150 giorni per esperienza e risultati nel mondo reale.

Questa sarà una corsa , quindi preparati a sentirti a disagio! (Sowwy)

Ti sto portando la mia tabella di marcia personale con le risorse selezionate con cura che ho seguito/garantito. Inoltre, è infusa la mia storia universitaria dall'inizio come principiante assoluto a un fantastico tirocinio di ricerca all'estero in DL / AI.

☣ DISCLAIMER:

Questa tabella di marcia si basa sui seguenti principi personali:

1. IMPARA SU RICHIESTA. Non consumare MOOCS, libri e tutorial. Non ha senso travolgerci con tutte quelle informazioni e conoscenze che non useremo o applicheremo. Sporcati con progetti pratici il prima possibile.
2. SIATE PERSISTENTI: Siamo ingegneri! Lo scopriamo.
3. Prendi l'iniziativa, MUOVI velocemente ed ESEGUI violentemente.
4. SCEGLI I MENTORI con molta attenzione.

Fase — 1: Nozioni di base sull'implementazione (40 giorni)

☕ La mia storia:

Primo anno all'IIT Mandi...

Il processo di pensiero di ogni mortale sano di mente (incluso il mio) :

Scopri le basi Costruisci solide basi teoriche per una conoscenza pratica Ottieni idee e buoni progetti Ottieni esperienza nel mondo reale.

☝ è TRASH ASSOLUTO!

Sto facendo questa affermazione dopo 3 anni di ricerca in Computer Vision e AI

Fortunatamente, il mio supervisore alla ricerca (e primo professore mentore) mi ha affiancato a uno studente del Master per lavorare su un progetto CV/DL, anche quando non sapevo un cazzo di ML.

Sono venuto bene ... Quindi,

Processo di "azione" del nuovo (folle)-mortale:

Inizia il lavoro prima di averlo!

“Ma Ariannnnnn?? Che cosa significa????”

• Se sei all'università; contatta qualsiasi professore per lavorare con loro su uno dei loro progetti in corso .
• Se hai un lavoro non correlato / disoccupato, contatta i team ML, gli ingegneri ML o esci e trova un lavoro relativo al ML su cui collaborare !
• Per gridare ad alta voce, trova un lavoro freelance, guarda le descrizioni dei lavori per i quali non sei qualificato ma che pensi siano interessanti: inizia a costruire quei progetti da solo.

Trovare e iniziare un progetto. Preferibilmente in corso.

Ora arrivano le cose aggiuntive ma obbligatorie che farai mentre cerchi/lavori al progetto principale di cui abbiamo parlato sopra:

1. learnpytorch.io : una risorsa eccellente per darti un'idea del ciclo di vita completo di un progetto ML, replica cartacea e distribuzione del modello. Inoltre, esamina tutte le risorse extra se puoi!

IMPORTANTE : fai ogni esercizio capitolo! La lettura non aiuterà affatto.

2. Un po' di GPU. È sempre utile conoscere l'hardware su cui stai eseguendo tutta questa meraviglia . Consiglierei i primi video della playlist : Fundamentals of GPU Architecture di CoffeeBeforeArch.

IMPORTANTE : setaccia Internet per diversi tipi di GPU, le loro specifiche, i costi, come programmarle ecc. MA NON perdere troppo tempo su questa parte. (~0,5 ore/giorno è più che sufficiente)

Fase — 2: Fondamenti (40 giorni)

Ormai dovresti essere positivamente al lavoro su un progetto❗

☕ La mia storia: ho iniziato a dedicare al progetto circa 8 ore come 8–5 e ho utilizzato le ore rimanenti per le cose aggiuntive e obbligatorie. Ho avuto il lusso di essere uno studente universitario!

Tuttavia, in questa fase, ho iniziato ad affrontare un testo un po' più complicato. Ecco cosa ho fatto mentre lavoravo incessantemente al progetto principale:

1. Apprendimento approfondito scremato di Ian Goodfellow. Tuttavia, consiglierei il libro web gratuito e probabilmente uno dei più fantastici qui: Dive Into Deep Learning . Non sfogliarlo. Divoralo.
2. Il tuo secondo e principale compito: esplorare le seguenti aree : visione artificiale (duhh), elaborazione del linguaggio naturale, apprendimento per rinforzo, apprendimento audio e vocale e sistemi di raccomandazione / esperienza del cliente. Quindi seleziona un'area che ti parla di più e prendi il libro più recente e più pratico su di essa.

DEVE: eseguire i passaggi 1 e 2 contemporaneamente per ottenere risultati e approfondimenti migliori.

☕ La mia storia: ho scelto Computer Vision come area di specializzazione (la stessa del mio progetto principale) e ho preso in mano il libro: Computer Vision: A Modern Approach per divertimento insieme a un corso pratico e di persona sull'ottimizzazione convessa tenuto presso IIT Mandi. Tempi super frenetici e impegnativi rispetto a ciò che il mio io più giovane aveva vissuto prima. L'ho adorato dentro e fuori!

Suggerimento:

Registra/Registra ciò che provi riguardo al viaggio per capire se vuoi farlo o no!

Comunque, questi sono gli OBIETTIVI PRINCIPALI della fase 2:

Primario: inizia a dedicare più tempo al progetto principale!

Secondario: seleziona un'area di specializzazione dopo ricerche e considerazioni approfondite.

Terziario : scopri la tua specializzazione e il deep learning allo stesso tempo dalle risorse sopra menzionate.

Fase — 3: Elementi essenziali (40 giorni)

Se le 2 fasi precedenti sono state eseguite molto bene, tieni i tuoi cavalli!

Non sei ancora pronto. Tuttavia …

DEVI iniziare a ricercare opportunità e CANDIDARTI .

Ecco una buona risorsa per gli studenti universitari che desiderano entrare in tirocini di ricerca all'estero.

Se ne hai l'opportunità, Hey! Congratulazioni per il tuo primo risultato! Condividi i tuoi risultati con me qui !

• > Continua a leggere in modo da poter vivere quell'esperienza e costruire un buon rapporto.

• > Continua a leggere per prepararti a enormi risultati futuri!

Intervistatore : Adoriamo la tua iniziativa, la tua guida e l'esperienza che hai già, ma hai bisogno di più specializzazione per questo ruolo...

Diciamo meno...

Ho capito che avevo bisogno anche di una sorta di specializzazione in deep learning.

Questa fase può sembrare un inseguimento selvaggio, ma abbi fiducia in te stesso e attieniti ad essa.

Le implicazioni di questo sono piuttosto semplici:

Seleziona le architetture (e i set di dati) in base alle descrizioni del progetto che hai ricercato nelle opportunità per le quali ti stai candidando o desideri davvero. Implementali dai loro documenti di ricerca. Fondamentalmente replica cartacea.

Foxly-Consiglio: vai oltre le CNN per favore, sono buoni elementi costitutivi ma non taglieranno la concorrenza per te.

Continua anche il progetto principale! Non lasciarlo finché non ottieni una pubblicazione (se puoi).

Sporcati le mani anche con queste risorse:

1. MLOps : questo è il successore di DevOps ma per Machine Learning! Un'abilità super utile da avere.
2. MUST : Introduzione alle interviste ML di Chip Huyen . A volte devi succhiarlo e farlo comunque eh? Non con questo libro. In realtà è fantastico!

Questo è il mio preferito perché è qui che perdi la tua "verginità da studente" e diventi un ingegnere / scienziato ML del mondo reale o qualunque etichetta ti piaccia. Qui, non sarai più limitato ad ambienti di apprendimento strutturati e il mondo è tuo per essere conquistato.

Quindi, RfW o Ready for War!

Quindi, ora sei un segugio,

Affamati di questi obiettivi:

1. Portare il tuo progetto principale al completamento/pubblicazione.

2. Garantire stage, posti di lavoro e altre opportunità.

3. Sviluppare un'abitudine alla lettura di documenti di ricerca.

4. Imparare gli ultimi sviluppi nel tuo campo.

Gli obiettivi 1 e 2 sono esclusivamente tue responsabilità per candidarti, intervistare e essere selezionato. Se hai bisogno di aiuto o vuoi condividere i tuoi risultati, contattami su LinkedIn ! :)

Tuttavia, per raggiungere l'obiettivo 3, devi sviluppare una strategia di lettura del documento di ricerca e un programma ininterrotto.

> La mia strategia di lettura occuperebbe un altro intero post. Quindi fino ad allora...

Ad ogni modo, alcuni documenti di ricerca essenziali (e facili) che devi aver già trovato o dovresti considerare di iniziare sono: AlexNet, U-Net, ResNets, GANs (2014), Attention is All You Need, ecc.

Dopo questi, è tua responsabilità interessarti e continuare a leggere nuovi e più complicati lavori di ricerca!

NOTA: la mia opinione potrebbe essere prevenuta nei confronti degli articoli relativi alla visione artificiale.

Ora, qualche consiglio più furbo per superare in astuzia la concorrenza e raggiungere l'obiettivo 4 per questa fase:

• Crea il tuo account Twitter e segui i migliori ricercatori, educatori, professori e aziende come openAI, Google Brain ecc. - Mi piace dedicare 30-40 minuti a esaminare le nuove ricerche pubblicate ogni giorno.
• Fai sempre attenzione ai professori che assumono tramite piattaforme come Twitter, LinkedIn, ecc. Potrebbe essere un'opportunità ideale per lanciarsi.
• I meme manterranno eccitanti anche le cose banali... si spera

Questo post segna anche l'inizio di post sotto due sottolignaggi:

1. Sottoserie Fundamentals & Applications : includerà principi, nozioni di base, applicazioni, progetti, ecc. di Computer Vision/Deep Learning (CV/DL).

2. Sottoserie DL-Paper ( pronunciata Dell-Pepper ): comprenderà un esame approfondito e una spiegazione di un documento di ricerca ogni settimana. (Farò del mio meglio per replicare anche la carta! )

Quindi rimanete sintonizzati e incollati signore e signori!

Spero che questa tabella di marcia ti abbia aiutato!

Considera l'idea di seguirmi per contenuti più preziosi su ricerca, visione artificiale e intelligenza artificiale.

Fino alla prossima volta... ❤️