Q:
Jaké jsou některé ze základních způsobů, které profesní profesionálové vynikají ve strojovém učení?
A:Úspěch strojového učení často vyžaduje kombinaci dovedností a zkušeností. Podrobnější informace o některých z těchto principů a sad dovedností pomáhají jednotlivcům lépe porozumět tomu, co společnosti hledají, když najímají odborníky na strojové učení.
Ve velmi základním smyslu byste mohli říci, že úspěch strojového učení často spočívá na trojím principu - programování, matematika a vhled. Každá z těchto tří věcí je zásadně odlišná, ale každá z nich hraje roli při rozvoji kariérního profesionála jako odborníka na strojové učení.
Od konce programování se znalost jazyků jako Python a R stává nesmírně užitečnou, ale existují i dovednosti překračování z jazyků jako COBOL, Perl a Ruby on Rails, které mohou mít určitou hodnotu. Část toho je způsobena základní povahou programování - že se zabýváte směrováním operací a hodnot tam, kde je potřeba. Dále existují i projekty strojového učení, které využívají starší kód.
Druhým základním principem je matematika. Lidé s pokročilými matematickými dovednostmi nebo prozíravostí mají často mnohem větší úspěch ve světě strojového učení. Když se podívají na neuronové sítě nebo jiné modely, jsou schopni rozebrat matematické rovnice, které vedou k síťovým výstupům. Lidé často mluví o „neuronových sítích“ jako o „černých skříňkách“ i s techniky - ale pokud jste v matematice důvtipní, můžete začít cestovat k lepšímu pochopení toho, co program dělá.
To vede ke třetímu principu, který je vhled. Pochopení pravděpodobnostních statistik skutečně pomáhá při úspěchu strojového učení. Je to proto, že se strojovým učením projekty přecházejí z čistě deterministické nebo lineární programovací zóny do nové pravděpodobnostní zóny. Jednotlivci, kteří jsou důvtipnější ohledně pravděpodobnosti, se mohou podívat na vážené vstupy a lépe předpovídat, jaké výsledky by mohly být. V jiném smyslu však lidé, kteří jsou intuitivně rozumní strojovému učení, pochopí, jak omezit své aplikace na věci, které dávají smysl.
Jedním z pěti největších úskalí strojového učení v dnešní době je nekontrolované a nerozvážné používání strojového učení do podnikových aplikací. Existuje mnoho situací, kdy strojové učení prostě není dobrým řešením - ať už je to kvůli složitosti systému, přeplnění, dříve zmíněnému problému s černou skříní, nebo cokoli jiného. Mezi nejcennější odborníky v oblasti strojového učení budou ti, kteří vědí, jak dobře vybrat projekty - jak spravovat aplikace strojového učení - a jak zacházet s nákupy a postupy jako kvalifikovaný konzultant.
