نقشه راه رسیدن به شغل در دنیای هوش مصنوعی از دیدگاه " Andrew Ng " قسمت ۲
نقشه راه رسیدن به شغل مناسب در دنیای هوش مصنوعی از دیدگاه مرد شماره یک هوش مصنوعی دنیا " Andrew Ng "
فصل ۲
«« یادگیری مهارت های فنی برای یک شغل AI حرفه ای »»
در فصل قبل، من سه گام کلیدی برای ایجاد یک شغل در AI را معرفی کردم: یادگیری مهارت های فنی بنیادی، کار بر روی پروژه ها، و پیدا کردن شغل، که همه آن ها با بخشی از یک جامعه بودن پشتیبانی می شوند. در این بخش، دوست دارم عمیق تر به مرحله اول بپردازم: یادگیری مهارت های بنیادی.
مقالات تحقیقاتی بیشتری در مورد AI نسبت به هر کسی که بتواند در طول عمر خود بخواند، منتشر شده است. بنابراین، هنگام یادگیری، اولویت بندی انتخاب موضوع بسیار مهم است.
من معتقدم که مهم ترین موضوعات برای یک شغل فنی در یادگیری ماشین عبارتند از:
1) مهارت های پایه ای یادگیری ماشین
برای مثال، درک مدل هایی مانند رگرسیون خطی، رگرسیون لجستیک، شبکه های عصبی، درخت های تصمیم گیری، خوشه بندی و تشخیص ناهنجاری مهم است. فراتر از مدل های خاص، درک مفاهیم اصلی در مورد اینکه چگونه و چرا یادگیری ماشین کار می کند، مانند واریانس، توابع هزینه، تنظیم، الگوریتم های بهینه سازی، و تجزیه و تحلیل خطا، حتی مهم تر بحساب می آید .
2) یادگیری عمیق
این علم تبدیل به بخش بزرگی از یادگیری ماشین شده است که برتری در این زمینه بدون درک آن بسیار دشوار است! آشنایی با اصول شبکه های عصبی، مهارت های عملی برای کار کردن آن ها (مانند تنظیم بیش از حد پارامترها)، شبکه های کانولوشن، مدل های متوالی، و ترانسفورماتورها بینهایت مفید و کاربردی خواهد بود.
3) ریاضیات مرتبط با یادگیری ماشین
از جمله مباحث کلیدی علم ریاضیات مرتبط با دنیای یادگیری ماشین، شامل جبر خطی (بردارها، ماتریس ها و دستکاری های مختلف آن ها) و همچنین احتمالات و آمار (شامل احتمال گسسته و پیوسته، توزیع های احتمال استاندارد، قوانین اساسی مانند استقلال و قانون بیز و آزمون فرضیه) می باشد.
علاوه بر موارد مذکور ، متاسفانه تحلیل داده های اکتشافی (EDA) بعنوان یک مهارت ارزشمند دست کم گرفته شده است. من متوجه شدم که EDA بویژه در توسعه AI داده محور مفید و اثربخش است، جایی که تجزیه و تحلیل خطاها و به دست آوردن بینش واقعا می تواند به پیشرفت کمک کند! در نهایت، یک درک شهودی اساسی از حساب دیفرانسیل و انتگرال نیز کمک خواهد کرد.
لازم به اشاره است که ریاضیات مورد نیاز برای یادگیری ماشین به خوبی در حال تغییر است. برای مثال، با توجه به اینکه برخی از وظایف نیاز به حساب دیفرانسیل دارند، در زمان حال یکسری نرم افزار هایی با قابلیت تفکیک خودکار، امکان ابداع و پیاده سازی ساختارهای شبکه عصبی جدید را بدون انجام حساب دیفرانسیل و انتگرال فراهم آمده که این عمل تقریبا یک دهه پیش غیر ممکن بود.
4) توسعه نرم افزار
در حالی که شما می توانید شغلی به دست آورید و تنها با مهارت های مدل سازی یادگیری ماشین همکاری مستمر و بزرگی داشته باشید، فرصت های شغلی شما افزایش خواهد یافت اگر بتوانید نرم افزارهای خوبی نیز برای پیاده سازی سیستم های پیچیده AI طراحی و پیاده سازی کنید .
این مهارت ها شامل مبانی برنامه نویسی، ساختارهای داده (به ویژه آن هایی که مربوط به یادگیری ماشین، مانند فریم های داده هستند)، الگوریتم ها (از جمله آن هایی که مربوط به پایگاه های داده و دستکاری داده هستند)، طراحی نرم افزار، آشنایی با پایتون و آشنایی با کتابخانه های کلیدی مانند tensorFlow یا pyTorch و ... هستند.
بخاطر داشته باشید؛ خیلی چیزها است که باید یاد بگیرید!
حتی بعد از این که در این لیست بر همه چیز مسلط شدید، امیدوارم به یادگیری ادامه دهید و دانش فنی خود را عمیق تر کنید. من مهندسان یادگیری ماشینی زیادی را می شناسم که از مهارت های عمیق تر در یک حوزه کاربردی مانند پردازش زبان طبیعی یا دید کامپیوتری، یا در حوزه فن آوری مانند مدل های گرافیکی احتمالی یا سیستم های نرم افزاری مقیاس پذیر بهره می برند.
چطور این مهارت ها رو به دست میاری؟
محتوای خوب زیادی در فضای اینترنت وجود دارد و از نظر تئوری خواندن ده ها صفحه وب می تواند کارساز باشد. اما زمانی که هدف درک عمیق است، خواندن صفحات وب غیر پیوسته ناکارآمد است زیرا آن ها باعث تکرار مطالب به شیوه های مختلف ، استفاده از اصطلاحات متناقض (که شما را کند می کند)، تغییر در کیفیت و ..... میشوند.
به همین دلیل است که یک دوره خوب ( که در آن یک بدنه از مواد به یک شکل منسجم و منطقی سازماندهی شده است) اغلب کارآمدترین راه برای تسلط بر یک بدنه معنادار از یک دانش محسوب میشود.
زمانی که دانش موجود در دوره ها را بخوبی یادگرفتید، می توانید به سراغ مقالات تحقیقاتی و منابع دیگر بروید. در نهایت، هیچ کس نمی تواند تمام آنچه را که آن ها نیاز دارند را تا آخر هفته یا حتی یک ماه بدانند، آرزو کند.
هر دانشمند مطرحی که من می شناسم در درجه اول بعنوان یک یاد گیرنده مادام العمر است. با توجه به این که رشته ما چقدر سریع در حال تغییر است، انتخاب کمی وجود دارد، اما اگر می خواهید ادامه دهید، باید و باید یادگیری را ادامه دهید.
چگونه می توانید سرعت یادگیری را برای سال ها حفظ کنید؟
اگر شما بتوانید عادت به یادگیری کم کم را در هر هفته در خود پرورش دهید، می توانید پیشرفت قابل توجهی با صرف انرژی و تلاش کمتری، با گذشت زمان داشته باشید.
بهترین راه برای ایجاد یک عادت جدید
یکی از کتاب های مورد علاقه من، کتاب Tiny Habits اثر BJ Fogg است: فوگ توضیح می دهد که بهترین راه برای ایجاد یک عادت جدید شروع کوچک با اثر گذاری موفق است، به جای این که شروع خیلی بزرگ و سنگین داشته باشیم و نهایتا به شکست مختوم گردد . به عنوان مثال، او به جای تلاش برای ورزش کردن به مدت ۳۰ دقیقه در روز، تمایل به انجام فقط یک هل دادن و انجام مداوم آن را توصیه می کند.
این رویکرد ممکن است برای کسانی که می خواهند وقت بیشتری را صرف مطالعه کنند مفید باشد. اگر انگیزه کافی داشته و خودتان را مسئول اول و آخر سرنوشت خود بدانید و راه را برای تماشا کردن های کوتاه شروع کنید، مثلا ۱۰ ثانیه از یک ویدئوی آموزشی هر روز (و این کار را به طور مداوم انجام دهید) عادت به مطالعه روزانه به طور طبیعی در خودتان رشد خواهد کرد. حتی اگر در آن ۱۰ ثانیه چیزی یاد نگیرید، عادت به مطالعه هر روز کمی را دارید و از کجا معلوم شاید چند روز دیگه، تا یک ساعت بصورت مفید و مستمر شروع به مطالعه کنی.