8.8 C
Москва
Среда, 28 сентября, 2022

Каждый инженер должен и может изучать машинное обучение

Популярное

[ad_1]

Рекламный пост

Сураб Баджадж, соучредитель и руководитель отдела разработки co:rise

co:rise запускает вторую серию Трек по основам машинного обучения этой осенью 5 сентября. Чтобы отметить это событие, мы встретились с курс-дизайнером и программистом. Сураб Баджадж (ранее Neeva, Google, Coursera), чтобы рассказать об эволюции роли машинного обучения, о том, как он разработал курс для удовлетворения сегодняшних потребностей бизнеса и как, по его мнению, студенты могут применять изученные темы в конце каждого курса!

Вопрос: Привет, Сурабх! Как изменилась работа инженера по машинному обучению за последние несколько лет?

Сураб: Несколько больших изменений, которые произошли в этой области, заключаются в том, что на раннем этапе инженеры машинного обучения тратили массу времени на разработку моделей. И в каком-то смысле роли инженера машинного обучения как таковой не существовало — чаще можно было найти роль исследователя машинного обучения, где вы отвечали бы за очистку данных, производство ваших моделей, создание моделей и их итерацию.

Эта роль в первую очередь была обусловлена ​​отсутствием инфраструктуры, где не было хороших инструментов для машинного обучения. И, даже если бы инструменты существовали, было бы намного сложнее производить эти модели.

С 2016 года мы наблюдаем огромный прогресс в самих инструментах машинного обучения, например, появились TensorFlow, PyTorch, AWS SageMaker, Google Cloud AI и многие SaaS-компании, такие как Weights & Bias и Refuel, чтобы упростить машинное обучение. Эти достижения создали новую роль для инженеров машинного обучения, где они по-прежнему работают вместе над созданием моделей, но в первую очередь они несут ответственность за использование своих навыков разработки программного обеспечения для воплощения моделей в жизнь.

В чем важное различие между концепциями машинного обучения, которые вы изучаете в школе, и отраслевыми приложениями?

Когда вы посещаете урок машинного обучения в школе, он в значительной степени опирается на теоретические основы. Вы сосредоточитесь на матричном исчислении и линейной алгебре и потратите время, пытаясь доказать, почему все математически правильно. В промышленности это все важно знать. Но в то же время вы сосредотачиваетесь на том, чтобы убедиться, что вы можете решить бизнес-задачи.

Одно большое различие между ними заключается в том, что на работе сбор данных, аннотация данных и данные занимают большую часть вашего времени. В школе большинство наборов данных, которые вы используете, обычно чистые и уже существуют. В то же время модели, которые вы используете, в основном будут одинаковыми, независимо от того, где вы их применяете.

Для кого этот трек? Есть ли какие-то предварительные условия перед тем, как подписаться на весь трек?

Если вы инженер-программист с некоторым опытом или, может быть, у вас еще нет опыта работы в отрасли, но вы хотите начать свое путешествие в области машинного обучения, этот курс подходит вам, поскольку он предназначен для работы с реальными приложениями.

Трек посвящен тому, как помочь разработчикам программного обеспечения успешно развертывать проекты машинного обучения в своих организациях. Мы также разработали трек, чтобы помочь инженерам творчески подойти к ответам на вопросы бизнеса: Как вы создаете новые наборы данных? Как вы маркируете данные? Как вы производите свои системы? Как вы развертываете их, чтобы иметь влияние на бизнес? И другие важные бизнес-сценарии, такие как сквозное путешествие по итерациям ваших моделей и, кроме того, размышления о глубоком обучении.

Могут ли студенты пройти один курс, если они не могут выбрать три курса, или вы рекомендуете найти время, чтобы пройти все три?

Курсы построены по модульному принципу. Вы можете пройти один или два курса, если хотите, например, вы можете пройти Прикладное машинное обучение конечно и получить представление о том, что это такое — как вы это делаете и как это работает? Вы также можете просто взять MLOps и узнать о компонентах ML, связанных с системным проектированием.

Но трек предназначен для того, чтобы дать исчерпывающие знания по машинному обучению. Итак, для тех, кто только начинает полный трек является самым выгодным.

Расскажите немного об инструкторах на трассе?

Первый курс, Прикладное машинное обучение преподается Эндрю Маас. Он является старшим менеджером по исследованиям специальных проектов в Apple и долгое время преподавал в Стэнфорде. Его курс в основном задает важный вопрос: когда вы начинаете решать новую проблему, как узнать, стоит ли ее решать с помощью ML? И как вы используете современные модели для решения этой проблемы?

Второй курс Основы глубокого обучения преподается Эрик Ву а также Кевин Ву, оба в настоящее время в Стэнфорде, а до этого они были в Google и Waymo соответственно. Их внимание сосредоточено на переходе от традиционного машинного обучения к глубокому обучению. Они разберут модели глубокого обучения, предоставив обзор компьютерного зрения, естественного языка, генерации изображений и генеративного искусства, а также научат вас улучшать и повторять модели глубокого обучения.

Наконец, третий курс — MLOps. Есть два варианта курса, первый фокусируется на ИИ, ориентированном на данныегде вы думаете о том, как ввести новые данные, и этому учит Эндрю Маас который является старшим менеджером по исследованиям в Apple и Майк Вукоторый в настоящее время находится в Стэнфорде.

Второй фокусируется на производстве, размерах и развертывании.и этому учит Нихит Десаи, бывший штатный инженер Facebook и технический директор Заправка.ai.

Каким был ваш мыслительный процесс, когда вы создавали этот трек?

Лично мне, когда я только начинал изучать машинное обучение, было сложно отличить сигнал от шума. Есть среда, в которой все рекомендуют вам читать статьи, что является хорошим началом, но также и пугает. Кроме того, есть среды, в которых все рекомендуют вам стать экспертом по математике еще до того, как вы начнете. Этот совет ограничивает вас, потому что вы можете пройти несколько уроков линейной алгебры, но будет ли это продуктивным использованием вашего времени?

Что я хотел сделать с этим треком, так это сосредоточиться на том, как мы, разработчики программного обеспечения, можем добиться успеха в своей работе. Я не пытаюсь создавать современные модели или проводить исследования, вместо этого я хочу решать бизнес-задачи с помощью машинного обучения. И в этом вся ориентация трека: сосредоточиться на прикладных навыках и оказать влияние на бизнес.

Какие аспекты трека вам больше всего нравятся?

Для меня, учитывая мой опыт разработки программного обеспечения, MLOps определенно интересен, потому что он связывает новую область, которая мне нравится, с тем, что я уже знаю.

Что касается конкретного проекта, я думаю, Основы глубокого обучения У курса есть действительно увлекательный проект, который, я уверен, студентам очень понравится. На первой неделе учащиеся создадут модель, которая распознает нарисованные от руки смайлики. На второй неделе они будут использовать компьютерное зрение для обнаружения. На третьей неделе они будут использовать анализ настроений и классифицировать, какие смайлики имеют положительные или отрицательные настроения. Затем, в последнюю неделю, они будут генерировать новые смайлики. Это доступный, веселый и педагогический проект одновременно.

Каждый инженер должен и может изучать машинное обучение

Как сеть сообщества co:rise способствует обучению учащихся?

Одна вещь, которая сложна в обучении, заключается в том, что обучение само по себе является задачей, которую вам нужно взять на себя. У большинства наших учеников есть работа на полный рабочий день и дополнительные требования дома, поэтому им трудно выделить время для обучения. И в этом помогает сообщество. Это дает учащимся чувство близости и поддержки. Это похоже на абонемент в спортзал. Представьте, что вы каждый день ходите в спортзал в одиночестве. Это сложно и выполнимо, но, вероятно, было бы проще, если бы у вас был приятель по спортзалу. Это делает вас более успешным. Точно так же групповые занятия оказались более эффективными для обучения.

Важно отметить, что сообщество предназначено не только для обучения. Это также ваша профессиональная сеть. Это открывает возможности для того, с кем вы могли бы работать в будущем и с кем вы можете поговорить о начале новых ролей или новых проблемах. Было очень приятно наблюдать, как наши системы поддержки выросли в наших нынешних когортах.

Наконец, на какие новые вопросы студенты могут ответить после прохождения трека ML?

Студенты начнут замечать, насколько уверенно они себя чувствуют, применяя машинное обучение к новым задачам. Они также смогут ответить на вопрос: нужно ли это решать с помощью ML?

Во-вторых, в задачах, с которыми они уже знакомы, они начнут замечать, где возникают обычные ошибки, и как они могут использовать машинное обучение для создания лучшей системы.

В конечном счете, у студентов появится уверенность в том, что они смогут более авторитетно говорить об ОД, и у них будет возможность глубже погрузиться в конкретные области МО. Например, если ваша цель — работать в компании по производству беспилотных автомобилей и работать над видением, это становится ближе к реальности, потому что теперь у вас есть базовые знания для начала работы. Точно так же, если вы в восторге от чат-ботов и хотите изучить обработку естественного языка, вы можете это сделать. Это все возможности, которые вы можете использовать в своем путешествии за пределы этого.

Трек «Основы машинного обучения» включает:

✏️ Прикладное машинное обучение преподавал Эндрю Маас
✏️ Основы глубокого обучения преподавали Эрик Ву и Кевин Ву
✏️ MLOps: глубокое обучение, ориентированное на данные преподавали Эндрю Маас и Майк Ву

Оригинал

[ad_2]

- Advertisement -

Выбор редакции

ОСТАВЬТЕ ОТВЕТ

Пожалуйста, введите ваш комментарий!
пожалуйста, введите ваше имя здесь

- Advertisement -

Последние статьи