Eine Roadmap, um ein Machine Learning Engineer zu werden

Ich erinnere mich, dass ich als Ingenieur für maschinelles Lernen unsicher war, was den Weg angeht, als ich anfing. Damals hatte ich keine Ahnung, dass es den Titel „Machine Learning Engineer“ überhaupt gibt, als ich an meiner Text-to-Speech-Studie für meine Bachelorarbeit arbeitete. Im Laufe der Zeit hat es sich jedoch zu einem beliebten und begehrten Titel entwickelt, insbesondere unter Informatikstudenten. Vor diesem Hintergrund habe ich beschlossen, eine Roadmap speziell für diejenigen zu erstellen, die an einer Karriere in diesem Bereich interessiert sind. Die Roadmap beginnt mit den Grundlagen und baut schrittweise Fähigkeiten auf, Schicht für Schicht. Es ist erwähnenswert, dass in der heutigen Welt und auf dem Arbeitsmarkt ein Master-Abschluss fast eine Voraussetzung ist, um einen Job in diesem Sektor zu bekommen, da er einen enormen Unterschied machen kann.

Was sind die Voraussetzungen, um Machine Learning Engineer zu werden?

1. Alles beginnt mit Mathematik . Lineare Algebra, Statistik und Wahrscheinlichkeit sind unsere ersten Anforderungen, bevor wir uns mit ML-Algorithmen befassen. Es ist wichtig, in diesen Bereichen ein starkes Fundament zu haben, da maschinelles Lernen auf statistischen und probabilistischen Modellen basiert.
2. Bücher
3. Naked Statistics ist ein gutes Buch für den Anfang
4. Mathematik für maschinelles Lernen
5. Videos
6. Khan Akademie
7. MIT
• Google hat gute Bibliotheken, um Ihre Programmierkenntnisse zu entwickeln.
• Cracking Coding Interview ist ein großartiges Buch, um Ihre Programmierfähigkeiten zu entwickeln.
• Einführung in den Python-Kurs : Es kann jede Sprache/jeder Kurs sein, aber Python ist eine bekannte Programmiersprache zum Üben von ML.
• Entwickeln Sie ein grundlegendes SQL- Verständnis. Ein Einführungsvideo wie folgt:https://www.youtube.com/watch?v=h0nxCDiD-zg&ab_channel=KevinStratvert
• Sie müssen üben, um Ihre Programmierfähigkeiten entwickeln zu können, also sind Hackerrank und Leetcode großartig dafür.
• Bücher
• Python Data Science-Handbuch
• Nahezu jedes Problem des maschinellen Lernens angehen
• Videos
• Überwachtes maschinelles Lernen von Coursera
• Kaggles Einführung in maschinelles Lernen
• Blogs
• Machine Learning Collection von Google
• Zero to Mastery ML

4.a Wenn Ihr Weg im NLP liegt

• Ich bin ein großer Fan von Spacy und ich denke, Sie sollten unbedingt in Betracht ziehen, es aus der folgenden Playlist zu lernen .
• Sprach- und Sprachverarbeitung von Jurafsky und Martin
• Wenn Sie ein Buch führen möchten, ist Natural Language Processing mit Python eine gute Wahl.
• Kaggles Lernplattform für NLP
• Huggingfaces Lernplattform für NLP
• Artikel, die man unbedingt lesen muss: NLP ist wirklich breit gefächert und ich persönlich könnte mich nicht auf 10 Artikel beschränken, aber ich empfehle Ihnen dringend, die Artikel unter dem folgenden Link zu lesen .
• Einführung in das maschinelle Sehen
• Deep Learning für Computer Vision
• Computer Vision Vorlesungen
• Ich mag den Abschnitt mit den unbedingt zu lesenden Forschungsarbeiten für Computer Vision im folgenden Blog-Beitrag .
• Ich denke, Misra Turp hat mit der folgenden Videoserie auf YouTube einen tollen Job gemacht. Es ist ein großartiger Ort, um mit dem Lernen zu beginnen: 50 Days of Deep Learning
• Deep Learning-Spezialisierung von Andrew Ng
• Deep Mind und UCL haben außerdem eine Videoreihe auf Youtube veröffentlicht: Deep Learning Lecture Series 2020
• Das Deep-Learning -Buch von Ian Goodfellow
• Zero to Mastery Deep Learning mit TensorFlow

7. Es gibt eine Sache, die Sie nach den neuesten Forschungsergebnissen auf Ihrem Gebiet auch dann fortsetzen sollten, wenn Sie einen Job bekommen haben. Und ob Sie es glauben oder nicht, das ist nicht einfach, mit der Literatur Schritt zu halten. Es gibt ein paar Orte, denen ich persönlich früher gefolgt bin:

1. Papiere mit Code
2. ArXiv
3. Ich profitiere auch von Huggingfaces Blog- und Aufgabenbereich:https://huggingface.co/blog?tag=research
4. Eine weitere Ressource stammt von CohereAI, der ich folgen kann: Best NLP Research Papers in 2022
1. Es gibt einen guten abstrakten Fahrplan, um ein KI-Experte zu werden :
2. Wenn Sie nach den besten MLE-Interviewfragen suchen. Dieser Blogbeitrag ist immer noch aktuell .
3. Sie können Cheatsheets von Stanford und MIT in verschiedenen Sprachen einschließlich Türkisch wie folgt finden:https://stanford.edu/~shervine/teaching/
4. Der Youtube-Kanal StatQuest von Josh Kramer erklärt Konzepte stark vereinfacht. Ich fand es schwierig, mich allein zu konzentrieren, aber es ist für jeden anders, also ergänze ich diese Liste.
5. Ein weiteres Youtube 3blue1brown, es ist nicht nur auf Statistiken, Mathematik und ML-Welt beschränkt, sondern auf alles, was den Kanalbesitzer unterhält :)