekt dazu führen, dass sich der Personalchef an Sie erinnert, und das ist meine persönliche Erfahrung bei der Einstellung von Mitarbeitern.

Das Downside ist, dass Ihnen niemand ein solches Projekt geben kann. Es muss von dir kommen.

Anstatt Ihnen additionally eine Idee zu übergeben, werde ich Ihnen einen Rahmen geben, dem Sie folgen können, um ein Projekt wie dieses zu entwickeln.

Ich habe dieses Framework auch in ein 7-seitiges herunterladbares PDF-Arbeitsbuch umgewandelt, das Sie in der Beschreibung unten lesen können, um es durchzuarbeiten und das richtige Projekt zu finden, mit dem Sie eingestellt werden.

Beispielprojekt

Bevor ich mich mit dem Framework befasse, möchte ich Ihnen ein Beispiel für ein Projekt eines Kandidaten geben, den wir eingestellt haben.

In einem meiner früheren Unternehmen suchten wir einen Junior-Datenwissenschaftler, der an Optimierungs- und Operations-Analysis-Problemen arbeiten sollte.

Der von uns eingestellte Kandidat zeichnete sich vor allem aus einem Grund aus: Er hatte ein äußerst relevantes und zutiefst persönliches Projekt, das genau zur Rolle passte.

Sie hatten eine Leidenschaft für NFL-Fantasy-Soccer und wollten die Artwork und Weise verbessern, wie sie ihre wöchentlichen Teamauswahlen zusammenstellten.

Deshalb entwickelten sie eine eigene Optimierungs-Engine, um die Spieler innerhalb der Programmbeschränkungen effektiver zuzuteilen.

Es lag nicht nur am Motor selbst; Sie lasen wissenschaftliche Arbeiten zu Optimierungsstrategien und untersuchten, wie andere das gleiche Downside angingen.

Dieses Projekt erfüllt alle vier Punkte, die wir zuvor erwähnt haben:

• Es ist persönlich– Es warfare ein persönliches Downside, das sie interessierte.
• Es ist neuartig– Es warfare einzigartig und so etwas hatten wir weder vorher noch danach gesehen.
• Es ist related– es zeigte ihre Leidenschaft und ihr Interesse an Optimierung und Operations Analysis, und das warfare genau das, wofür wir eingestellt haben.
• Es ist reside– Es warfare direkt related für die Stelle, für die sie sich beworben hatten.

Lassen Sie mich nun den genauen Rahmen aufschlüsseln, dem Sie folgen können, um ein Projekt genau wie dieses zu erstellen.

Beginnen Sie mit Ihren Interessen

Wenn Leute nach einem Projekt zum Erstellen suchen, öffnen sie eine Liste mit ML-Datensätzen, höchstwahrscheinlich in Kaggle, und versuchen, etwas Interessantes zu finden.

Das ist rückwärtsgewandt.

Beginnen Sie bei sich selbst und Ihren Interessen.

Genauer gesagt: Schreiben Sie fünf Dinge auf, die Ihnen außerhalb der Arbeit und außerhalb von Daten und ML wirklich am Herzen liegen.

Konzentrieren Sie sich auf Ihre Hobbys, Obsessionen und andere Dinge, über die Sie problemlos eine Stunde lang gerne sprechen würden.

Als ich das tat, sah meine Liste ungefähr so ​​aus:

• Investieren
• Eishockey
• Fitnessstudio/Health
• Filme
• Youtube

Warum müssen wir etwas auswählen, das uns interessiert?

Denn ein Projekt, das Ihnen am Herzen liegt und an dem Sie interessiert sind, ist ein Projekt, das Sie zu Ende bringen werden.

Ich kann nicht genug betonen, wie viel einfacher es ist, ein Projekt durchzuführen, das Sie wirklich motiviert, als eines, von dem Sie „denken“, dass Sie es tun sollten.

Sobald Sie Ihre fünf Interessen festgelegt haben, schreiben Sie bitte fünf Fragen für jedes Interesse, das Sie wirklich beantwortet haben möchten.

Zum Beispiel: „Welche Fantasy-Soccer-Spieler sind diese Woche unterbewertet?“ ist eine Frage, „Fußballstatistiken“ hingegen nicht.

Denken Sie nicht zu viel darüber nach und schreiben Sie die Dinge einfach auf.

Sie haben nun möglicherweise 25 Projektideen, die höchstwahrscheinlich völlig einzigartig sind oder zumindest nicht von vielen Menschen gesehen wurden.

Filtern Sie Ihre Prime-Tipps

Jetzt müssen wir diese Liste auf unsere Prime-Tipps reduzieren.

Der erste Schritt besteht darin, die Fragen oder Ideen zu entfernen, die offensichtlich keine ML-Probleme darstellen. Zum Beispiel: „Warum magazine ich Filme?“ ist eine tolle Frage, aber es ist kein maschinelles Lernprojekt.

Maschinelles Lernen auf einem wirklich hohen und groben Niveau kann in fünf Schlüsselbereiche unterteilt werden:

• Eine Zahl vorhersagen– Rückschritt.
• Vorhersage einer Kategorie— Klassifizierung.
• Prognose im Zeitverlauf— Zeitreihen.
• Dinge empfehlen— Empfehlungssysteme.
• Dinge zusammenfassen– Clusterbildung.

Gehen Sie Ihre 25 oder weniger Fragen durch und finden Sie diejenigen, die zu einem dieser 5 Bereiche passen, und entfernen Sie diejenigen, die nicht dazu passen.

Dies sollte uns etwa 10–15 realisierbare Ideen hinterlassen, die wir mithilfe von ML lösen können.

Jetzt müssen Sie eine auswählen. Der Weg dazu besteht darin, diese Ideen einzeln anhand der folgenden Kriterien zu bewerten:

• Wie persönlich ist es?
• Wie neu ist es?
• Wie related ist es für die Rollen, die ich anstrebe?
• Wie schwer ist es, an die Daten zu kommen?
• Wie schwer ist es zu bauen?

Bewerten Sie jeden von fünf Punkten, fassen Sie alle zusammen, und derjenige mit der höchsten Punktzahl ist derjenige, den Sie bauen werden.

Validieren Sie das Projekt

Bevor Sie Wochen in die Erstellung dieses Projekts investieren, möchte ich, dass Sie drei kurze Überprüfungen durchführen.

Erste –Woher genau kommen Ihre Daten? Benennen Sie eine echte Quelle – eine API, einen öffentlichen Datensatz oder eine andere eindeutige Quelle. Wenn Sie keinen nennen können, ist das Finden der Daten Ihre erste Aufgabe.

Zweite— Könnten Sie in etwa zwei Monaten eine grobe erste Model zum Laufen bringen, vorausgesetzt, ein oder zwei Stunden professional Tag? Wenn es größer ist, verkleinern Sie es. Ein kleines Projekt, das Sie tatsächlich abschließen, übertrifft ein großes, das Sie aufgeben – jedes Mal.

Dritte— Wie häufig kommt es tatsächlich vor? Nichts ist jemals wirklich originell, aber wenn Sie dieses Projekt schon mehrmals gesehen haben, überlegen Sie es sich vielleicht noch einmal und entscheiden Sie sich für Ihre zweite Wahl.

Bestehen Sie alle drei Prüfungen und Sie sind fertig.

Intestine gemacht! Sie haben ein Projekt, das Ihnen gehört, das ein Personalchef noch nicht hundertmal gesehen hat und das Sie tatsächlich fertigstellen können.

Machen Sie es lebendig

Wie die meisten Menschen werden Sie die ersten Recherchen und Prototypen dieses Projekts wahrscheinlich auf einem Jupyter-Pocket book durchführen.

Heutzutage wollen Unternehmen jedoch Menschen, die ihre Lösungen einsetzen können, um geschäftliche Auswirkungen zu erzielen.

Auch wenn Ihr Modell das Beste seit dem Transformator ist, nützt es nichts, wenn es in einem Pocket book steckt.

Die Bereitstellung eines Modells ist tatsächlich nicht so komplex, wie viele denken. Ich habe mehrere meiner Kunden dabei gecoacht, ihr erstes Finish-to-Finish-Modell für maschinelles Lernen zu erstellen, ohne vorherige Erfahrung mit dem folgenden Tech-Stack und Prozess:

• Erstellen Sie die Prototyplösung in einem Jupyter-Pocket book.
• Teilen Sie das Jupyter-Notizbuch in einzelne Python-Dateien auf, die den Requirements des Produktionscodes folgen und Funktionen wie Typisierung, Formatierer und Dokumentzeichenfolgen implementieren.
• Fügen Sie Ihre Python-Dateien einem Git-Repository hinzu und erstellen Sie eine tolle README-Datei, die das Projekt erklärt.
• Fügen Sie alle wichtigen Software program-Engineering-Instruments und -Konzepte hinzu, einschließlich Unit-Assessments, Poetry-Abhängigkeitsmanagement, Makefiles und PyEnv.
• Erstellen Sie ein Streamlit-Dashboard, um Ihre Ergebnisse zu präsentieren, und stellen Sie es in der Streamlit-Group-Cloud bereit.
• Richten Sie Ihr Repo so ein, dass es täglich mit GitHub Actions ausgeführt wird.

Bish. Bash. Bosh.

Sie haben gerade Ihr Modell durchgängig mit branchenüblichen Instruments bereitgestellt, die ich seit Jahren als Ingenieur für maschinelles Lernen bei führenden Technologieunternehmen verwende.

Ich kann nachvollziehen, dass es für jemanden, der ganz neu in diesem Bereich ist und niemand an seiner Seite hat, der einen anleitet, völlig überwältigend erscheinen kann. Deshalb habe ich ein Vorlagen-Repo mit dem gesamten Boilerplate-Code erstellt, um dies einzurichten.

Eine andere Sache!

Verbinde dich mit mir