Penulis (s): Abid Ali Awan
Awalnya diterbitkan di Towards AI the World’s Leading AI and Technology News and Media Company. Jika Anda sedang membangun produk atau layanan terkait AI, kami mengundang Anda untuk mempertimbangkan untuk menjadi sponsor AI. Di Towards AI, kami membantu menskalakan AI dan startup teknologi. Biarkan kami membantu Anda melepaskan teknologi Anda kepada massa.
Opini, Karir
Realitas dasar tentang mempelajari keterampilan baru dan akhirnya bekerja di perusahaan sebagai insinyur pembelajaran mesin.
Foto oleh Javier Allegue Barros di Unsplash
pengantar
Ada hype train yang terjadi tentang ML (Machine Learning) dan sebagian besar pemula menjadi korban hype train ini karena mereka masuk karena alasan yang salah. Profesor Anda akan menjelaskan bagaimana mendapatkan gelar Ph.D. diperlukan jika Anda ingin menjadi lebih baik atau rekan Anda memberi tahu Anda cara mendapatkan GPU dan IDE (Lingkungan Pengembangan Terpadu) yang lebih baik. Ketika Anda mulai belajar dari kursus online, Anda menyadari bahwa Anda membutuhkan kumpulan data yang lebih besar dan kemahiran dalam Python. Setelah mempelajari keterampilan yang diperlukan ketika Anda melamar Pekerjaan, Anda menyadari bahwa Anda memerlukan lebih dari beberapa kursus atau sertifikasi untuk membuatnya. Pada akhirnya, setelah mendapatkan pekerjaan itu, Anda menyadari bahwa itu menuntut pekerjaan dan terkadang pekerjaan ini tidak membayar dengan baik pada tahap awal.
Artikel ini akan membantu Anda melewati kekecewaan tersebut dan mempersiapkan Anda untuk menghadapi masalah tersebut. Kita akan belajar banyak tentang masalah kehidupan nyata yang dihadapi oleh seorang pemula yang memasuki bidang pembelajaran mesin.
Ada bukti empiris yang jelas bahwa Anda tidak perlu banyak matematika, Anda tidak perlu banyak data, dan Anda tidak perlu banyak komputer mahal. — Jeremy Howard (Pembelajaran Mendalam Praktis untuk Pembuat Kode)
Belajar Kode?
Ya, coding diperlukan jika Anda masuk ke bidang ML, terutama deep learning. Itu tidak berarti Anda menghabiskan waktu Anda mempelajari Python, C++, atau R terlebih dahulu dan kemudian mulai belajar ML. Bagian pengkodean akan muncul secara alami ketika Anda mempelajari dasar-dasarnya. Anda tidak perlu mengingat sintaks atau arsitektur model, Anda dapat mencarinya dari pencarian google sederhana, sesederhana itu. Dunia bergerak menuju pembelajaran mesin tanpa kode dan AutoML. AutoML adalah alat canggih yang akan melakukan semua tugas untuk Anda dan memberi Anda model pembelajaran mesin yang berfungsi. Terkadang Anda hanya perlu menulis dua baris kode alih-alih dua ratus baris kode untuk mendapatkan hasil yang serupa.
Apakah Anda memerlukan Matematika atau PhD di ML?
Ya, Anda memerlukan beberapa matematika, tetapi untuk mengerjakan penelitian dan mendorong batas-batas pembelajaran yang mendalam. Jika Anda akan melatih model Anda dan menerapkannya untuk produksi, Anda mungkin perlu mempelajari MLOP daripada matematika.
Anda tidak memerlukan matematika untuk pembelajaran mesin terapan, tetapi untuk penelitian apa pun dan mendorong batas, Anda harus mempelajari statistik tingkat lanjut. — Jakub itn
Anda juga perlu mempelajari cara kerja arsitektur model dan berbagai fungsi matriks. Ini dapat dipikirkan dalam kursus 8 jam dan terkadang Anda bahkan tidak perlu mempelajari semua arsitektur model yang tersedia untuk memecahkan masalah. Saya penggemar berat Jeremy dan dalam bukunya Deep Learning for Coders with Fastai dan PyTorch dia menjelaskan bahwa ada banyak penjaga gerbang di bidang pembelajaran mendalam. Para akademisi akan meminta Anda untuk mempelajari kalkulus tingkat lanjut, mempelajari semua model matematika, dan akhirnya mendapatkan gelar Ph.D. dalam bidang tertentu untuk membuatnya. Tapi Anda tidak membutuhkan semua itu. Saya telah melihat banyak orang yang tidak memiliki gelar dan memiliki latar belakang bisnis sekarang menjadi ahli di bidangnya. Jadi, harap fokus pada dasar-dasar, pelajari seluruh kursus, dan mulailah berkembang dengan mengerjakan proyek portofolio apa pun.
Apakah Anda memerlukan kumpulan data yang besar?
Ya, tetapi hanya dalam beberapa kasus. Model deep learning modern kini mampu menghasilkan akurasi yang tinggi dengan jumlah sampel yang terbatas. Bahkan mendapatkan kumpulan data kini menjadi lebih mudah dengan diperkenalkannya platform seperti Kaggle, yang memiliki ribuan kumpulan data sumber terbuka yang tersedia untuk diunduh dan digunakan untuk tujuan komersial. Kami juga dapat menemukan kumpulan data di GitHub, DAGsHub, HuggingFace, Knoema, dan Google Dataset Search untuk melatih model kami dan akhirnya menggunakannya untuk produksi.
Gambar dari Kaggle
Apakah Anda memerlukan gelar atau sertifikasi?
Beberapa dosis pekerjaan memerlukan gelar dalam pembelajaran mesin atau sertifikat di TensorFlow, tetapi jika Anda memiliki portofolio yang kuat di GitHub dan Kaggle, hal-hal ini menjadi sekunder. Banyak pengembang yang beralih ke pembelajaran mesin, dan mereka tidak memiliki gelar atau sertifikat khusus untuk ditunjukkan, tetapi mereka memiliki pengalaman bekerja dengan model pembelajaran mendalam dan menerapkannya ke produksi. Jika Anda entah bagaimana dapat membuktikan kepada pemberi kerja bahwa Anda dapat melakukan setiap tugas dalam siklus hidup pembelajaran mesin, maka Anda adalah kandidat yang tepat. Secara keseluruhan, mendapatkan sertifikat atau gelar seharusnya tidak ada dalam pikiran Anda jika Anda memiliki portofolio pembelajaran mesin yang kuat. Untuk mendapatkan portofolio ML yang kuat, baca: Cara Membangun Portofolio Ilmu Data yang Kuat sebagai Pemula — KDnugget
Pembelajaran Mesin dengan TensorFlow di Google Cloud | Kursus
Apakah Anda memerlukan komputasi atau IDE yang mahal?
Tidak, saya memiliki laptop lama dan saya dapat melatih model besar ini di GPU cloud dan TPU dengan bantuan platform Kaggle. Dunia sedang bergerak dari komputer pribadi ke komputer cloud. Anda bisa mendapatkan CPU, GPU, dan TPU gratis dari Kaggle dan Google Colab. Ada platform lain yang juga dapat membantu Anda dengan analisis data dan membuat proyek lengkap seperti Deepnote, JetBrains Datalore, dan Paperspace. Platform ini memberi Anda ruang kerja gratis untuk membangun produk pembelajaran mesin Anda dengan tambahan alat kolaborasi. Dalam pekerjaan saya sehari-hari, saya menggunakan Deepnote untuk mengerjakan penelitian atau proyek baru dan jika saya membutuhkan GPU atau TPU yang lebih baik, saya beralih ke Kaggle atau Colab.
Anda tidak perlu membeli IDE atau Komputasi yang mahal untuk membangun produk Anda, sekarang Anda memiliki alat cloud gratis ini.
5 IDE Cloud Gratis Teratas Untuk Ilmu Data 2021 | oleh Abid Ali Awan | Menuju AI
Kebenaran Dasar tentang Pasar Kerja
Setelah mendapatkan keterampilan yang dibutuhkan, Anda mulai mencari pekerjaan di pasar tetapi segera Anda menyadari bahwa perusahaan menginginkan lebih. Mereka ingin Anda mengetahui teknik data, analisis data, dan MLOP. Selama tahap wawancara, mereka akan menanyakan proyek terbaru dan pengalaman kerja Anda dalam menerapkan model.
Pekerjaan pembelajaran mesin | Pintu kaca
Anda akan merasa sangat kecewa bahkan setelah mempelajari keterampilan kunci yang diperlukan. Ini karena sebagian besar perusahaan mencari individu atau orang yang berpengalaman dengan beragam keahlian. Satu-satunya cara Anda dapat meningkatkan peluang adalah terus mempelajari keterampilan baru dan terus berpartisipasi dalam kompetisi pembelajaran mesin. Ini juga akan meningkatkan portofolio ML Anda dan pada akhirnya membuat Anda menonjol. Sulit untuk mendapatkan pekerjaan jika Anda baru memulai, terus bekerja pada diri sendiri dan akhirnya Anda akan mendapatkan pekerjaan impian Anda.
Kehidupan Insinyur ML
Seperti yang saya sebutkan di atas, dibutuhkan keahlian dalam berbagai keterampilan: tentu saja, semua yang dibutuhkan dari seorang insinyur pembelajaran mesin yang baik, seperti rasa ingin tahu, keterampilan analitis, pengetahuan tentang algoritme, kemampuan untuk memahami persyaratan bisnis, dan kebutuhan akan komunikasi yang efektif. Ada lagi, Anda harus pandai membangun solusi perangkat lunak yang membutuhkan pengalaman dalam operasi pembelajaran mesin. Sehari Dalam Kehidupan Seorang Insinyur Pembelajaran Mesin | oleh Shanif Dhanani
Selain itu, terkadang Anda harus melakukan tugas berulang seperti memberi label pada kumpulan data. Anda mungkin tidak mendapatkan pekerjaan bergaji tinggi, tetapi pada akhirnya Anda akan mendapatkan pekerjaan yang membutuhkan waktu dan fokus penuh Anda. Jika Anda masuk ke bidang ini hanya karena menawarkan pekerjaan bergaji tinggi, maka Anda harus memulai sesuatu tentang pilihan lain. Satu-satunya cara Anda akan berhasil dalam karier Anda adalah dengan sangat mencintai teknologi AI.
Kesimpulan
Pada akhirnya, saya akan selalu menyarankan Anda untuk terus mempelajari keterampilan baru dan mulai berpartisipasi dalam kompetisi Kaggle. Untuk karir Anda, teruslah mencari pekerjaan baru dan bersiaplah untuk wawancara teknis Anda. Saya hanya ingin menunjukkan kepada Anda realitas dasar dari bidang ini dan itu tidak indah dan tidak semua orang berhasil melewatinya. Hanya, dengan kerja keras dan pola pikir belajar Anda dapat mencapai posisi yang nyaman di mana Anda memiliki pekerjaan bergaji tinggi.
Kami juga telah membahas bagaimana pembelajaran mesin tidak memerlukan banyak matematika, gelar khusus, atau Ph.D. Tidak memerlukan banyak daya komputasi atau kumpulan data yang besar. Itu hanya membutuhkan waktu dan kerja keras Anda. Anda dapat menemukan kursus online yang luar biasa dan setelah mempelajari beberapa keterampilan, mulailah menerapkan keterampilan tersebut ke proyek portofolio Anda.
Tentang Penulis
Abid Ali Awan (@1abidaliawan) adalah ilmuwan data profesional bersertifikat yang suka membangun model pembelajaran mesin dan meneliti teknologi AI terbaru. Saat ini, pengujian Produk AI di PEC-PITC, pekerjaan mereka kemudian disetujui untuk uji coba pada manusia, seperti Pengklasifikasi Kanker Payudara. Visinya adalah membangun produk AI yang akan mengidentifikasi siswa yang berjuang dengan penyakit mental.
Blog Asli diterbitkan di KDnugget
Apa Kesalahpahaman Umum Tentang Pembelajaran Mesin? awalnya diterbitkan di Towards AI on Medium, di mana orang-orang melanjutkan percakapan dengan menyoroti dan menanggapi cerita ini.
Diterbitkan melalui Menuju AI