AI verändert die Artwork und Weise, wie Unternehmen arbeiten, und quick jedes Unternehmen untersucht, wie diese Technologie nutzt.
Infolgedessen ist die Nachfrage nach KI und maschinellem Lernen in den letzten Jahren in die Höhe geschossen.
Mit quick vier Jahren Erfahrung in KI/ML habe ich beschlossen, den ultimativen Leitfaden zu erstellen, der Ihnen dabei hilft, in dieses schnell wachsende Feld einzusteigen.
Warum in AI/ML arbeiten?
Es ist kein Geheimnis, dass KI und maschinelles Lernen heutzutage einige der gewünschten Technologien sind.
In diesen Bereichen vertraut zu sein, wird in Zukunft viele Karrieremöglichkeiten eröffnen, ganz zu schweigen davon, dass Sie an der Spitze des wissenschaftlichen Fortschritts stehen.
Und um stumpf zu sein, werden Sie viel bezahlt.
Entsprechend LevelsfyiDas mittlere Gehalt für einen Maschinenbauingenieur beträgt £ 93.000 und für einen KI -Ingenieur £ 75.000. Für einen Datenwissenschaftler kostet es £ 70.000 und der Software program -Ingenieur £ 83.000.
Versteh mich nicht falsch; Dies sind für sich selbst tremendous hohe Gehälter, aber KI/ML wird Ihnen diesen Rand verleihen, und der Unterschied wird in Zukunft wahrscheinlich stärker ausgeprägt werden.
Sie brauchen auch keine Doktorarbeit in Informatik, Mathematik oder Physik, um an KI/ML zu arbeiten. Gute technische und Problemlösungsfähigkeiten sowie ein gutes Verständnis der grundlegenden ML-Konzepte reichen aus.
Die meisten Arbeitsplätze sind keine Forschungsjobs, sondern die Umsetzung von KI/ML-Lösungen für Probleme im wirklichen Leben.
Zum Beispiel arbeite ich als Ingenieur für maschinelles Lernen, recherchiere aber nicht. Ich möchte Algorithmen verwenden und sie auf Geschäftsprobleme anwenden, um den Kunden und damit dem Unternehmen zugute.
Im Folgenden finden Sie Jobs, die AI/ML verwenden:
- Maschinenlerningenieur
- KI -Ingenieur
- Forschungswissenschaftler
- Forschungsingenieur
- Datenwissenschaftler
- Software program -Ingenieur (AI/ML Focus)
- Dateningenieur (AI/ML Focus)
- Ingenieur für maschinelles Lernen Plattform
- Angewandter Wissenschaftler
Sie alle haben unterschiedliche Anforderungen und Fähigkeiten, daher passt etwas, das intestine zu Ihnen passt.
Wenn Sie mehr über die oben genannten Rollen erfahren möchten, empfehle ich, einige meiner vorherigen Artikel zu lesen.
Sollten Sie Datenwissenschaftler, Datenanalyst oder Dateningenieur werden?
Erklären Sie die Unterschiede und Anforderungen zwischen den verschiedenen DatenrollenMedium.com
Richtig, lass uns jetzt in die Roadmap kommen!
Mathematik
Ich würde argumentieren, dass solide Mathematikfähigkeiten für jeden technischen Fachmann wahrscheinlich am wichtigsten sind, insbesondere wenn Sie mit KI/ML arbeiten.
Sie brauchen eine gute Erdung, um zu verstehen, wie KI- und ML -Modelle unter der Motorhaube funktionieren. Dies wird Ihnen helfen, sie besser zu debuggen und die Instinct zu entwickeln, wie Sie mit ihnen arbeiten können.
Versteh mich nicht falsch; Sie brauchen keine Doktorarbeit in der Quantenphysik, aber Sie sollten sich in den folgenden drei Bereichen kennenlernen.
- Lineare Algebra – zu verstehen, wie Matrizen, Eigenwerte und Vektoren funktionieren, die überall in KI und maschinellem Lernen verwendet werden.
- Infinitesimalrechnung– zu verstehen, wie KI tatsächlich mit Algorithmen wie Gradientenabstieg und Backpropagation lernt, die Differenzierung und Integration verwenden.
- Statistiken – Um die Wahrscheinlichkeit der Modelle für maschinelles Lernen durch Lernwahrscheinlichkeitsverteilungen, statistische Inferenz und Bayes’sche Statistiken zu verstehen.
Ressourcen:
Das ist so ziemlich alles, was Sie brauchen; Wenn überhaupt, ist es in einigen Aspekten etwas übertrieben!
Zeitleiste: Abhängig vom Hintergrund sollte dies ein paar Monate dauern, bis Sie auf dem neuesten Stand sind.
Ich habe ausführliche Aufschlüsse der Mathematik, die Sie benötigen Datenwissenschaftwas hier für AI/ml gleichermaßen anwendbar ist.
Python
Python ist der Goldstandard und die Programmiersprache für maschinelles Lernen und KI.
Anfänger werden oft in den sogenannten „besten Weg“ verwickelt, um Python zu lernen. Jeder Einführungskurs wird ausreichen, da er die gleichen Dinge lehrt.
Die wichtigsten Dinge, die Sie lernen möchten, sind:
- Native Datenstrukturen (Wörterbücher, Hear, Sätze und Tupel)
- Für und während Schleifen
- IF-ELSE-Bedingung
- Funktionen und Klassen
Sie möchten auch spezifische wissenschaftliche Computerbibliotheken lernen, wie z. B.:
- Numpy– Numerische Laptop und Arrays.
- Pandas– Datenmanipulation und -analyse.
- Matplotlib & Handlung– Datenvisualisierung.
- Scikit-Study – Implementierung klassischer ML -Algorithmen.
Ressourcen:
Zeitleiste:Abhängig von Ihrem Hintergrund sollte dies einige Monate dauern. Wenn Sie Python bereits kennen, wird es viel schneller sein.
Datenstrukturen und Algorithmen
Dieser magazine etwas fehl am Platz erscheinen, aber wenn Sie ein maschinelles Lernen oder KI -Ingenieur sein möchten, müssen Sie Datenstrukturen und Algorithmen kennen.
Dies gilt nicht nur für Interviews; Es wird auch in AI/ML -Algorithmen verwendet. Sie werden auf Dinge wie Backtracking, Tiefe-First-Suche und binäre Bäume mehr stoßen als Sie denken.
Die Dinge zu lernen sind:
- Arrays & verknüpfte Hear
- Bäume und Grafiken
- Hashmaps, Warteschlangen und Stapel
- Sortieren und Suchen von Algorithmen
- Dynamische Programmierung
Ressourcen:
- Neetcode.io– Große Einführungs-, Zwischen- und Fortgeschrittene -Datenstruktur und Algorithmuskurse.
- Leetcode & Hackerrank– Plattformen zum Üben.
Zeitleiste: Ungefähr einen Monat, um die Grundlagen zu nageln.
Maschinelles Lernen
Hier beginnt der Spaß!
In den vorherigen vier Schritten wurde das Fundament bereit, das maschinelle Lernen vorzubereiten.
Im Allgemeinen fällt maschinelles Lernen in zwei Kategorien:
- Überwachendes Lernen– Wo wir Zieletiketten haben, um das Modell zu trainieren.
- Unbeaufsichtigtes Lernen – Wenn es keine Zieletiketten gibt.
Das folgende Diagramm zeigt diesen Break up und einige Algorithmen in jeder Kategorie.
Die wichtigsten Algorithmen und Konzepte, die Sie lernen sollten, sind:
- Lineare, logistische und polynomiale Regression.
- Entscheidungsbäume, zufällige Wälder und laufende Bäume.
- Vektormaschinen unterstützen.
- Ok-Means und Ok-nearste Nachbarn.
- Function Engineering.
- Bewertungsmetriken.
- Regularisierung, Vorurteile gegen Varianz Kompromisse und Kreuzvalidierung.
Ressourcen:
Zeitleiste:Dieser Abschnitt ist ziemlich dicht, daher wird es wahrscheinlich ungefähr ~ 3 Monate dauern, bis die meisten dieser Informationen wissen. In Wirklichkeit wird es Jahre dauern, um alles in diesen Ressourcen wirklich zu beherrschen.
KI und tiefes Lernen
Seit Chatgpt im Jahr 2022 wurde viel Hype um die KI gegeben.
Die KI selbst gibt es jedoch schon lange als Konzept und stammt aus ihrer gegenwärtigen Type in den 1950er Jahren, wenn der Neuronales Netzwerk entstand.
Die KI, auf die wir uns derzeit beziehen, wird speziell als generative KI (Genai) bezeichnet, was tatsächlich eine kleine Untergruppe des gesamten AI-Ökosystems ist, wie unten gezeigt.
Wie der Title schon sagt, ist Genai ein Algorithmus, der Textual content, Bilder, Audio und sogar Code generiert.
Bis vor kurzem wurde die KI -Landschaft von zwei Hauptmodellen dominiert:
Im Jahr 2017 wurde jedoch ein Papier namens namens „Aufmerksamkeit ist alles, was Sie brauchen“ wurde veröffentlicht, die die Transformatorarchitektur und das Modell vorstellten, das seitdem CNNs und RNNs ersetzt hat.
Heute sind Transformatoren das Rückgrat großer Sprachmodelle (LLMs) und die KI -Landschaft eindeutig regieren.
Vor diesem Hintergrund sind die Dinge, die Sie wissen sollten,:
- Neuronale Netze–Der Algorithmus, der KI/ML wirklich auf die Karte bringt.
- Faltungs- und wiederkehrende neuronale Netzwerke –Noch heute für ihre spezifischen Aufgaben verwendet.
- Transformatoren –Der aktuelle Stand der Kunst.
- RAG, Vektordatenbanken, LLM -Feinabstimmung –Diese Technologien und Konzepte sind für die aktuelle AI -Infrastruktur von entscheidender Bedeutung.
- Verstärkungslernen– Die dritte Artwork des Lernens, die zum Erstellen von KI -Gefällen verwendet wurde Alphago.
Ressourcen:
- Deep Studying Spezialisierung vonAndrew Ng. -Dies ist der Folgekurs der Spezialisierung des maschinellen Lernens und wird alles lehren, was Sie wissen müssen Tiefes LernenCnns und rnns.
- Einführung in LLMs Von Andrej Karpathy (ehemaliger Senior Director von AI bei Tesla) –Erfahren Sie mehr über LLMs und wie sie trainiert werden.
- Neuronale Netze: Null zu Helden–Beginnt relativ langsam und baut ein neuronales Netzwerk von Grund auf neu. Im letzten Video bringt er Sie jedoch dazu, Ihre eigenen generativen vorgebreiteten Transformers (GPT) zu erstellen!
- Verstärkungslernkurs – Vorträge von David Silver, einem leitenden Forscher bei DeepMind.
Zeitleiste:Hier gibt es viel und es ist ziemlich hart und innovativ. Rund 3 Monate sind wahrscheinlich das, was Sie nehmen werden.
Mlops
Ein Modell in einem Jupyter -Notizbuch hat keinen Wert, wie ich schon oft gesagt habe.
Damit Ihre KI/ML -Modelle nützlich sind, müssen Sie lernen, wie Sie sie für die Produktion bereitstellen.
Bereiche zu lernen sind:
- Cloud -Technologien wie AWS, GCP oder Azure.
- Docker und Kubernetes.
- So schreiben Sie Produktionscode.
- Git, Circleci, Bash/ZSH.
Ressourcen:
- Praktische Mlops (Affiliate -Hyperlink)-Dies ist wahrscheinlich das einzige Buch, das Sie verstehen müssen, um Ihr maschinelles Lernmodell bereitzustellen. Ich benutze es eher als Referenztext, aber es lehrt quick alles, was Sie wissen müssen.
- Entwerfen von maschinellem Lernsystemen (Affiliate -Hyperlink)– Ein weiteres großartiges Buch und eine andere Ressource, um Ihre Informationsquelle zu variieren.
Forschungsarbeiten
KI entwickelt sich schnell weiter, daher lohnt es sich, über die neuesten Entwicklungen auf dem Laufenden zu bleiben.
Einige Papiere, die ich Ihnen empfehle, sind:
Sie finden eine umfassende Liste Hier.
Abschluss
Das Einbrechen in KI/ML magazine überwältigend erscheinen, aber es geht darum, es jeweils einen Schritt zu machen.
- Lerne die Grundlagen wie PythonMathematik und Datenstrukturen und Algorithmen.
- Holen Sie sich Ihr KI/ML -Wissenslernen, das Lernen, neuronale Netzwerke und Transformers beaufsichtigt hat.
- Erfahren Sie, wie Sie AI -Algorithmen bereitstellen.
Der Raum ist ginorous, daher werden Sie wahrscheinlich ungefähr ein Jahr brauchen, um alles in dieser Roadmap vollständig zu erfassen, und das ist in Ordnung. Es gibt buchstäblich Bachelor -Abschlüsse, die diesem Raum gewidmet sind, der drei Jahre dauert.
Gehen Sie einfach in Ihrem eigenen Tempo und schließlich werden Sie dorthin gelangen, wo Sie sein möchten.
Viel Spaß beim Lernen!
Eine andere Sache!
Treten Sie meinem kostenlosen E-newsletter bei, Die Daten vergebenwo ich wöchentliche Tipps, Erkenntnisse und Ratschläge aus meiner Erfahrung als praktizierender Datenwissenschaftler teile. Außerdem werden Sie als Abonnent meine bekommen Kostenlose Information Science -Lebenslauf -Vorlage!
Verschieben der Daten | Egor Howell | Substanz
Ratschläge und Erkenntnisse zu Information Science, Tech und Unternehmertum. Klicken Sie hier, um die Daten zu lesen, von Egor Howell, einem…E-newsletter.egorhowell.com