Has estado tomando los cursos correctos. ¿Has realizado proyectos finales en alguna de estas clases?
Hay una diferencia entre aprender teóricamente y resolver problemas del mundo real, por lo que debe tomar medidas para obtener experiencia en este último. No es solo para su currículum, sino que trabaja en casos de uso reales del cliente y la escala de datos configurará su conocimiento para prepararlo para el mundo real.
Estos son tres pasos que puede seguir para lograrlo:
- ¿Cuáles son los beneficios de la geoinformática en el futuro y los beneficios que obtienen en los últimos días?
- ¿Hay hombres por ahí que considerarían renunciar a sus trabajos o reducir sus horas para mantener a sus esposas si trabajan en una profesión extremadamente ocupada (médicos / cirujanos, abogados, etc.) y desean formar una familia?
- ¿Cuáles son algunas de las mejores industrias en las que puede trabajar un ingeniero químico?
- ¿Cuáles son las diferencias entre los grados de pregrado, posgrado y superior?
- ¿Su puesto en Quora es autonombrado o es un empleado remunerado o qué? En que consiste tu trabajo?
- Aplique su conocimiento para recrear un trabajo de investigación de ML publicado. Por ejemplo, normalmente ve ejemplos de comprensión de los precios de la vivienda o algo así que apunta a un conjunto de datos. No te enseña dónde perfeccionas tus habilidades porque tu objetivo no es teórico. (Gracias a Siraj Raval de Sirajology por esta sugerencia). Encuentre un artículo de arxiv.org e intente recrear los resultados de la investigación. Primero, esto lo llevará a través de una gran cantidad de investigaciones recientes de ML y le presentará un nuevo trabajo del que puede no estar al tanto. En segundo lugar, te ayudará a descubrir qué es lo que realmente te apasiona de ML y los algoritmos que has aprendido. En tercer lugar, obtendrá confianza para manejar un gran volumen de datos a medida que recrea un resultado de investigación. Pero apuesto a que es posible que se te ocurra una idea diferente de un enfoque diferente para el mismo problema y puede llevarte a jugar con un gran conjunto de datos para resolver un nuevo problema.
- Mire el trabajo de otros estudiantes de ML a nivel mundial para validar lo que sabe, qué lagunas de conocimiento puede tener para aprender más y jugar con su trabajo. Es importante seguir marcando entre sus compañeros para seguir aprendiendo.
La fuente que puedo pensar para esto son:
a. Los proyectos de estudiantes de la clase Stand22 CS229 del Prof. Andrew Ng se archivan en línea a lo largo de los años. Ver enlaces de 12 años de clases, cada uno con enlaces a los proyectos.
2016, 2016 primavera, 2015, 2014, 2013, 2012, 2011, 2010, 2009, 2008, 2007, 2006, 2005
Mire estos proyectos en busca de ideas y vea lo que le gustaría recrear. Estos también deberían darle ideas sobre la brecha de conocimiento de los temas que necesita aprender.
si. Github tiene un depósito de 44K bajo ML . Peine a través de ellos de la misma manera para obtener ideas para encontrar temas para aprender e investigar el código para recrear. (Algo de esto se superpondrá con los cursos de Udacity o los trabajos de investigación en otros lugares).
2. Pregunta a tus profesores. o mentores para encontrar un proyecto final (o una pasantía si es posible en persona) para hacer un proyecto en pareja para 1–2 compañías para obtener experiencia no solo en la investigación de ML, sino también para tener una idea de cuál es el papel de un ingeniero de ML. Todos los cursos te enseñan algoritmos para convertirte en un investigador de ML. En un lugar de trabajo real con datos a gran escala, el papel de un investigador de ML es diferente del de un ingeniero de ML. Debes tratar de entender la diferencia y la interacción para ver dónde encajas y qué habilidades necesitas desarrollar. Además, los roles son ligeramente diferentes en diferentes compañías, así que trate de obtener al menos la experiencia de más de una compañía en diferentes geografías.
¡La mejor de las suertes!