Estoy listo para dejar mi trabajo para aprender el aprendizaje automático durante 6 a 9 meses, ¿qué debo hacer?

En la situación actual del mercado, esa es la elección correcta.

En este momento, muchas empresas multinacionales y centrales ofrecen paquetes enormes para el aprendizaje automático.

Entonces, si desea aprender ML mientras realiza algún otro trabajo, puede tomar más tiempo terminarlo. pero ahora está listo para dejar el trabajo y listo para pasar todo su tiempo en Machine Learning. Puede completar en pocos meses. Puede ser de 3 a 4 meses, sin necesidad de pasar de 6 a 9 meses. [pero también depende del rendimiento del candidato y de cuánto tiempo pasaste en ML en un día]

Mi sugerencia es aprender Machine Learning en línea, no vaya con cursos fuera de línea, porque hay varias razones, pero principalmente la falta de soporte. Pero en el curso Online ML, están listos para responder en cualquier momento y es posible que conozca el programa de estudios y lo de Evey.

Mejor tomar cualquier curso en línea, le sugeriré los mejores cursos en línea.

• Machine Learning AZ ™: Python práctico y R en ciencia de datos [Recomendado]

Este curso es divertido y emocionante, pero al mismo tiempo nos sumergimos profundamente en Machine Learning. Está estructurado de la siguiente manera:

• Parte 1: preprocesamiento de datos
• Parte 2: Regresión: Regresión lineal simple, Regresión lineal múltiple, Regresión polinómica, SVR, Regresión de árbol de decisión, Regresión forestal aleatoria
• Parte 3 – Clasificación: Regresión logística, K-NN, SVM, Kernel SVM, Naive Bayes, Clasificación del árbol de decisión, Clasificación aleatoria del bosque
• Parte 4 – Agrupación: K-medias, agrupación jerárquica
• Parte 5 – Aprendizaje de reglas de asociación: Apriori, Eclat
• Parte 6 – Aprendizaje de refuerzo: límite de confianza superior, muestreo de Thompson
• Parte 7 – Procesamiento del lenguaje natural: modelo de bolsa de palabras y algoritmos para PNL
• Parte 8 – Aprendizaje profundo: redes neuronales artificiales, redes neuronales convolucionales
• Parte 9 – Reducción de dimensionalidad: PCA, LDA, Kernel PCA
• Parte 10 – Selección y refuerzo del modelo: validación cruzada k-fold, ajuste de parámetros, búsqueda de cuadrícula, XGBoost

Además, el curso está repleto de ejercicios prácticos basados ​​en ejemplos en vivo. Entonces, no solo aprenderá la teoría, sino que también obtendrá práctica práctica para construir sus propios modelos.

Cursos relevantes :

1. Python for Data Science y Machine Learning Bootcamp
2. principiante a avanzado: aprendizaje automático y redes neuronales

Otro mejor curso de aprendizaje automático.

• Machine Learning por la Universidad de Stanford, mentor: Andrew Ng, cofundador, Coursera

Este curso proporciona una amplia introducción al aprendizaje automático, la minería de datos y el reconocimiento de patrones estadísticos.

Los temas incluyen:

(i) Aprendizaje supervisado (algoritmos paramétricos / no paramétricos, máquinas de vectores de soporte, núcleos, redes neuronales).

(ii) Aprendizaje no supervisado (agrupamiento, reducción de dimensionalidad, sistemas de recomendación, aprendizaje profundo).

(iii) Mejores prácticas en aprendizaje automático (teoría del sesgo / varianza; proceso de innovación en aprendizaje automático y IA).

El curso también se basará en numerosos estudios de casos y aplicaciones, para que también aprenda a aplicar algoritmos de aprendizaje para construir robots inteligentes (percepción, control), comprensión de texto (búsqueda web, antispam), visión por computadora, informática médica. , audio, minería de bases de datos y otras áreas.

Todo lo mejor.

Lo entiendo, estaba en una situación similar no hace mucho tiempo. Pero el tiempo libre no equivale a más productividad o enfoque. Para mí vi refugio al tomar cursos en una universidad cercana como estudiante no matriculado. El orden / disciplina era exactamente lo que necesitaba.

Si realmente desea concentrarse en aprender ML sin medirlo por piezas y tener la distracción del trabajo, le recomiendo ingresar a algún tipo de programa. Eso podría ser un Masters, o incluso un bootcamp. La estructura lo hará un millón de veces más fácil y será un entorno mucho mejor para el aprendizaje.

Hagas lo que hagas, ¡anímate y no mires atrás! Buena suerte.

No tiene que abandonar Job, solo siga estos 6 PASOS FÁCILES para aprender los conceptos básicos del APRENDIZAJE DE MÁQUINAS en 3 meses.

¡¡Buena suerte!!

El aprendizaje automático es un campo realmente vasto y de rápido desarrollo. Será abrumador solo para comenzar. Sin duda, ha estado rebotando en el punto donde necesita usar la máquina para descubrir cómo construir modelos: ha pensado en lo que debe hacer; Sin embargo, cuando se filtran en la web algoritmos concebibles, recientemente hay un número excesivo de alternativas.

Para aprender el aprendizaje automático, debes ser mejor que el promedio en matemáticas. Estas son las matemáticas que debe aprender teniendo en cuenta el objetivo final para estar preparado.

• Álgebra lineal-Álgebra lineal– MIT 18.06 Álgebra lineal por Gilbert Strang
• Teoría de la probabilidad-Probabilidad y estadística – MIT 6.041 Análisis de sistemas probabilísticos y probabilidad aplicada por John Tsitsiklis
• Cálculo
• Cálculo multivariante
• Teoría de grafos
• Métodos de optimización
• Cualquier lenguaje de programación ampliamente utilizado para ML como python, MATLAB o C ++.

PD: recomendaría Python aquí como lenguaje y recomendaría los siguientes enlaces:

• Aprendizaje automático con texto en scikit-learn (PyCon 2016)
• Aprendizaje automático en Python con scikit-learn
• Aprendizaje automático con Python

https://www.youtube.com/watch?v= … https://www.youtube.com/watch?v= …

Una vez cumplidos estos requisitos, puede por fin comenzar a considerar Machine Learning.

¿6 PASOS FÁCILES para utilizar el APRENDIZAJE DE MÁQUINAS?

Este es el lugar donde comienza la diversión. Ahora, se espera que la base comience a echar un vistazo a algunas informaciones. Antes de comenzar, he enumerado 30 cosas que todos deberían saber en Machine Learning . La mayoría de las empresas de aprendizaje automático tienen básicamente el mismo proceso de trabajo:

PASO 1.) Fabrica tus fundamentos de aprendizaje automático estudiando material relacionado con el tema:

a.) Las conferencias de Andrew Ng’s Machine Learning son un gran comienzo :

b.) Escuela de verano de aprendizaje automático :

c.) Un enlace a la lista de reproducción completa está aquí (Lecture Collection | Machine Learning)

https://www.youtube.com/view_pla …

d.) Certificado de aplicaciones y minería de datos de Stanford :

http://scpd.stanford.edu/public/ …

e.) Introducción a la Inteligencia Artificial por el Prof. Deepak Khemani IIT Madras

http://nptel.ac.in/courses/10610 …

f.) ” La mejor introducción de aprendizaje automático que he visto hasta ahora”.

PASO 2.) Tome un curso en línea

Lo principal que aconsejo a alguien que necesita ingresar al aprendizaje automático es tomar el curso en línea de Andrew Ng.

Creo que el curso de Ng es especialmente directo y excepcionalmente eficiente, por lo que es un conocimiento extraordinario para alguien que necesita ingresar a ML. Me sorprende cuando las personas me revelan que el curso es “excesivamente fundamental” o “excesivamente superficial”.

En el caso de que me revelen que solicito que aclaren el contraste entre la Regresión logística y el SVM, PCA lineal frente a la factorización matricial, regularización o descenso de gradiente. He hablado con aspirantes que afirmaron años de encuentros de LD que no sabían la respuesta a estas preguntas. En su mayor parte, se aclaran claramente en el curso de Ng.

Hay muchos otros cursos en línea que puede tomar después de este, pero ahora está en su mayor parte preparado para pasar a la siguiente etapa.

Vea mi publicación anterior 10 mejores videos, profesores y cursos sobre aprendizaje automático para principiantes y avanzados

PASO 3.) Algunas sugerencias de libros

Mi siguiente paso sugerido es obtener un libro de ML decente (mi lectura más abajo), leer las principales secciones de introducción, y después de eso rebotar a cualquier parte que incorpore un algoritmo, usted está interesado. Cuando haya descubierto ese algo, salte a él, vea cada uno de los puntos de interés y, en particular, impleméntelo. En el paso anterior del curso en línea, a partir de ahora habría actualizado algunos algoritmos en Octave. Sea como fuere, aquí estoy buscando ejecutar un algoritmo sin ninguna preparación en un lenguaje de programación “real”. En cualquier caso, puede comenzar con una simple, por ejemplo, Regresión logística regularizada en L2, o k-means, pero también debe impulsarse a actualizar todos los más intrigantes, por ejemplo, SVM. Puede utilizar una implementación de referencia en una de las muchas bibliotecas existentes para asegurarse de obtener resultados equivalentes.

• El razonamiento bayesiano y el aprendizaje automático de David Barber
• El aprendizaje automático de Kevin Murphy: una perspectiva probabilística
• Google dice que el aprendizaje automático es el futuro
• Los elementos del aprendizaje estadístico de Hastie, Tibshirani y Friedman
• Reconocimiento de patrones y aprendizaje automático de Bishop
• Andrew Ng OpenClassRoom Stanford
• Aprendizaje automático de Mitchell

También hay numerosos libros excelentes que llaman la atención sobre un tema específico. Por ejemplo, Sutton and Re-Inforcement Learning es una obra de arte. Además, el libro Deep Learning (accesible en la web) prácticamente se está convirtiendo en un ejemplo antes de ser distribuido. Sea como fuere, necesita un par de esos libros para reunir una comprensión equilibrada y hasta cierto punto del campo.

Vea mi publicación anterior 10 eBooks gratuitos de lectura obligatoria sobre conceptos básicos de aprendizaje automático .

También puede ir específicamente a un trabajo de investigación que presente un algoritmo o enfoque que le interese y salte a él.

PASO 4.) Algoritmos más esenciales

Se confía en usted para conocer los aspectos básicos de un algoritmo esencial.

Vea mi anterior post 15 algoritmos que los ingenieros de aprendizaje automático deben saber .

En cualquier caso, aparte de los algoritmos, también es fundamental saber cómo configurar sus datos (selección de características, transformación y compresión) y cómo evaluar sus modelos. Tal vez, para empezar, podría consultar nuestro Aprendizaje automático en el ejercicio de instrucción scikit-learn en SciPy 2016. Se condensa una gran parte de los rudimentos al presentar la biblioteca scikit-learn, que puede resultar útil para la ejecución y otros exámenes. :

PASO 5.) Juega con algunos conjuntos de datos enormes que son de acceso abierto.

Descubra un conjunto de datos que le parezca especialmente interesante o sobre el que tenga hipótesis y compruebe si tiene razón.

a.) Datos del gobierno de EE. UU. http://www.data.gov/

b.) Compite en Kaggle o construye algo con uno de sus conjuntos de datos, es información realmente divertida y genuina. https://www.kaggle.com/

” Kaggle es una plataforma para concursos de modelado predictivo y análisis en el que empresas e investigadores publican sus datos y los estadísticos y mineros de datos de todo el mundo compiten para producir los mejores modelos”.

Kaggle lo expone a una amplia gama de problemas de Machine Learning, las competencias de Kaggle lo ” obligan ” a codificar y volver a codificar su solución de la manera más eficiente posible, haciendo compensaciones entre el tiempo del programador, el tiempo de CPU, RAM, etc. Cada competencia tiene un foro donde los competidores se ayudan mutuamente a abordar el problema. Competirá contra algunos de los mejores ingenieros del mundo. Finalmente, los reclutadores están recorriendo las tablas de Kaggle en busca de ingenieros talentosos. Podrías encontrar una nueva posición .

Debería comenzar su kaggle con Titanic porque, debido a que hay muchos scripts / problemas accesibles, tendrá la capacidad de construir diversos tipos de modelos que también le permitirán comprender algunos de los algoritmos de aprendizaje automático.

A continuación, puede retomar un tema interesante de reclutamiento de Facebook porque, dada la facilidad de la estructura de datos y la extravagancia del contenido , puede unir las tablas correctas y hacer un cálculo profético sobre esta.

Cuando haya terminado con estos dos, debe estar listo para abordar temas más interesantes de acuerdo con su interés.

He enumerado 40 proyectos divertidos de aprendizaje automático para principiantes en aprendizaje automático. Cuando haya terminado, puede echar un vistazo a los 35 principales proyectos de aprendizaje automático en Github para obtener más inspiración.

Algunos sitios que pueden ayudarlo a solucionar problemas : https: //stackoverflow.com,http: //www.gitxiv.com/ , http://www.arxiv-sanity.com/ , https://arxiv.org/

PASO 6.) Juega un papel con un aprendizaje automático centrado en el producto o en un evento Attend ML.

El grupo que busca debe estar cargado de ingenieros a quienes desea instruir y aprender. Esto lo mejorará para convertirse en un buen ingeniero de aprendizaje automático. Del mismo modo, al dividir un grupo de productos, descubrirá rápidamente cómo la ciencia y la hipótesis del aprendizaje automático varían de la capacitación. Específicamente, cómo la conducta del cliente le mostrará algo nuevo cada día.

Vaya a eventos de aprendizaje automático donde puede darse cuenta de lo que la gente hace en las charlas y ponerse manos a la obra con hackatones, ejercicios de instrucción y talleres como:

La conferencia de aprendizaje automático

Conferencia de estratos de O’Reilly

PyData

Conferencia de datos enriquecidos de Crowdflower

PD: desea conocer los últimos recursos de AI y ML en profundidad en la web, DEBE ver esta página de índice aquí .

CONCLUSIÓN:

No dudes en fallar . La mayor parte de su oportunidad en el aprendizaje automático se gastará tratando de entender por qué un algoritmo no funcionó como esperaba o por qué obtuve los errores que son comunes. La perseverancia es crítica.

Simplemente déjalo salir. En caso de que piense que la regresión logística puede funcionar … intente con un pequeño conjunto de datos y perciba cómo funciona. Estas actividades iniciales son un cajón de arena para asimilar las técnicas al caer plano, así que aproveche y pruebe todo lo que sea un buen augurio.

En ese momento … en caso de que sea rápido para llevar el tocino a casa haciendo aprendizaje automático, cree su propio sitio. Cree un sitio web que muestre cada una de las empresas que ha eliminado. Muestra cómo los hiciste. Demostrar los productos finales. Hazlo hermoso Tener imágenes decentes. Haz que sea capaz de procesar. Haga un artículo que otra persona pueda obtener y luego confíe en que una empresa puede ver todo el trabajo que realiza.

Para comenzar con ML, debe comprender que ML no es algo que sea 100% preciso : la mayoría de los casos son solo una suposición decente y una gran cantidad de iteraciones. Por lo tanto, pensar en un pensamiento único es difícil por regla general , en vista del tiempo y los recursos que gastará en la preparación del modelo. Por lo tanto, no intente dar sentido a las soluciones usted mismo: busque documentos, proyectos y expertos que puedan ayudarlo. Cuanto más rápido obtengas experiencia, mejor. ¡¡Todo lo mejor!!

Esa es una idea terrible. Si es difícil encontrar tiempo libre para aprender ML cuando está trabajando, entonces, a menos que trabaje más de 80 horas por semana, ese fracaso probablemente no se deba a que está empleado; ese fracaso probablemente se deba a que no ha reunido suficiente autodisciplina para ver la tarea (tal vez porque no es obvio en su mente qué impacto tangible, claro, bien definido y a corto plazo puede tener, incluso si sabe que debería ).

Pero espere, podría decir: no tuve ese problema en la escuela y no estaba trabajando en la escuela, entonces, ¿cómo no puede ser culpa del trabajo? Aquí está el por qué: en realidad no requiere mucha autodisciplina para “obligarse” a aprender cosas en la escuela. En la escuela, es fácil inscribirse en un curso, que solo requiere un día, o incluso unos minutos, de compromiso, y se necesita muy poco compromiso para permanecer en el curso, porque i) si abandonas, generalmente tiene que sustituirlo por otro curso para cumplir con los créditos requeridos, completamente diferente de su aprendizaje de aprendizaje automático en el que puede dejar de fumar y sustituirlo por cualquier cosa que desee, como ver un partido de fútbol, ​​ii) hay un fuerte incentivo social una vez que tiene algunos amigos o incluso solo conocidos en la clase (la misma razón por la que es más fácil comprometerse a hacer ejercicio cuando lo hace con otra persona), iii) en algún momento, la caída aparecerá en su boleta de calificaciones como una marca negativa, y puede que le importe sobre sus calificaciones / expediente académico para obtener un trabajo, y iv) podría tener la vergüenza de tener que explicar su decisión a sus amigos, compañeros, instructores, familiares, etc.

Ahora que está trabajando, casi no hay tales incentivos psicológicos en juego, y eso no va a cambiar cuando renuncie a su trabajo . Lo más probable es que pases un par de meses disfrutando de tu tiempo libre, vas al gimnasio y tachas cosas divertidas de tu larga lista de tareas pendientes, y luego ves que tu cuenta bancaria se está agotando rápidamente y crees que necesitas conseguir un trabajo , y antes de que te des cuenta, estás haciendo lo que crees que necesitas para conseguir otro trabajo, y estás en una posición MUCHO más débil para hacerlo ahora que estás desempleado. Quizás descubras que la mejor manera de conseguir un trabajo es aprender ML, así que haces eso, pero es un enfoque bastante indirecto y arriesgado de lo que al final del día es básicamente un intento de jugar un juego mental contigo mismo.

Lo que debería hacer es reconocer que la causa de su falta de progreso es su propio enfoque, no la cantidad de tiempo que tiene disponible, y luego analizar (y utilizar algunas de) las muchas formas en que esto puede abordarse ( como inscribirse en una clase a la que asiste físicamente, dividir la meta en una serie de objetivos más pequeños, comprometerse públicamente con esos objetivos con sus amigos / familiares, comprometerse por escrito y con anticipación qué tipo de recompensas se otorgará por cumplir sus objetivos, etc., etc.

Estoy realmente sorprendido por todos estos comentarios negativos que te instan a permanecer en el trabajo. Si bien es cierto que dejar de fumar no “automáticamente” hará que el aprendizaje suceda, podría ayudar mucho. Sí, sería mejor estructurar su tiempo e ir a un lugar específico para aprender (para mí, las cafeterías funcionan bien).
Según mi propia experiencia, después de dejar un trabajo y tener un tiempo de descanso no estructurado (2–3 meses), por primera vez en mi vida realmente quería trabajar, ser productivo y aprender, mucho más que antes. Ahí es cuando tu mente se aclara y descansa. Tomarme un tiempo libre me ayudó a aprender y lanzar una carrera completamente nueva.

Todas estas respuestas lo instan a quedarse y aprender en su tiempo libre, suponiendo que los humanos son robots con recursos mentales ilimitados. Incluso si trabaja una semana laboral estándar de 40 horas: son 8 horas al día de estar en el trabajo. En una ciudad importante, agregue 2 horas de viaje. Luego tiene 1 hora para la rutina de la mañana, 1 hora para el gimnasio (de lo contrario, sentarse durante 8 horas todos los días mostrará sus resultados muy rápido), y tal vez otra hora para cenar y otras tareas misceláneas. Asume 8 horas de sueño saludable. ¿Qué nos queda? 3 horas al día Sí, es posible realmente esforzarse y aprender durante estas 3 horas. Pero, ¿cuánta energía tiene uno después de la participación diaria en la carrera de ratas? ¿Y si trabajas 50 o 60 horas a la semana? ¿No necesitamos descansar? Personalmente no tengo energía para hacer mucho más después del trabajo. Y necesito descansar al menos uno de los días de fin de semana.

En general, diría que lo haga. Incluso me tomaría un par de meses por completo y me relajaría primero. Sin embargo, asegúrese de tener fondos suficientes para al menos un año de vida frugal. La reserva de 2 años es aún mejor, por lo que no tiene que preocuparse por el dinero. Elimine todos los gastos innecesarios para que esto suceda. El tiempo es infinitamente más valioso. Incluso si es estrictamente profesional, resulta que no es óptimo, la experiencia de vida lo vale.

Tengo 52 años, tengo un trabajo a tiempo completo, trabajo secundario, una casa con hipoteca y una familia, y estoy logrando completar una Maestría en Ciencias en Ciencias de la Computación en Inteligencia Interactiva. La clave es la motivación.

Si no está lo suficientemente motivado ahora, ¿por qué cree que dejar su trabajo le dará la motivación?

Otro problema es su fondo. ¿Qué tan bueno eres en estadística y álgebra lineal? Es posible que desee comenzar con esos temas porque son los fundamentos de ML.

Udacity tiene un nano grado de Machine Learning. Quizás puedas comenzar con eso. No es gratis, lo que podría darle un mayor incentivo para terminar los cursos.

De hecho, tengo que estar en desacuerdo con algunas respuestas aquí. Es cierto que no tener un trabajo no significará que mágicamente podrás estudiar “cualquier tema que quieras poner aquí” de manera eficiente. Sin embargo, por mi experiencia, tuve un trabajo una vez que supe que era una pérdida de tiempo y no podía esperar para renunciar. Afortunadamente, era solo una pasantía, así que pude terminar la pasantía 1 semana o 2 antes porque los convencí de que mi proyecto estaba terminado (lo cual estaban muy satisfechos pero me pareció muy aburrido). Aunque no me pagaron durante esas dos semanas, fue una de las mejores decisiones para dejar de fumar antes de tiempo. Pude concentrarme en las lecturas para elegir un tema de tesis de maestría en ML y estudiarlo, e incluso si no fuera súper productivo, no podría hacerlo tan bien con ese otro horrible trabajo en el camino. La mejor decisión para dejar de fumar temprano. Si su trabajo simplemente lo está haciendo infeliz y le hace sentir que su tiempo y su vida se están agotando mientras lo hace, por favor, renuncie y haga ** cualquier otra cosa **. Vale la pena si siente que su situación actual es estancada y aburrida. Esa es solo mi experiencia en la situación en la que me encontraba, pero seguro, piénselo detenidamente y tenga un plan y asegúrese de ser lo suficientemente disciplinado como para ejecutar el plan.

Hay una guía de nivel de entrada con un fuerte énfasis en Python y Machine Learning: la respuesta de Roman Trusov a ¿Qué debo aprender en ciencia de datos en 100 horas? Soy libre durante los próximos 10 días y me gustaría aprender todo lo que pueda en los próximos 10 días, y puedo dedicar 10 horas al día. ¿Qué puedo aprender para familiarizarme y comenzar?

Si el camino no está muy claro en este momento, después de probar las cosas descritas allí, tendrá toneladas de preguntas que surgen naturalmente. Lo bueno es que recogerá muchas fuentes secundarias de información en su camino, lo que le dará una idea bastante buena de lo que puede explorar más a fondo.

Además, consultar las preguntas frecuentes sobre este tema puede ser útil, ya que contiene muchos buenos libros de texto y consejos para entrar en el campo: https://www.quora.com/topic/Mach …

¿Cómo define estudiar aprendizaje automático y tal vez aprendizaje profundo (tal vez?)?

Si con eso te refieres a conocer todos los algoritmos y las matemáticas detrás de él para que puedas aplicarlo, te aconsejaría firmemente contra ese enfoque, es tedioso a menos que ya estés firmemente arraigado en matemáticas discretas, probabilidad y cálculo.

Mi sugerencia sería comenzar con la aplicación de un marco ya existente o una biblioteca, por ejemplo, Apache Spark MLib puede ser una buena opción para algunos problemas de aprendizaje, por ejemplo, podría tomar un conjunto de datos imdb y construir un motor de recomendación usando spark, hay muchos de datos disponibles de Data.gov – Me gustan los datos meteorológicos – que podría usar para análisis de tipo predictivo.

Para un aprendizaje profundo, eche un vistazo a tensorflow. Una vez que haya aplicado algunos algoritmos disponibles y los haya visto en acción, elija, aprenda cada algoritmo que haya aplicado y su teoría.

De esta manera estarías más estructurado y práctico. Andrew ng también es una gran serie para aprender el aprendizaje automático y su teoría, pero no te dará una experiencia de campo real. Recuerda que experimentar y aprender son tus mejores amigos. Sin embargo, para un plan de este tipo, permanecer en el tema: no necesita un año sabático, solo necesita 2 horas al día / elige cuando los encuentra durante su día, tal vez tiempo para dejar la televisión o esa hora extra de siesta o actividad extra curricular ¿ayuda? 😉

Si usted es financieramente capaz de cubrirlo, y está motivado y es un buen emprendedor, le digo que lo haga. Después de mi maestría trabajé en investigación clínica durante algunos años, y cuando me fui me encontré sin trabajo durante unos 6 meses hasta que me mudé a Londres. Durante ese tiempo leí sobre desarrollo de software, programación web … etc., ya que realmente quería hacer eso y / o bioinformática como carrera. A finales de año tenía un puesto a tiempo completo como desarrollador y desde entonces no he mirado atrás. Es mucho más difícil hacerlo ahora con el software, pero la ciencia de datos está en la misma posición ahora que el desarrollo del software en ese entonces (alrededor de 2000). Hay una gran demanda y un sólido aprendizaje de 6 meses lo colocaría en una buena posición para buscar trabajo. Una cosa que es posible que desee considerar es crear un portafolio personal de su trabajo, de esa manera puede dirigir a los empleadores a su github o lo que sea y obtener muestras que puedan ver.

Te sugeriré que no renuncies a tu trabajo, sino que aprendas el aprendizaje automático en casa en tu tiempo libre, el aprendizaje automático, la PNL y Python-Cut a la caza: de 0 a 1 en este video, todo está en forma más simple y se explica con animación. 20.5 horas de duración, pase 5 horas a la semana y le tomará un mes o 2. Hay un total de 18 sesiones, 82 conferencias. y tendrás un certificado de finalización al final del curso. y es validar para toda la vida. Y solo trata de no dejar tu trabajo.

¡¡Buena suerte!!

No cometas un error al dejar tu trabajo actual

• Todo lo que brilla no es oro.
• No hay garantía de que obtendrá un trabajo poco después de “terminar (?)” Su estudio de ML.
• El desarrollo de aplicaciones móviles también es un campo prometedor.
• Puedes estudiar en línea mientras trabajas.

Aquí hay un secreto:

No tener un trabajo no facilita todo automáticamente. Puede pensar que lo hará, pero no lo hará. No te hará mágicamente más productivo. No te hará mejor priorizando o administrando el tiempo. Simplemente te hará una persona sin trabajo.

Pude elegir mi fecha de inicio para después de graduarme. Me di un mes de tiempo de amortiguación para hacer y hacer toda la mierda genial que siempre quise. No logré casi nada.

En contraste, en el trabajo he hecho mucho más. Acabo de terminar de estudiar un par de términos de matemática aplicada (todos hasta ahora) y he podido ir tras proyectos personales y una startup.

No es la cosa más fácil del mundo, pero dejar de fumar tampoco lo hará automáticamente.

Mi consejo: quédese en su trabajo y descubra cómo aprender de forma paralela. Es factible.

Tal vez tus circunstancias son muy complicadas. No sé de dónde vienes. Podría estar totalmente fuera de tus circunstancias. Pero creo que sería mejor que descubrieras cómo aprender en el trabajo en lugar de esperar que sea más fácil si renuncias.

Aprender ML con Python no es tan difícil. Renunciar a un trabajo para aprender será un tipo de carga para ti si no tienes tantos recursos para mantener una buena vida. Todavía puede aprenderlo mientras mantiene su trabajo actual.

ML es poderoso. Pero solo se puede usar cuando tienes suficientes cosas para analizar. Hacer aplicaciones móviles es una buena forma de recopilar datos.

Nunca renuncies a tu trabajo. En cambio haz esto

1. Toma un campamento de entrenamiento
2. Haz un amigo que ya esté trabajando en ML
3. Sombra su actividad diaria si comparte
4. Trabaja en más casos de uso desde la web
5. Muestra tu presencia en una reunión
6. Intenta trabajar con presentaciones en slideshare
7. Todo esto puede obtener un trabajo seguro sin renunciar

Pensar que renunciar a tu trabajo te hará estudiar más es una fantasía.

¡Cronometra tu estudio! Dígase a sí mismo “aprendamos exactamente durante una hora todos los días” (y 2 horas durante los días de fin de semana).

Me funcionó y no tuve que renunciar a mi trabajo diario. Quizás lo mismo funcione para ti.

Comencé con 45 minutos al día y terminé con 1,5 horas de lunes a viernes y 1,5 horas que crecieron a 3 horas el sábado y el domingo.

Lea más sobre la técnica de boxeo de tiempo aquí

Como otros ya han dado algunos enlaces a preguntas donde se pueden encontrar buenos recursos para aprender ML, no voy a escribir sobre eso.

Considere cuidadosamente su decisión de dejar el trabajo. A menos que vaya a asistir a un programa de tiempo completo de buena reputación, vuelva a evaluar su decisión de dejar el trabajo. Tener un trabajo siempre es algo bueno. Además, cuando intente embarcarse en un nuevo viaje, no se someta a demasiada presión llevando el equipaje de no tener el trabajo. Será difícil disfrutar el viaje de aprendizaje. La mente se enfocará demasiado en conseguir un trabajo al final de su tiempo de 6 a 9 meses.

Entonces, considerando todo esto, le sugiero que vuelva a pensar si puede continuar en su trabajo actual hasta que esté bien versado en todos los aspectos del nuevo campo y luego encuentre un trabajo en esa área antes de renunciar. Cuando digo todos los aspectos del campo de ML, también significa comprender el mercado laboral de ML en su geografía y no solo el conocimiento y la experiencia del campo de ML.

No renuncies a tu trabajo, obtén un Máster en Informática especializado en Aprendizaje automático: Inicio | OMSCS | Instituto de Tecnología de Georgia | Atlanta, Georgia

Hay muchos cursos buenos en línea. Si estás en Bangalore, tenemos uno de los mejores entrenamientos en ML / AI / DL (Edu2code dot com). Concéntrese y practique mientras toma los tutoriales.