Si profundizas, creo que realmente depende de la aplicación o del campo en el que la gente esté trabajando.
Por ejemplo, estoy trabajando en el aprendizaje automático, hay bastantes modelos con los que debo estar familiarizado. Específicamente, el procesamiento del lenguaje natural (PNL) debe estar familiarizado con los modelos gráficos para las predicciones de estructura (por ejemplo, HMM, CRF, RNN hoy en día, etc.)
Entonces, en diferentes áreas, las personas deben dominar diferentes cosas de ingeniería de ML.
- ¿Cuál es la mejor manera de mejorar mi currículum?
- ¿Cuáles son las oportunidades futuras para un ingeniero civil?
- Para un estudiante de ingeniería civil que se prepara para IAS, ¿es mejor ir con la ingeniería civil como asignatura opcional o administración pública / sociología?
- ¿Cuál es su opinión sobre el trabajo corporativo 9-5?
- ¿Por qué se paga tan bien a los graduados de MBA?
Sin embargo, hay algunos conocimientos básicos de aprendizaje automático que todas las personas de ML deben saber. Algunos modelos simples como SVM, agrupamiento y otras técnicas de ML (por ejemplo, regularización, técnica de impulso, etc.). Estos son los conceptos básicos que las personas deben comprender antes de profundizar en el aprendizaje automático, creo. Para esto, puede probar cualquier curso en línea gratuito y familiarizarse con él.
Además, la implementación también es muy importante. Creo que a la mayoría de los ingenieros de ML les importa el rendimiento. Tal vez algunos de ellos trabajan en investigación teórica, pero aún necesitan realizar experimentos para demostrar sus ideas. Hablamos con números y creemos números que no mienten. Por lo tanto, una buena implementación es algo imprescindible. Muchas personas están creando herramientas convenientes para que las usen ingenieros y programadores de ML. Sugiero que si tiene un grupo grande, intente construir su propia biblioteca y sistema ML.