Q:
Apa sajakah cara dasar yang menonjol dalam karir profesional dalam pembelajaran mesin?
SEBUAH:Keberhasilan pembelajaran mesin sering kali membutuhkan kombinasi keterampilan dan pengalaman. Mempelajari secara terperinci tentang beberapa prinsip dan rangkaian keterampilan ini membantu individu untuk lebih memahami apa yang dicari perusahaan ketika mereka mempekerjakan profesional pembelajaran mesin.
Dalam pengertian yang sangat mendasar, Anda dapat mengatakan bahwa keberhasilan pembelajaran mesin sering bertumpu pada prinsip tiga kali lipat - pemrograman, matematika dan wawasan. Masing-masing dari ketiga hal ini pada dasarnya berbeda, tetapi masing-masing dari mereka memainkan peran dalam mengembangkan karir profesional sebagai ahli pembelajaran mesin.
Dari akhir pemrograman, mengetahui bahasa seperti Python dan R menjadi sangat berguna, tetapi ada juga keterampilan crossover dari bahasa seperti COBOL, Perl dan Ruby on Rails yang dapat memiliki beberapa nilai. Bagian dari itu adalah karena sifat dasar pemrograman - bahwa Anda berurusan dengan merutekan operasi dan nilai-nilai di mana mereka perlu. Lalu ada juga proyek pembelajaran mesin yang memanfaatkan kode legacy.
Prinsip dasar kedua adalah matematika. Orang-orang dengan keterampilan matematika yang canggih atau ketajaman sering lebih sukses di dunia pembelajaran mesin. Ketika mereka melihat jaringan saraf atau model lain, mereka dapat memecah persamaan matematika yang mengarah ke output jaringan. Orang-orang sering berbicara tentang jaringan saraf menjadi "kotak hitam" bahkan untuk teknisi - tetapi sejauh Anda ahli dalam matematika, Anda dapat mulai melakukan perjalanan menuju pemahaman yang lebih baik tentang apa yang sedang dilakukan program.
Itu mengarah pada prinsip ketiga, yaitu wawasan. Memahami statistik probabilistik sangat membantu dalam keberhasilan pembelajaran mesin. Itu karena dengan pembelajaran mesin, proyek bergerak dari zona pemrograman murni deterministik atau linier ke zona probabilistik baru. Individu yang lebih paham tentang probabilitas dapat melihat input tertimbang dan lebih baik memprediksi hasil apa yang mungkin terjadi. Namun, dalam arti lain, orang-orang yang secara intuitif bijaksana tentang pembelajaran mesin akan memahami bagaimana membatasi penerapannya pada hal-hal yang masuk akal.
Salah satu dari lima perangkap besar dalam pembelajaran mesin saat ini adalah aplikasi pembelajaran mesin yang merajalela dan tidak pandang bulu ke dalam aplikasi perusahaan. Ada banyak situasi di mana pembelajaran mesin bukanlah solusi yang baik - apakah itu karena kompleksitas sistem, overfitting, masalah kotak hitam yang disebutkan sebelumnya, atau apa pun. Beberapa profesional paling berharga di ruang pembelajaran mesin adalah mereka yang tahu bagaimana memilih proyek dengan baik - bagaimana menyusun aplikasi pembelajaran mesin - dan bagaimana menangani penerimaan dan prosedur sebagai konsultan yang terampil.
