T:
Ano ang ilan sa mga batayang pang-batayan na ang career pros ay nakatayo sa pagkatuto ng makina?
A:Ang tagumpay sa pagkatuto ng makina ay madalas na nangangailangan ng isang kumbinasyon ng mga kasanayan at karanasan. Ang pagpunta sa detalye tungkol sa ilan sa mga alituntunin na ito at mga hanay ng kasanayan ay nakakatulong sa mga indibidwal na mas maunawaan kung ano ang hinahanap ng mga kumpanya kapag nag-upa sila ng mga propesyonal sa pag-aaral ng machine.
Sa isang napaka-pangunahing kahulugan, maaari mong sabihin na ang tagumpay sa pag-aaral ng makina ay madalas na nakasalalay sa isang tatlong beses na prinsipyo - programming, matematika at pananaw. Ang bawat isa sa tatlong bagay na ito ay magkakaiba, ngunit ang bawat isa sa kanila ay gumaganap ng isang papel sa pagbuo ng isang propesyonal sa karera bilang isang dalubhasa sa pag-aaral ng makina.
Mula sa pagtatapos ng programming, ang pag-alam ng mga wika tulad ng Python at R ay nagiging kapaki-pakinabang, ngunit mayroon ding mga kasanayan sa crossover mula sa mga wika tulad ng COBOL, Perl at Ruby sa Riles na maaaring magkaroon ng ilang halaga. Bahagi nito ay dahil sa pangunahing likas na katangian ng pagprograma - na nakikipag-ugnayan ka sa pag-ruta sa mga operasyon at mga halaga kung saan kailangan nila. Pagkatapos ay mayroon ding mga proyekto sa pag-aaral ng machine na sinasamantala ang legacy code.
Ang pangalawang pangunahing prinsipyo ay matematika. Ang mga taong may advanced na kasanayan sa matematika o acumen ay madalas na may higit na tagumpay sa mundo ng pag-aaral ng makina. Kapag tiningnan nila ang mga neural network o iba pang mga modelo, nagagawa nilang masira ang mga equation ng matematika na humantong sa mga output ng network. Ang mga tao ay madalas na pinag-uusapan ang mga neural network na pagiging "itim na kahon" kahit sa mga technician - ngunit sa lawak na ikaw ay masigasig sa matematika, maaari kang magsimulang maglakbay patungo sa isang mas mahusay na pag-unawa sa ginagawa ng programa.
Na humahantong sa ikatlong prinsipyo, na kung saan ay mga pananaw. Ang pag-unawa sa mga istatistika ng probabilistic ay talagang nakakatulong sa tagumpay sa pagkatuto ng makina. Iyon ay dahil sa pag-aaral ng machine, ang mga proyekto ay lumilipat mula sa isang purong deterministic o linear na programming zone sa isang bagong probabilistic zone. Ang mga indibidwal na mas kaaya-aya tungkol sa posibilidad ay maaaring tumingin sa mga timbang na input at mas mahusay na mahulaan kung ano ang maaaring maging resulta. Gayunpaman, sa ibang kahulugan, ang mga taong intuitively matalino tungkol sa pag-aaral ng machine ay maiintindihan kung paano limitahan ang mga aplikasyon nito sa mga bagay na may katuturan.
Ang isa sa malaking limang mga pitfalls sa pag-aaral ng makina ngayon ay ang magaspang at walang pagsala aplikasyon ng pag-aaral ng makina sa mga aplikasyon ng negosyo. Maraming mga sitwasyon kung saan ang pag-aaral ng makina ay hindi isang mahusay na solusyon - dahil sa pagiging kumplikado ng system, overfitting, ang problema sa itim na kahon na nabanggit dati, o kung ano pa man. Ang ilan sa mga pinakamahalagang propesyonal sa puwang sa pag-aaral ng machine ay ang mga taong marunong pumili ng mga proyekto nang maayos - kung paano curate ang mga aplikasyon ng pag-aaral ng machine - at kung paano pangasiwaan ang buy-in at pamamaraan bilang isang bihasang consultant.
