Maschinelles Lernen und Ai gehören heutzutage zu den beliebtesten Themen, insbesondere innerhalb des technischen Bereichs. Ich habe das Glück, jeden Tag als Ingenieur für maschinelles Lernen mit diesen Technologien zu arbeiten und zu entwickeln!
In diesem Artikel werde ich Sie durch meine Reise zum maschinellen Lerningenieur führen und etwas Licht und Ratschläge geben, wie Sie selbst einer werden können!
Mein Hintergrund
In einem meiner vorherigen Artikel schrieb ich ausführlich über meine Reise von der Schule, um meine erste zu sichern Datenwissenschaft Arbeit. Ich empfehle Sie Schauen Sie sich diesen Artikel anaber ich werde die wichtige Zeitleiste hier zusammenfassen.
So ziemlich jeder in meiner Familie studierte ein STEM -Thema. Mein Urenkel conflict Ingenieur, meine beiden Großeltern studierten Physik, und meine Mutter ist ein Mathematiklehrer.
Mein Weg conflict additionally immer für mich gepflastert.
Ich entschied mich für die Physik an der Universität, nachdem ich im Alter von 12 Jahren die Urknalltheorie gesehen hatte. Es ist truthful zu sagen, dass alle sehr stolz waren!
In der Schule conflict ich keineswegs dumm. Ich conflict tatsächlich relativ hell, aber ich habe mich nicht vollständig angewendet. Ich bekam anständige Noten, aber definitiv nicht das, wozu ich voll conflict.
Ich conflict sehr smug und dachte, ich würde ohne Arbeit intestine abschneiden.
Ich habe mich an High -Universitäten wie Oxford und Imperial Faculty beworben, aber angesichts meiner Arbeitsmoral conflict ich wahnhaft und dachte, ich hatte eine Likelihood. Am Ergebnis des Ergebnisses habe ich mich zum Löschen gebracht, als ich meine Angebote verpasste. Dies conflict wahrscheinlich einer der traurigsten Tage meines Lebens.
In Großbritannien bieten Universitäten Studenten in bestimmten Kursen Orte an, in denen sie Platz haben. Es ist hauptsächlich für Studenten, die kein Universitätsangebot haben.
Ich hatte das Glück, die Likelihood zu geben, an der Universität von Surrey Physik zu studieren, und ich machte einen erstklassigen Grasp in Physik!
Es gibt wirklich keinen Ersatz für harte Arbeit. Es ist ein kratziges Klischee, aber es ist wahr!
Mein ursprünglicher Plan conflict, einen Doktortitel zu machen und Vollzeitforscher oder Professor zu sein, aber während meines Abschlusses habe ich ein Forschungsjahr durchgeführt, und ich hatte nur eine Karriere in der Forschung für mich. Alles bewegte sich so langsam, und es schien nicht, dass es im Raum viel Gelegenheit gab.
Während dieser Zeit ließ DeepMind ihre frei Alphago – Der Movie Dokumentarfilm auf YouTube, der in meinem Heimfutter auftauchte.
Aus dem Video begann ich zu verstehen, wie AI arbeitete und über neuronale Netzwerke, Verstärkungslernen und tiefes Lernen lernte. Um ehrlich zu sein, bin ich bis heute kein Experte in diesen Bereichen.
Natürlich grub ich tiefer und stellte fest, dass ein Datenwissenschaftler AI- und maschinelles Lernalgorithmen verwendet, um Probleme zu lösen. Ich wollte sofort und begann, sich für Information Science -Absolventen zu bewerben.
Ich verbrachte unzählige Stunden mit Codierung, Kurse und arbeitete an Projekten. Ich habe mich beantragt 300 Jobs und landete schließlich im September 2021 mein erstes Information Science Graduate -Programm.
Sie können mehr über meine Reise von einem erfahren Podcast.
Information Science Journey
Ich begann meine Karriere in einer Versicherungsgesellschaft, in der ich verschiedene beaufsichtigte Lernmodelle errichtete, wobei ich hauptsächlich mit Gradienten -Boosted -Baumpaketen wie Catboost, Xgboost und verwendete Generalisierte lineare Modelle (GLMS).
Ich habe Modelle erstellt, um vorherzusagen:
- Betrug – Hat jemand betrügerisch einen Gewinnanspruch gemacht.
- Risikopreise – Was ist die Prämie, die wir jemandem geben sollten.
- Anzahl der Ansprüche – Wie viele Behauptungen werden jemand haben.
- Durchschnittskosten des Anspruchs– Was ist der durchschnittliche Schadenswert, den jemand haben wird.
Ich machte ungefähr sechs Modelle, die sich über den Regressions- und Klassifizierungsraum überspannen. Ich habe hier so viel gelernt, besonders in Statistiken, da ich sehr eng mit Aktuaren zusammengearbeitet habe, sodass mein Mathematikwissen ausgezeichnet conflict.
Aufgrund der Struktur und des Setups des Unternehmens conflict es jedoch schwierig für meine Modelle, die POC -Bühne zu überschreiten. Ich hatte das Gefühl, dass mir die „technische“ Seite meines Toolkits und des Verständnisses, wie Unternehmen maschinelles Lernen in der Produktion einsetzen, fehlte.
Nach einem Jahr wandte sich mein früherer Arbeitgeber an mich und fragte, ob ich mich für eine Junior -Information Scientist -Rolle bewerben wollte, auf die sich spezialisiert hat Zeitreihenprognose Und Optimierung Probleme. Ich mochte die Firma sehr und nach ein paar Interviews wurde mir der Job angeboten!
Ich habe ungefähr 2,5 Jahre in diesem Unternehmen gearbeitet, wo ich Experte für Prognose und kombinatorische Optimierungsprobleme wurde.
Ich habe viele Algorithmen entwickelt und meine Modelle mithilfe von Finest Practices wie Unit -Exams, niedrigerer Umgebungen, Schattensystem, CI/CD -Pipelines und vielem mehr für die Produktion über AWS eingesetzt.
Zu sagen, ich habe viel gelernt.
Ich habe sehr eng mit Software program-Ingenieuren zusammengearbeitet, additionally habe ich viel technische Kenntnisse und fortgesetzte selbststudierende maschinelles Lernen und Statistiken auf der Seite gesammelt.
Ich bin gleichmäßig verdiente eine Beförderung Von Junior bis mittlerer Ebene in dieser Zeit!
Übergang nach MLE
Im Laufe der Zeit erkannte ich, dass der tatsächliche Wert der Datenwissenschaft darin besteht, Stay -Entscheidungen zu treffen. Es gibt ein gutes Zitat von Pau Labarta Bajo
ML -Modelle in Jupyter -Notizbüchern haben einen geschäftlichen Wert von $ 0
Es macht keinen Sinn, ein wirklich komplexes und ausgeklügeltes Modell aufzubauen, wenn es keine Ergebnisse erzielt. Wenn Sie diese zusätzliche Genauigkeit von 0,1% durch das Einstellen mehrerer Modelle suchen, ist es oft nicht wert.
Sie sind besser dran, etwas Einfaches zu erstellen, das Sie einsetzen können, und das wird dem Unternehmen einen echten finanziellen Nutzen bringen.
In diesem Sinne begann ich über die Zukunft der Datenwissenschaft nachzudenken. In meinem Kopf gibt es zwei Möglichkeiten:
- Analyse-> Sie arbeiten hauptsächlich, um Einblicke in das zu erhalten, was das Geschäft tun sollte und was es untersuchen sollte, um seine Leistung zu steigern.
- Maschinenbau-> Sie versenden Lösungen (Modelle, Entscheidungsalgorithmen usw.), die den Geschäftswert bringen.
Ich bin der Meinung, dass der Datenwissenschaftler, der POC -Modelle analysiert und erstellt, in den nächsten Jahren ausstorben wird, weil sie, wie oben gesagt, keinen greifbaren Wert für ein Unternehmen bieten.
Das heißt nicht, dass sie völlig nutzlos sind; Sie müssen sich aus der geschäftlichen Perspektive ihrer Investitionsrendite vorstellen. Im Idealfall sollte der Wert, den Sie einbringen, mehr als Ihr Gehalt sein.
Sie möchten sagen, dass Sie „X das produziert“ gemacht haben, was die oben genannten zwei Möglichkeiten ermöglichen.
Die technische Seite conflict für mich die interessanteste und angenehmste. Ich genieße es, Dinge zu kodieren und Dinge zu bauen, die Menschen zugute kommen, und die sie nutzen können. Daher habe ich mich natürlich dazu angeregt.
Um zur ML Engineering -Seite zu wechseln, fragte ich meinen Linienmanager, ob ich die Algorithmen und ML -Modelle bereitstellen könne, die ich selbst aufgebaut habe. Ich würde Hilfe von Software program -Ingenieuren erhalten, aber ich würde den gesamten Produktionscode schreiben, mein eigenes Systemdesign machen und den Bereitstellungsprozess unabhängig einrichten.
Und genau das habe ich getan.
Ich wurde im Grunde genommen ein Maschinenlerningenieur. Ich habe meine Algorithmen entwickelt und sie dann in die Produktion versandt.
Ich habe auch genommen Die Datenstrukturen und Algorithmen -Kurs von Neetcode Um meine Grundlagen der Informatik zu verbessern und begonnen zu haben Bloggen über Software program -Engineering -Konzepte.
Zufälligerweise hat mich mein derzeitiger Arbeitgeber um diese Zeit kontaktiert und gefragt, ob ich mich für eine Rolle des maschinellen Lernens bewerben möchte, die sich auf allgemeine ML und Optimierung in ihrem Unternehmen spezialisiert hat!
Nennen Sie es Glück, aber das Universum hat mir etwas gesagt. Nach mehreren Interviewrunden wurde mir die Rolle angeboten, und jetzt bin ich ein vollwertiger Ingenieur für maschinelles Lernen!
Glücklicherweise „fiel mir eine Rolle, aber ich habe mein eigenes Glück geschaffen, indem ich mein Lernen hochversetzt und dokumentiert habe. Deshalb sage ich den Leuten immer, sie sollen ihre Arbeit zeigen – Sie wissen nicht, was daraus kommen kann.
Mein Rat
Ich möchte die wichtigsten Ratschläge teilen, die mir geholfen haben, von einem Ingenieur für maschinelles Lernen zu einem Datenwissenschaftler überzugehen.
- Erfahrung– Ein maschinelles Lerningenieur ist nicht Meiner Meinung nach eine Einstiegsposition. Sie müssen sich mit Datenwissenschaft, maschinellem Lernen, Software program-Engineering usw. auskennen. Aus diesem Grund empfehle ich ein paar Jahre Erfahrung als Software program-Ingenieur oder Datenwissenschaftler und Selbststudium in anderen Bereichen.
- Produktionscode-Wenn Sie aus der Datenwissenschaft stammen, müssen Sie lernen, einen guten, intestine getesteten Produktionscode zu schreiben. Sie müssen Dinge wie Tippen, Leinen, Einheitentests, Formatierung, Verspottung und CI/CD wissen. Es ist nicht allzu schwierig, aber es erfordert nur etwas Übung. Ich empfehle, Ihr aktuelles Unternehmen zu bitten, mit Software program -Ingenieuren zusammenzuarbeiten, um dieses Wissen zu erlangen. Es hat für mich funktioniert!
- Wolkensysteme– Die meisten Unternehmen setzen heutzutage viele ihrer Architektur und Systeme in der Cloud ein, und maschinelle Lernmodelle sind keine Ausnahme. Es ist additionally am besten, mit diesen Instruments zu üben und zu verstehen, wie sie Modelle dwell ermöglichen. Ich habe das meiste im Job gelernt, um ehrlich zu sein, aber es gibt Kurse, die Sie belegen können.
- Befehlszeile– Ich bin sicher, dass die meisten von Ihnen dies bereits kennen, aber jeder Technologieprofi sollte die Befehlszeile beherrschen. Sie werden es bei der Bereitstellung und Schreiben von Produktionscode ausgiebig verwenden. Ich habe eine grundlegende Anleitung, die Sie auschecken können Hier.
- Datenstrukturen und Algorithmen– Das Verständnis der grundlegenden Algorithmen in der Informatik ist für MLE -Rollen sehr nützlich. Hauptsächlich, weil Sie wahrscheinlich in Interviews danach gefragt werden. Es ist nicht allzu schwer zu lernen im Vergleich zum maschinellen Lernen. Es braucht nur Zeit. Jeder Kurs wird den Trick machen.
- Git & Github– Auch die meisten technischen Fachkräfte sollten Git kennen, aber als MLE ist es wichtig. Wie man Commits, Code -Bewertungen durchdrückt und ausstehende Pull -Anfragen schreibt, sind Musts.
- Spezialisiert– Viele MLE -Rollen, die ich gesehen habe, mussten Sie eine Spezialisierung in einem bestimmten Bereich haben. Ich habe mich auf die Vorhersage, Optimierung und die allgemeine ML von Zeitreihen spezialisiert, basierend auf meinen früheren Erfahrungen. Dies hilft Ihnen, sich auf dem Markt abzuheben, und die meisten Unternehmen suchen heutzutage nach Spezialisten.
Das Hauptthema hier ist, dass ich meine Software program-Engineering-Fähigkeiten im Grunde genommen überqualifiziert habe. Dies ist sinnvoll, da ich bereits alle Mathematik, Statistiken und maschinelles Lernen hatte, als Datenwissenschaftler zu sein.
Wenn ich Software program -Ingenieur wäre, wäre der Übergang wahrscheinlich das Gegenteil. Aus diesem Grund kann die Sicherung einer Rolle des maschinellen Lerningenieurs eine große Herausforderung sein, da sie in einem breiten Spektrum an Fähigkeiten verfügen.
Zusammenfassung & weitere Gedanken
Ich habe einen kostenlosen E-newsletter, Die Daten vergebenwo ich wöchentliche Tipps und Ratschläge als praktizierender Datenwissenschaftler teile. Wenn Sie sich abonnieren, erhalten Sie meine Kostenloser DatenwissenschaftsumlaufUnd Kurze PDF -Model meiner AI Roadmap!