150 Tage zu realen Erfahrungen und Erfolgen.

Das wird eine Fahrt, also sei bereit, dich unwohl zu fühlen! (Sowwy)

Ich bringe Ihnen meine persönliche Roadmap mit den ausgesuchten Ressourcen, denen ich gefolgt bin/für die ich bürge. Außerdem ist meine Bachelor-Geschichte von meinen Anfängen als absoluter Anfänger bis zu einem großartigen Forschungspraktikum im Ausland in DL/AI durchdrungen.

☣ HAFTUNGSAUSSCHLUSS:

Diese Roadmap basiert auf den folgenden persönlichen Grundsätzen:

1. LERNEN SIE NACH BEDARF. Konsumieren Sie keine MOOCS, Bücher und Tutorials. Es hat keinen Sinn, uns mit all diesen Informationen und Kenntnissen zu überfordern, die wir nicht verwenden oder anwenden werden. Machen Sie sich so schnell wie möglich mit praktischen Projekten schmutzig.
2. BEharrlich sein: Wir sind Ingenieure! Wir finden es heraus.
3. Ergreife die Initiative, bewege dich schnell und führe heftig aus.
4. WÄHLE MENTOREN sehr sorgfältig aus.

Phase — 1: Implementierungsgrundlagen (40 Tage)

☕ Meine Geschichte:

Freshman Year am IIT Mandi …

Der Denkprozess eines jeden vernünftigen Sterblichen (einschließlich meines) :

Finden Sie die Grundlagen heraus Bauen Sie solide theoretische Grundlagen für ein funktionierendes Wissen auf Holen Sie sich Ideen und gute Projekte Holen Sie sich praktische Erfahrungen.

☝ ist absoluter Müll!

Ich stelle diese Behauptung nach 3 Jahren Forschung in Computer Vision & KI auf

Glücklicherweise stellte mich mein Forschungsbetreuer (& erster Professor-Mentor) neben einen Master-Studenten, um an einem CV/DL-Projekt zu arbeiten, auch wenn ich nichts über ML wusste.

Ich bin ganz gut geworden … Also,

Der „Aktions“-Prozess des neuen (geisteskranken) Sterblichen:

Beginnen Sie den Job, bevor Sie ihn haben!

„Aber Aryannnnnnn?? Was bedeutet das überhaupt????”

• Wenn Sie an der Universität sind; Treffen Sie jeden einzelnen Professor, um mit ihm an einem ihrer laufenden Projekte zu arbeiten.
• Wenn Sie in einem anderen Job/arbeitslos sind, wenden Sie sich an ML-Teams, ML-Ingenieure oder gehen Sie nach draußen und finden Sie ML-bezogene Arbeit, an der Sie zusammenarbeiten können !
• Um laut zu schreien, freiberufliche Arbeit zu finden, sich Stellenbeschreibungen anzusehen, für die Sie nicht qualifiziert sind, die Sie aber cool finden – beginnen Sie, diese Projekte selbst zu erstellen.

Ein Projekt finden und beginnen. Am liebsten laufend.

Jetzt kommen die zusätzlichen, aber obligatorischen Dinge, die Sie tun werden, während Sie nach dem Hauptprojekt suchen / an dem wir oben gesprochen haben:

1. learnpytorch.io : Eine hervorragende Ressource, um Ihnen einen Eindruck vom gesamten Lebenszyklus eines ML-Projekts, der Papierreplikation und der Modellbereitstellung zu vermitteln. Gehen Sie auch alle zusätzlichen Ressourcen durch, wenn Sie können!

WICHTIG : Mache jede Kapitelübung! Lesen wird überhaupt nicht helfen.

2. Ein bisschen über GPUs. Es ist immer gut zu wissen, auf welcher Hardware Sie all diese Großartigkeit ausführen . Ich würde die ersten paar Videos der Playlist empfehlen : Fundamentals of GPU Architecture von CoffeeBeforeArch.

WICHTIG : Durchsuchen Sie das Internet nach verschiedenen Arten von GPUs, ihren Spezifikationen, Kosten, wie man sie programmiert usw. ABER verschwenden Sie NICHT zu viel Zeit mit diesem Abschnitt. (~0,5 Stunden/Tag ist mehr als genug)

Phase — 2: Fundamente (40 Tage)

Mittlerweile solltest du positiv an einem Projekt arbeiten❗

☕ Meine Geschichte: Ich habe angefangen, dem Projekt ungefähr 8 Stunden wie 8–5 zu widmen und die restlichen Stunden für die zusätzlichen und obligatorischen Dinge verwendet. Ich hatte den Luxus, ein Student zu sein!

Allerdings habe ich in dieser Phase angefangen, etwas kompliziertere Texte anzugehen. Folgendes habe ich getan, während ich unermüdlich am Hauptprojekt gearbeitet habe:

1. Skimmed Deep Learning von Ian Goodfellow. Ich würde jedoch das kostenlose und wahrscheinlich eines der großartigsten Web-Books hier draußen empfehlen : Dive Into Deep Learning . Überfliegen Sie es nicht. Verschlingen Sie es.
2. Ihre zweite und wichtigste Aufgabe: Untersuchung der folgenden Bereiche : Computer Vision ( duhh ), Natural Language Processing, Reinforcement Learning, Audio & Speech Learning und Recommendation Systems/Customer Experience. Wählen Sie dann einen Bereich aus, der Sie am meisten anspricht, und holen Sie sich das neueste und praktischste Buch darüber.

MUSS: Führen Sie die Schritte 1 und 2 gleichzeitig aus, um bessere Ergebnisse und Erkenntnisse zu erzielen.

☕ Meine Geschichte: Ich habe Computer Vision zu meinem Spezialgebiet gemacht (dasselbe wie mein Hauptprojekt) und das Buch „Computer Vision: A Modern Approach“ zum Spaß zusammen mit einem praktischen und persönlichen Convex Optimization-Kurs in die Hand genommen IIT Mandi. Super hektische und herausfordernde Zeiten im Vergleich zu dem, was mein jüngeres Ich zuvor erlebt hatte. Liebte es von innen nach außen!

Pro-Tipp:

Notieren/Tagebuchen Sie, was Sie über die Reise denken, um herauszufinden, ob Sie dies tun möchten oder nicht!

Wie auch immer, das sind die HAUPTZIELE von Phase 2:

Primary: Fangen Sie an, dem Hauptprojekt mehr Zeit zu widmen!

Sekundarstufe: Wählen Sie nach gründlicher Recherche und Überlegungen einen Spezialisierungsbereich aus.

Tertiär : Erfahren Sie gleichzeitig mehr über Ihre Spezialisierung und Deep Learning aus den oben genannten Ressourcen.

Phase — 3: Essentials (40 Tage)

Wenn die 2 oben genannten Phasen super gut gemacht sind, halten Sie Ihre Pferde!

Du bist immer noch nicht bereit. Jedoch …

SIE MÜSSEN anfangen , Möglichkeiten zu recherchieren und sich BEWERBEN.

Hier ist eine gute Ressource für Studenten, die Forschungspraktika im Ausland absolvieren möchten.

Wenn Sie die Gelegenheit haben, Hey! Glückwunsch zum ersten Erfolg! Teilen Sie mir hier Ihre Errungenschaften mit !

• > Lesen Sie weiter, damit Sie diese Erfahrung meistern und eine gute Beziehung aufbauen können.

• > Lesen Sie weiter, um sich auf massive Ergebnisse vorzubereiten!

Interviewer : Wir lieben Ihre Initiative, Ihren Tatendrang und die Erfahrung, die Sie bereits haben, aber Sie brauchen mehr Spezialisierung für diese Rolle …

Weniger sagen…

Ich fand heraus, dass ich auch eine Art Deep-Learning-Spezialisierung brauchte.

Diese Phase kann wie eine wilde Verfolgungsjagd erscheinen, aber vertrauen Sie sich selbst und bleiben Sie dabei.

Die Folgen davon sind ziemlich einfach:

Wählen Sie die Architekturen (und Datensätze) basierend auf den Projektbeschreibungen aus, die Sie in den Möglichkeiten recherchiert haben, für die Sie sich bewerben oder die Sie wirklich wollen. Implementieren Sie sie aus ihren Forschungsarbeiten. Grundsätzlich Papierreplikation.

Foxly-Ratschlag: Gehen Sie bitte über CNNs hinaus, sie sind gute Bausteine, werden aber die Konkurrenz nicht für Sie ausschalten.

Setzen Sie auch das Hauptprojekt fort! Lassen Sie es nicht, bis Sie eine Veröffentlichung erhalten (wenn Sie können).

Machen Sie sich auch mit diesen Ressourcen die Hände schmutzig:

1. MLOps : Dies ist der Nachfolger von DevOps, aber für maschinelles Lernen! Eine super praktische Fähigkeit.
2. MUSS : Einführung in ML-Interviews von Chip Huyen . Manchmal muss man es aufsaugen und es trotzdem tun, oder? Nicht mit diesem Buch. Es ist eigentlich super cool!

Dies ist mein persönlicher Favorit, denn hier verlieren Sie Ihre „Studenten-Jungfräulichkeit“ und werden ein echter ML-Ingenieur/Wissenschaftler oder was auch immer Sie mögen. Hier sind Sie nicht länger auf strukturierte Lernumgebungen beschränkt und die Welt gehört Ihnen.

Daher RfW oder Ready for War!

Also, jetzt bist du ein Hund,

Hungrig auf diese Ziele:

1. Ihr Hauptprojekt bis zur Fertigstellung/Veröffentlichung vorantreiben.

2. Sicherung von Praktika, Jobs und anderen Möglichkeiten.

3. Entwicklung einer Lesegewohnheit für Forschungsarbeiten.

4. Lernen Sie die neuesten Entwicklungen in Ihrem Bereich kennen.

Die Ziele 1 und 2 liegen ausschließlich in Ihrer Verantwortung, sich zu bewerben, zu interviewen und ausgewählt zu werden. Wenn Sie Hilfe benötigen oder Ihre Erfolge teilen möchten, kontaktieren Sie mich auf LinkedIn ! :)

Um jedoch Ziel 3 zu erreichen, müssen Sie eine Strategie zum Lesen von Forschungsarbeiten und einen ununterbrochenen Zeitplan entwickeln.

> Meine Lesestrategie würde einen weiteren ganzen Post einnehmen. Also bis dahin…

Wie auch immer, einige wichtige (und einfache) Forschungsarbeiten, auf die Sie bereits gestoßen sein müssen oder mit denen Sie beginnen sollten, sind: AlexNet, U-Net, ResNets, GANs (2014), Attention is All You Need usw.

Nach diesen liegt es in Ihrer Verantwortung, interessiert zu sein und immer wieder neue und kompliziertere Forschungsarbeiten zu lesen!

HINWEIS: Meine Meinung könnte in Richtung Computer Vision Related Papers voreingenommen sein.

Nun, noch ein paar üble Ratschläge , um deine Konkurrenz zu überlisten und Ziel 4 für diese Phase zu erreichen:

• Richten Sie Ihr Twitter-Konto ein und folgen Sie Spitzenforschern, Pädagogen, Professoren und Unternehmen wie openAI, Google Brain usw. — Ich verbringe gerne 30–40 Minuten damit, täglich neue Forschungsergebnisse durchzugehen.
• Halten Sie immer Ausschau nach Professoren, die über Plattformen wie Twitter, LinkedIn usw. einstellen. Könnte eine ideale Gelegenheit sein, auf die Sie sich stürzen können.
• Die Memes werden auch die alltäglichen Dinge spannend halten… hoffentlich

Dieser Beitrag markiert auch den Beginn von Beiträgen unter zwei Unterlinien:

1. Fundamentals & Applications Sub-Series : Diese umfasst Prinzipien, Grundlagen, Anwendungen, Projekte usw. von Computer Vision/Deep Learning (CV/DL).

2. DL-Paper Sub-Series ( ausgesprochen Dell-Pepper ): Diese umfassen jede Woche eine gründliche Untersuchung und Erläuterung einer Forschungsarbeit. (Ich werde mein Bestes geben, um das Papier auch zu replizieren! )

Also seid gespannt und gespannt, Ladies & Gentlemen!

Ich hoffe, diese Roadmap hat Ihnen weitergeholfen!

Erwägen Sie, mir zu folgen, um weitere wertvolle Inhalte zu Forschung, Computer Vision und KI zu erhalten.

Bis zum nächsten Mal… ❤️