П:
Који су основни начини на које се професионални професионалци истичу у машинском учењу?
А:За успех машинског учења често је потребна комбинација вештина и искустава. Упознавање са неким од ових принципа и скупова вештина помаже појединцима да боље схвате шта компаније траже када ангажују професионалце за машинско учење.
У врло основном смислу, могли бисте рећи да успех машинског учења често почива на троструком принципу - програмирању, математици и увиду. Свака од ове три ствари је у основи различита, али свака од њих игра улогу у развоју професионалне каријере као стручњака за машинско учење.
Са програмског краја, знање језика као што су Питхон и Р постаје изузетно корисно, али постоје и цроссовер вјештине са језика попут ЦОБОЛ, Перл и Руби он Раилс који могу имати неку вриједност. Део тога је због фундаменталне природе програмирања - што се бавите усмеравањем операција и вредности тамо где оне морају бити. Затим ту су и пројекти машинског учења који користе наслијеђени код.
Други основни принцип је математика. Људи са напредним математичким вештинама или оштрином често имају много више успеха у свету машинског учења. Када гледају неуронске мреже или друге моделе, они су у стању да разбију математичке једначине које воде ка мрежним излазима. Људи често говоре да су неуронске мреже „црне кутије“ чак и техничарима - али у мери у којој сте паметни у математици, можете кренути ка бољем разумевању онога што програм ради.
То води трећем принципу, а то је увид. Разумевање вероватноће статистике заиста помаже у успеху машинског учења. То је зато што се помоћу машинског учења пројекти прелазе из чисто детерминиране или линеарне програмске зоне у нову вјероватно зону. Појединци који су више упућени у вероватноће могу да погледају пондерисане податке и боље предвиде који би могли бити резултати. Међутим, у другом смислу, људи који су интуитивно мудри у вези са машинским учењем схватиће како да ограниче његову примену на ствари које имају смисла.
Једна од великих пет замки у машинском учењу данас је распрострањена и неселективна примена машинског учења у пословним апликацијама. Много је ситуација у којима машинско учење није добро решење - било због сложености система, прекомерног намештања, раније поменутог проблема са црном кутијом или било чега другог. Неки од највреднијих професионалаца у простору машинског учења биће они који знају како да одаберу пројекте добро - како да излече апликације за машинско учење - и како да рукују са куповином и поступањем као вешт консултант.
