Najlepsze oferty uczenia maszynowego

Zawartość

• Co to jest uczenie maszynowe?
• Branże wykorzystujące uczenie maszynowe
• Jak uczenie maszynowe zmienia miejsce pracy
• Czy chcesz mieć karierę w uczeniu maszynowym?
• Tytuły pracy i zarobki
• Wymagania dotyczące zadań uczenia maszynowego

Na szczycie raportu LinkedIn Emerging Jobs Report z LinkedIn w 2017 r. Znajdowały się dwa zawody w dziedzinie uczenia maszynowego: inżynier uczenia maszynowego i naukowiec danych. Zatrudnienie inżynierów uczących się maszyn wzrosło 9,8 razy w latach 2012-2017, a liczba miejsc pracy naukowców wzrosła 6,5 ​​razy w tym samym okresie pięciu lat. Jeśli trend się utrzyma, te zawody będą miały perspektywy zatrudnienia przewyższające wiele innych zawodów. Czy przy tak świetlanej przyszłości praca na tym polu może być dla Ciebie odpowiednia?

Co to jest uczenie maszynowe?

Uczenie maszynowe (ML) jest dokładnie tak, jak się wydaje. Technologia ta polega na uczeniu maszyn wykonywania określonych zadań. W przeciwieństwie do tradycyjnego kodowania, które dostarcza instrukcji, które informują komputery, co robić, ML dostarcza im danych, które pozwalają im to samemu zrozumieć, podobnie jak zrobiłby to człowiek lub zwierzę. Brzmi jak magia, ale tak nie jest. Obejmuje interakcję informatyków i innych osób posiadających odpowiednią wiedzę specjalistyczną. Ci specjaliści IT tworzą programy zwane algorytmami - zestawami reguł, które rozwiązują problem - a następnie dostarczają im duże zestawy danych, które uczą ich przewidywania na podstawie tych informacji.

Uczenie maszynowe to „podzbiór sztucznej inteligencji, który umożliwia komputerom wykonywanie zadań, do których nie zostały wyraźnie zaprogramowane” (Dickson, Ben. Umiejętności, które trzeba znaleźć w pracy związanej z uczeniem maszynowym. Wyszukiwarka kariery. 18 stycznia 2017 r.) Z biegiem lat stało się to bardziej skomplikowane, ale coraz bardziej powszechne. Steven Levy w artykule, który mówi o priorytetach Google w zakresie uczenia maszynowego i przekwalifikowywania inżynierów firmy, pisze: „Przez wiele lat uczenie maszynowe było uważane za specjalność, ograniczone do elity niewielu. Ta era się skończyła, ponieważ ostatnie wyniki wskazują, że uczenie maszynowe oparte na „sieciach neuronowych”, które naśladują sposób działania mózgu biologicznego, jest prawdziwą ścieżką do nasycenia komputerów mocami ludzi, aw niektórych przypadkach super ludzi ”( Levy, Steven. Jak Google przerabia się na pierwsze podejście do uczenia maszynowego (22 czerwca 2016 r.).

W jaki sposób uczenie maszynowe jest używane w „prawdziwym świecie”? Większość z nas spotyka się z tą technologią na co dzień, bez namysłu. Gdy korzystasz z Google lub innej wyszukiwarki, wyniki wyświetlane u góry strony są wynikiem uczenia maszynowego. Przewidywanie tekstu, a także czasami złośliwa funkcja autokorekty, w aplikacji do SMS-ów w smartfonie, są również wynikiem uczenia maszynowego. Polecane filmy i piosenki w serwisach Netflix i Spotify to kolejne przykłady tego, jak korzystamy z tej szybko rozwijającej się technologii, ledwo ją zauważając. Niedawno Google wprowadził Smart Reply w Gmailu. Na końcu wiadomości przedstawia użytkownikowi trzy możliwe odpowiedzi w zależności od treści. Uber i inne firmy testują obecnie samochody samojezdne.

Branże wykorzystujące uczenie maszynowe

Wykorzystanie uczenia maszynowego wykracza daleko poza świat technologii. SAS, firma zajmująca się oprogramowaniem analitycznym, informuje, że wiele branż przyjęło tę technologię. Przemysł usług finansowych wykorzystuje ML do identyfikowania możliwości inwestycyjnych, informowania inwestorów, kiedy handlować, rozpoznawania klientów o profilach wysokiego ryzyka i wykrywania oszustw. W służbie zdrowia algorytmy pomagają diagnozować choroby, wykrywając nieprawidłowości.

Czy kiedykolwiek zadałeś pytanie „dlaczego reklama tego produktu, którą zamierzam kupić, pojawia się na każdej stronie, którą odwiedzam?” ML pozwala branży marketingu i sprzedaży analizować konsumentów na podstawie ich historii zakupów i wyszukiwania. Dostosowanie tej technologii przez przemysł transportowy wykrywa potencjalne problemy na trasach i pomaga je zwiększyć. Dzięki ML przemysł naftowy i gazowy może zidentyfikować nowe źródła energii (uczenie maszynowe: co to jest i dlaczego to ma znaczenie. SAS).

Jak uczenie maszynowe zmienia miejsce pracy

Prognozy dotyczące maszyn przejmujących wszystkie nasze zadania istnieją od dziesięcioleci, ale czy ML w końcu sprawi, że stanie się to rzeczywistością? Eksperci przewidują, że ta technologia zmieni i będzie zmieniać miejsce pracy. Ale jeśli chodzi o zabieranie wszystkich naszych miejsc pracy? Większość ekspertów uważa, że ​​tak się nie stanie.

Chociaż uczenie maszynowe nie może zastąpić ludzi we wszystkich zawodach, może zmienić wiele związanych z nimi obowiązków zawodowych. „Zadania polegające na podejmowaniu szybkich decyzji na podstawie danych są odpowiednie dla programów ML; nie jest tak, jeśli decyzja zależy od długiego łańcucha rozumowania, różnorodnej wiedzy ogólnej lub zdrowego rozsądku” - mówi Byron Spice. Spice jest dyrektorem ds. Relacji z mediami w Carnegie Mellon Uniwersytecka Szkoła Informatyki (Spice, Byron. Uczenie maszynowe zmieni pracę. Uniwersytet Carnegie Mellon. 21 grudnia 2017 r.).

W Science Magazine, Erik Brynjolfsson i Tom Mitchell piszą: „popyt na pracę jest bardziej prawdopodobny dla zadań, które są bliskim zamiennikiem możliwości ML, podczas gdy jest bardziej prawdopodobne, że wzrośnie dla zadań, które są uzupełnieniem dla tych systemów. Za każdym razem ML system przekracza próg, w którym staje się bardziej opłacalny niż człowiek przy wykonywaniu zadania, maksymalizując zysk przedsiębiorcy i menedżerowie będą coraz częściej starać się zastępować maszyny ludźmi. Może to mieć wpływ na całą gospodarkę, zwiększając wydajność, obniżając ceny, przesuwając popyt na pracę, oraz restrukturyzacja branż (Brynjolfsson, Erik i Mitchell, Tom. Co mogą zrobić uczenie maszynowe? Implikacje dla pracowników. Nauka. 22 grudnia 2017 r.).

Czy chcesz mieć karierę w uczeniu maszynowym?

Kariery w uczeniu maszynowym wymagają wiedzy specjalistycznej z zakresu informatyki, statystyki i matematyki. Wiele osób przychodzi na to pole z doświadczeniem w tych dziedzinach. Wiele szkół wyższych, które oferują specjalizację w uczeniu maszynowym, przyjmuje podejście multidyscyplinarne z programem nauczania, który obejmuje, oprócz informatyki, elektrotechniki i inżynierii komputerowej, matematyki i statystyki (najlepsze 16 szkół uczenia maszynowego. AdmissionTable.com).

Dla tych, którzy są już zaangażowani w przemysł informatyczny, przejście do pracy ML nie jest dużym skokiem. Być może masz już wiele umiejętności, których potrzebujesz. Twój pracodawca może nawet pomóc Ci dokonać tego przejścia. Według artykułu Stevena Levy'a „obecnie nie ma wielu ludzi, którzy są ekspertami w ML, więc firmy takie jak Google i Facebook przekwalifikowują inżynierów, których wiedza specjalistyczna polega na tradycyjnym kodowaniu”.

Podczas gdy wiele umiejętności, które rozwinąłeś jako informatyk, przejdzie na uczenie maszynowe, może to być nieco trudne. Miejmy nadzieję, że nie spałeś podczas zajęć statystycznych na uczelni, ponieważ ML opiera się na silnym zrozumieniu tego przedmiotu, a także na matematyce. Levy pisze, że koderzy muszą być gotowi zrezygnować z całkowitej kontroli nad programowaniem systemu.

Nie masz pecha, jeśli Twój pracodawca techniczny nie zapewnia przekwalifikowania ML Google i Facebook. Szkoły wyższe i uniwersytety, a także internetowe platformy edukacyjne, takie jak Udemy i Coursera, oferują zajęcia, które uczą podstaw uczenia maszynowego. Ważne jest jednak, aby uzupełnić swoją wiedzę specjalistyczną, biorąc statystyki i lekcje matematyki.

Tytuły pracy i zarobki

Główne tytuły pracy, na które natrafisz, szukając pracy w tej dziedzinie, obejmują inżyniera uczenia maszynowego i naukowca danych.

Inżynierowie uczenia maszynowego „prowadzą operacje w ramach projektu uczenia maszynowego i są odpowiedzialni za zarządzanie infrastrukturą i potokami danych potrzebnymi do wprowadzenia kodu do produkcji”. Badacze danych zajmują się opracowywaniem algorytmów po stronie danych i analizy, a nie po stronie kodowania. Gromadzą również, czyszczą i przygotowują dane (Zhou, Adelyn. „Tytuły sztucznej inteligencji: Co to jest inżynier uczenia maszynowego?” Forbes. 27 listopada 2017 r.).

Na podstawie zgłoszeń użytkowników osób pracujących na tych stanowiskach Glassdoor.com informuje, że inżynierowie ML i naukowcy zajmujący się danymi zarabiają średnio 120 931 USD. Wynagrodzenia wahają się od niskiego poziomu 87 000 USD do wysokiego poziomu 158 000 USD (Wynagrodzenia dla inżyniera uczenia maszynowego. Glassdoor.com. 1 marca 2018 r.). Chociaż Glassdoor grupuje te tytuły, istnieją między nimi pewne różnice.

Wymagania dotyczące zadań uczenia maszynowego

Inżynierowie ML i naukowcy zajmujący się danymi wykonują różne zadania, ale nakładają się one na siebie. Ogłoszenia o pracy dla obu stanowisk często mają podobne wymagania. Wielu pracodawców woli licencjat, magisterium lub doktorat z informatyki lub inżynierii, statystyki lub matematyki.

Aby być specjalistą od uczenia maszynowego, potrzebujesz kombinacji umiejętności technicznych - umiejętności zdobytych w szkole lub w pracy - oraz umiejętności miękkich. Umiejętności miękkie to umiejętności, których nie uczą się w klasie, lecz rodzą się z doświadczeniem życiowym. Ponownie, nakładają się na siebie umiejętności wymagane przez inżynierów ML i naukowców zajmujących się danymi.

Ogłoszenia o pracy ujawniają, że osoby pracujące na stanowiskach inżynieryjnych ML powinny znać platformy uczenia maszynowego, takie jak TensorFlow, Mlib, H20 i Theano. Potrzebują silnego doświadczenia w kodowaniu, w tym doświadczenia w językach programowania, takich jak Java lub C / C ++ i językach skryptowych, takich jak Perl lub Python. Wiedza specjalistyczna w zakresie statystyki i doświadczenie w korzystaniu z pakietów oprogramowania statystycznego do analizy dużych zestawów danych również należą do specyfikacji.

Różnorodne umiejętności miękkie pozwolą ci odnieść sukces na tym polu. Wśród nich są elastyczność, zdolność dostosowywania się i wytrwałość. Opracowanie algorytmu wymaga wielu prób i błędów, a zatem cierpliwości. Należy przetestować algorytm, aby sprawdzić, czy działa, a jeśli nie, opracować nowy.

Niezbędne są doskonałe umiejętności komunikacyjne. Specjaliści od uczenia maszynowego, którzy często pracują w zespołach, potrzebują doskonałych umiejętności słuchania, mówienia i interpersonalnych do współpracy z innymi, a także muszą przedstawiać swoje odkrycia swoim kolegom. Powinni ponadto być aktywnymi uczniami, którzy mogą włączać nowe informacje do swojej pracy. W branży, w której ceniona jest innowacja, trzeba być kreatywnym, aby osiągać sukcesy.