Dieser Artikel wurde im Rahmen der Data Science Blogathon
„Was steckt hinter den fahrerlosen Autos?? Künstliche Intelligenz oder, genauer, tiefes LernenTiefes Lernen, Eine Teildisziplin der Künstlichen Intelligenz, verlässt sich auf künstliche neuronale Netze, um große Datenmengen zu analysieren und zu verarbeiten. Diese Technik ermöglicht es Maschinen, Muster zu lernen und komplexe Aufgaben auszuführen, wie Spracherkennung und Computer Vision. Seine Fähigkeit, sich kontinuierlich zu verbessern, wenn mehr Daten zur Verfügung gestellt werden, macht es zu einem wichtigen Werkzeug in verschiedenen Branchen, von Gesundheit... ”- Dave Waters Wann
Einführung
Einstieg in den Bereich Deep Learning und ich würde Ihnen die Technologien nennen, die Sie lernen müssen, um ein besseres Verständnis des Feldes zu erlangen, für diesen Zweck, Dieser Artikel wird nicht zu formal und technisch sein, damit du Fragen im Kommentarbereich stellen kannst, beantworte ich sie sehr gerne.
In Indien, Über 700 Tausend Absolventen pro Jahr, und Studenten, die ihre Träume in der Entwicklungsseite der Informatik verwirklichen möchten, müssen eine Domäne wählen, Deep Learning ist einer davon. Wenn Technologien wachsen, Schülerinteresse an maschinellem Lernen / Deep Learning nimmt ebenfalls zu. Ein großes Problem, mit dem jeder konfrontiert ist, ist, dass jeder weiß, dass es im Bereich der KI einen guten Spielraum gibt, Aber was ihnen fehlt, ist, wo sie anfangen sollen und in welche Richtung sie ihre Energie fokussieren sollten, Sie testen eine Technologie und nach ein paar Tagen , sie springen auf den anderen und lassen den letzten ohne zu üben.
Die meisten Deep-Learning-Praktiker befürchten, dass die großen Tech-Giganten an einigen Algorithmen arbeiten, die den gesamten Deep-Learning-Prozess automatisieren und dass es keine Posten als Deep-Learning-Ingenieur geben würde. Also lass mich eine Sache bestätigen, die nicht passieren wird, bin mir jetzt nicht sicher. Die Automatisierung übernimmt den Platz, aber es ist noch ein langer weg.
Wenn du weißt, dass du gut mit Zahlen umgehen kannst und an spannenden Technologien arbeiten möchtest, Deep Learning ist bestimmt etwas für Sie, In diesem Tutorial zeige ich Ihnen den Weg, den Sie einschlagen können, um ein erfolgreicher Ingenieur für angewandtes Deep Learning zu werden.
Was ist Deep Learning??
Deep Learning ist die Teilmenge des maschinellen Lernens, die sich hauptsächlich mit neuronalen Netzen beschäftigt (NN). Bietet Lösungen für fast alle Arten von Daten wie z. B. Bilder, Text, Audio-, etc. Neuronale Netze versuchen, das Gehirn nachzuahmen, um Ergebnisse auf die gleiche Weise wie der menschliche Geist zu erzielen.. Sie kennen diesen Teil der Theorie bereits, Also lass mich direkt zu den Dingen springen, denen du skeptisch gegenüberstehst. Ich weiß, dass Sie möglicherweise Zweifel haben, ob Sie einen Master-Abschluss benötigen oder von Harvard oder MIT sein müssen, um ein guter Kandidat für Deep Learning zu sein, lass mich dir das beantworten. Beim Deep Learning gibt es zwei Rollen, einer namens Deep Learning Researcher und einer namens Applied Deep Learning Engineer. Ersteres befasst sich mit mehr Statistiken und mathematischen Erkenntnissen, die Ihnen helfen können, Deep-Learning-Konzepte zu verstehen und Sie schließlich dazu führen, neue Algorithmen zu entdecken. / Technologien, während der andere sich mit dem befasst, was von Deep Learning-Forschern bereits implementiert wurde, die gerade verwendet haben. das und wende es irgendwo an, wo ich den menschlichen Aufwand reduzieren kann.
Jetzt wissen Sie, dass, wenn Sie nicht zu einer Universität gehören 1, kann immer noch ein Deep-Learning-Ingenieur sein, Werfen wir also einen Blick auf alle Technologien, die Sie benötigen, um ein erfolgreicher Deep-Learning-Ingenieur zu werden.
Zusammenfassung der benötigten Fähigkeiten:
Während der Arbeit an maschinellem Lernen / Tiefes Lernen, Es ist nicht so, dass Sie nur ein paar Algorithmen kennen und auf die Daten anwenden müssen, die Sie erhalten. Es beginnt mit der Anforderungsphase, nämlich, Sie identifizieren zunächst das Problem, für das Sie die Lösung finden. Eine weitere wichtige Sache ist, dass nicht alle Probleme Deep-Learning-Lösungen erfordern., Versuchen Sie, das Problem zu analysieren und zu sehen, ob es mit herkömmlichen Algorithmen gelöst werden kann, es wird viel energie und ressourcen sparen, andererseits, Sie können eine Deep-Learning-Lösung wählen.
1. Eine geeignete Programmiersprache für AI / ML / DL
Ich weiß, du fragst dich vielleicht, warum ich dir das erzähle, wenn du es vielleicht schon weißt, aber die Wahl der Programmiersprache ist die erste Aufgabe, die Sie auf den Deep-Learning-Pfad bringt. Häufige bevorzugte Sprachen für DL sind Python und R (Persönlich benutze ich Python).
Beide Sprachen haben ihre Spezialitäten, Es ist nicht so, als ob man das andere komplett ignorieren kann, wenn man das eine benutzt, Beides zu wissen ist das Sahnehäubchen. Wenn Sie mit dem Erlernen einer dieser Programmiersprachen beginnen, versuche dich voll und ganz auf eine sprache zu konzentrieren und wenn du sie erst einmal beherrschst, ein anderer wird dir sehr leicht fallen. Versuchen Sie, so viele Bibliotheken wie möglich zu beherrschen, sobald das erledigt ist, Es ist sehr einfach für Sie, an realen Projekten zu arbeiten.
Probleme:
Während jeder anfängt, eine Programmiersprache zu lernen, Das Hauptproblem, mit dem Sie konfrontiert sind, ist das Wissen über die Ressourcen, die den Lernprozess reduzieren werden. Ich habe auch das gleiche Problem gehabt, während ich das gleiche getan habe. Die Art und Weise, wie ich die Python-Sprache beherrsche, besteht darin, dass ich Primärvorträge von learnpython.org und verschiedene Videovorträge von Udemy und Coursera abgeschlossen habe. Ein wichtiger Vorschlag, den Sie sicherlich machen würden, ist, sich keine Videovorträge anzusehen, nur um Zertifikate zu erhalten und Ihr verlinktes Profil zu genießen, sieh sie, Erkenntnisse gewinnen, die Ihnen letztendlich helfen, ein besserer Entwickler zu werden.
2. Rechengrundlagen und Datenstrukturen
Algorithmen des maschinellen Lernens kennen / Deep Learning ist nicht genug, Sie benötigen auch Kenntnisse in Software-Engineering-Fähigkeiten wie Datenstrukturen, Lebenszyklus der Softwareentwicklung, Github, Algorithmen (Einstufung, Suche und Optimierung).
Wenn Sie an einem Projekt in der realen Welt arbeiten, der Kunde würde kein Machine-Learning-Modell benötigen, Was ich benötige, ist eine Lösung in Form eines Dienstes oder einer Anwendung, für die Sie ein tieferes Verständnis dieser Konzepte benötigen.
Probleme:
Die meisten Data-Science-Enthusiasten denken, wenn sie im Bereich KI arbeiten wollen / ML / DL muss nur eine Reihe von Algorithmen lernen, die sie sowieso in einem Paket erhalten werden, und andere Konzepte sind räumlich nicht sehr wichtig Datenstruktur. Lassen Sie mich also eine Sache für Sie klarstellen, wenn Sie an einem Live-Projekt arbeiten, bei dem Sie Ihren Code optimieren müssen, um speicher- und zeiteffizienter zu sein., und immer wenn wir über Effizienz sprechen, die Datenstruktur erscheint. Was ist mehr, bei der Arbeit an Live-Projekten, muss an Fristen arbeiten, um Projekte pünktlich an Kunden zu liefern, muss ein angemessenes Verständnis von SDLC haben. Ich habe diese Konzepte auch nur im College studiert und als ich am POC arbeitete (Konzeptnachweis) hatte auch kein richtiges Verständnis dieser Konzepte in der realen Welt, aber da bin ich schon bei einigen projekten dabei, diese Konzepte sind mir klar geworden. , Wenn Sie also diese Konzepte kennen und Angst haben, nicht zu wissen, wie Sie sie in der realen Welt anwenden können, Mach dir keine Sorgen, dass du nur lernst, wenn du Teil eines Projekts bist.
3. Mathematik für maschinelles Lernen
Wenn Sie Software-Ingenieur sind, kann leicht jede Lösung codieren, aber wenn es um maschinelles Lernen geht, Sie sollten mathematische und statistische Konzepte verstehen, die Ihnen helfen, jeden Algorithmus zu analysieren und an Ihre Bedürfnisse anzupassen.
Für ihn AusbildungTraining ist ein systematischer Prozess zur Verbesserung der Fähigkeiten, körperliche Kenntnisse oder Fähigkeiten. Es wird in verschiedenen Bereichen angewendet, wie Sport, Aus- und Weiterbildung. Zu einem effektiven Trainingsprogramm gehört auch die Zielplanung, Regelmäßiges Üben und Bewerten der Fortschritte. Anpassung an individuelle Bedürfnisse und Motivation sind Schlüsselfaktoren, um in jeder Disziplin erfolgreiche und nachhaltige Ergebnisse zu erzielen.... und die Inferenz wird auch Kenntnisse über Konzepte wie Gradientenabstieg benötigen, Distanzmatrizen, Bedeuten, Median und Modus, etc.
Probleme:
Nach mir, Dies ist die wichtige Sache, die jemand lernen muss, bevor er in das Gebiet des Deep Learning einsteigt. Die meisten von uns denken, dass, wenn die meisten Algorithmen bereits implementiert sind und wir sie auf verschiedene Bereiche anwenden werden, Warum mathematische Konzepte lernen?? Dann, wie ich es jedes Mal erlebt habe, wenn Sie an einem Deep-Learning-Algorithmus arbeiten, Sie müssen es an Ihren Anwendungsfall anpassen und dafür, du brauchst diese konzepte. Ich habe an verschiedenen Projekten gearbeitet und, Mit freundlichen Grüßen, das 95% Damals waren diese Konzepte für mich nützlich, um den Algorithmus anzupassen, das andere 5% Ich habe Algorithmen so wie sie sind verwendet.
4. Bereitstellungsdienste und Benutzeroberflächentechnologie / Benutzeroberfläche
Wenn Sie Ihre Machine-Learning-Lösung bereit haben, Sie müssen es anderen in Form von Grafiken oder Visualisierungen darstellen, da die Person, der Sie erklären, möglicherweise nicht über die Kenntnisse dieser Algorithmen verfügt und die funktionierende Lösung für Ihr Problem möchte. . Dann, Was diesen Entwicklungsprozess verbessern kann, ist das Wissen über eine beliebige Benutzeroberflächentechnologie wie Django, Flasche y, Falls erforderlich, JavaScript, Ihr Machine-Learning-Code wäre das Backend, während Sie ein Frontend für das gleiche erstellen.
Sobald die Komplettlösung fertig ist, Sie müssen diese Lösung irgendwo implementieren, also müssen Sie Technologien wie Apache erlernen, Wamp, etc.
Probleme:
Diese Technologie ist unerlässlich, um an Deep-Learning-Projekten zu arbeiten, wenn Sie Teil einer sehr großen Organisation sind, es gibt dedizierte Frontend- und Backend-Entwickler, Machen Sie sich also keine Sorgen, wenn Sie nur im Backend-Bereich arbeiten, aber Teil einer kleinen Organisation sind. oder ein kleines Team, Sie müssen sich wahrscheinlich sowohl um die Frontend- als auch um die Backend-Entwicklung kümmern.
5. Kenntnisse von Cloud-Computing-Plattformen
Wie wir in der Technologie vorankommen, die Datenmenge nimmt enorm zu, Sie können diese Daten nicht auf Ihrem lokalen Server verwalten, also sollte es auf Cloud-Technologien umsteigen. Diese Plattformen bieten sehr gute Dienste von der Datenaufbereitung bis zur Modellentwicklung.
Einige dieser Computerplattformen verfügen über einige Lösungen, die auf dem neuesten Stand des Deep Learning basieren. Die am meisten bevorzugten Plattformen sind AWS und Azure und Sie können auch Google Cloud ausprobieren.
Dies sind die Technologien, die man lernen muss, wenn man als Deep-Learning-Ingenieur arbeitet, Natürlich, kann auch andere Technologien erlernen, aber das sind die wichtigsten.
Probleme:
Arbeiten im Cloud Computing kann schwierig sein, da Sie an dieser Technologie arbeiten müssen, während Sie an anderen arbeiten 4 Technologien, aber wenn Sie daran interessiert sind, einige zusätzliche Dinge zu lernen, das ist sicherlich für Deep Learning Engineer.
Ressource:
Sie können die folgenden Ressourcen verwenden, um mit dem Erlernen dieser Technologien zu beginnen:
Programmiersprache: https://www.learnpython.org/
Datenstruktur: https://www.geeksforgeeks.org/data-structures/
Mathematik für maschinelles Lernen: https://www.coursera.org/specializations/mathematics-machine-learning
Frontend-Technologien: https://www.djangoproject.com/start/, https://www.fullstackpython.com/flask.html
Cloud-Technologien: https://aws.amazon.com/getting-started/, https://docs.microsoft.com/en-us/learn/azure/
Danke, dass du diesen Artikel gelesen hast. Wenn Sie etwas Neues gelernt haben, Kommentieren Sie gerne! Wir sehen uns beim nächsten Mal! !!! ️
Die in diesem Artikel gezeigten Medien sind nicht Eigentum von DataPeaker und werden nach Ermessen des Autors verwendet.
