기계 학습을 배우는 방법
— 당신의 배경은 무엇이며, 기계 학습 전에는 무엇을 했습니까?어떻게
— 저는 세티의 서비스 사업을 운영하고 있습니다.기술. 우리는 기계 학습과 인공 지능을 기반으로 한 솔루션을 고객에게 제공합니다. 지난 2년 동안 우리는 가장 큰 Fortune 500대 기업 중 일부와 협력했습니다.
저는 항상 데이터에 매료되었습니다.이것이 제 선택을 결정했습니다. 그 후 저는 프로젝트 기반 학습을 통해 기계 학습 분야의 지식, 기술 및 경험을 찾기 시작했습니다. 이를 통해 전문가와 대학생에게 실제 제품을 구축하도록 가르치는 분산형 학습 생태계인 교육 생태계에서 머신 러닝 전문가가 될 수 있는 기회를 얻었습니다.
"데이터, 자동화 및 알고리즘에 관심이 있다면 머신 러닝은 수익성 있는 직업 선택입니다."
사람들은 어떻게 기계 학습을 배우기 시작합니까? 이것은 기초지식과 다년간의 교육이 필요한 영역이 아닙니까?
— 해당 분야의 기본 지식프로그래밍은 추가 이점입니다. 그렇지 않으면 학습 곡선이 너무 가파르게 됩니다. 머신 러닝은 빅 데이터, 예측 분석, 데이터 마이닝 및 전산 통계와 같이 가장 빠르게 발전하는 영역의 주요 구성 요소이기도 합니다.
데이터, 자동화 및 알고리즘이 호출하면관심이 있다면 머신 러닝은 수익성 있는 직업 선택입니다. 구조화된 프로그램이나 과정을 수강하는 것은 기계 학습을 처음부터 배우는 가장 좋은 방법 중 하나입니다. 이 업계의 높은 수요로 인해 수백 개의 대면 및 온라인 과정이 발생했습니다.
— 이 분야에서 개발하려는 개발자와 분석가에게 무엇을 조언할 수 있습니까?
– 머신 러닝은응용 프로그램은 사용자 요구에 더 강력하고 응답합니다. 기계 학습을 응용 프로그램에 구현하려는 개발자는 성공에 도움이 되는 몇 가지 핵심 사항을 알아야 합니다.
- 알고리즘에 데이터가 많을수록 더 정확해 지므로 가능한 한 서브샘플링을 피하십시오.
- 문제에 가장 적합한 기계 학습 방법을 선택하는 것이 핵심이며 종종 성공 또는 실패를 결정합니다.
- 머신 러닝 모델은 데이터가 좋을 때만 좋을 수 있습니다.
- 데이터 기능을 이해하고 개선하는 것(새 기능을 만들고 기존 기능을 제거하여)은 예측 가능성에 큰 영향을 미칩니다.
- 어디서 배울 수 있나요? 아마도 코스나 학교에서?
— 다행히 오늘날에는 많은 플랫폼이 있습니다.기계 학습 및 인공 지능의 다양한 개념을 배울 수 있는 교육 생태계와 같은 온라인 학습. Education Ecosystem에서는 튜토리얼 및 프로젝트 리소스가 포함된 프로젝트를 통해 전문 개발자로부터 배울 수 있습니다. 예를 들어 다음과 같은 여러 프로젝트를 만들었습니다.
- Tensorflow와 Keras를 사용한 유사도에 의한 이미지 검색
- Keras와 Tensorflow를 사용한 신경망 스타일 전송
- OpenCV Haar Cascades를 사용하여 얼굴 감지를 수행하는 방법
AI가 필요한 비즈니스와 필요하지 않은 비즈니스
— AI와 머신 러닝을 회사에 어떻게 "판매"하고 회사의 업무를 어떻게 개선합니까? 비즈니스가 더 과학적이 된 이유는 무엇이라고 생각합니까?
— 기계 학습 알고리즘은 반복적으로제공된 데이터 세트를 기반으로 학습하고 패턴, 행동을 이해합니다. 이 프로세스는 반복적이고 지속적으로 개선되어 기업이 비즈니스와 고객의 요구 사항을 충족하기 위해 지속적으로 변경하는 데 도움이 됩니다.
"머신러닝 알고리즘은 주어진 데이터 세트에서 반복적으로 학습할 수 있습니다."
어떤 회사가 적합하고 적합하지 않습니까? 그들의 도움으로 어떤 문제를 해결할 수 있습니까?
— 무엇보다 머신 러닝은 비즈니스에 필요하며,이미지 분류, 텍스트 구문 분석 또는 예측 모델링을 다룹니다. 다른 유형의 비즈니스에서 알고리즘은 사용자에게 무언가를 추천하고, 데이터를 수집하고, 딥 러닝 및 신경망을 사용하도록 훈련될 수 있습니다. 서비스 산업에서 알고리즘은 일반적인 고객 불만을 기반으로 한 자연어 처리를 통해 헬프 데스크 관리자처럼 훈련될 수 있습니다.
— 이 영역에서는 거의 매일 새로운 것이 나타납니다. 무슨 일이 일어나고 있는지 추적하는 방법, 특히주의해야 할 사항은 무엇입니까?
인디드(Indeed)의 최근 보고서에 따르면 머신 러닝 엔지니어링 작업이 앞지르고 있습니다이 문서는 또한 기계 학습 엔지니어에 대한 수요가 344% 증가했다고 언급했습니다.
이 영역은 매우 중요하기 때문에기업이 고객 행동 및 비즈니스 운영 패턴의 추세를 볼 수 있도록 하고 신제품 개발을 촉진합니다. Facebook, Google 및 Uber와 같은 많은 선도 기업은 기계 학습을 운영의 중심 부분으로 삼고 있습니다. 지속적인 전문성 개발은 전문가들이 이 산업에서 수요가 많고 공급이 적은 장점을 활용하는 데 도움이 될 것입니다.
— 머신 러닝은 빅 데이터 분석에 자주 사용됩니다. 여기에 어떤 획기적인 제품이 나타날까요?
많은 사람들이 빅 데이터가 중요해졌습니다.공공 및 민간 조직은 특정 영역에서 방대한 양의 정보를 수집합니다. 머신 러닝과 빅 데이터를 병합하는 것은 끝이 없는 과정입니다. 세분화, 데이터 분석 및 모델링을 포함하여 빅 데이터 작업의 모든 요소에 머신 러닝 알고리즘이 어떻게 적용되는지 살펴보겠습니다.
— 기계 학습 및 AI의 개발과 관련된 자유 시장 틈새 시장은 무엇입니까?
- 인공지능은 혁신이다최근 기술. AI가 상당한 영향을 미치고 있는 많은 틈새 영역이 있습니다. 미디어에서 다루지 않은 다른 틈새 응용 프로그램이 있지만 과학 출판물에는 있습니다. 앞으로 몇 년 동안 교육, 건설 및 계획, 엔터테인먼트 및 스포츠 분석과 같은 가장 큰 발전을 받게 될 것입니다.
— 머신 러닝의 발전을 어떻게 보십니까? 사람, 기업, 국가를 어떻게 도울 수 있습니까?
— 머신 러닝은 비즈니스에 도움이 됩니다.장비 고장을 줄이고 이익을 늘리기 위해 예방 유지 보수를 사용하십시오. 크고 복잡한 데이터 처리 기능에 대한 수요가 증가함에 따라 머신 러닝은 기업이 소비자 데이터를 사용하여 유용한 고객 프로필을 구축하고 판매를 늘리며 브랜드 충성도를 구축하는 데 도움이 될 것입니다.
기계 학습은 이제 막 개발되기 시작했습니다. 최고 는 아직 오지 않았습니다
빅 데이터와 머신 러닝에 대한 가장 큰 오해는 무엇입니까?
- 가장 큰 오해는머신 러닝 모델이 이 세상의 모든 문제를 해결할 수 있다는 것을. 기계 학습에 대한 가장 유명한 인용문 중 하나는 Dave Waters의 말입니다. 머신 러닝 분야에서 우리는 크롤링 단계에 있습니다.”
머신 러닝의 과정에는 항상관련된 사람. 그러나 여기에 주의사항이 있습니다. 개선된 알고리즘을 사용하면 특정 기계 학습 모델을 교육한 후 사람의 개입을 완전히 제거할 수 있습니다.
- 모든 사람이 이 분야의 돌파구를 따라가는 것은 아닙니다. 무엇에 주의를 기울여야 합니까?
— 기계 분야의 최신 개발오늘의 학습은 자동화된 기계 학습(AutoML), 기계 학습 운영 관리(MLOps), 코드 없는 기계 학습 및 로우 코드 기계 학습 개발입니다. 이러한 개념은 향후 몇 년 동안 매우 유망한 프로젝트로 이어질 것입니다.
— ML의 장단기 문제는 무엇입니까? 기록하고 공식화할 수 없는 개발자 편견, 나쁜 의도, 윤리적 기준은 어떻습니까?
— 머신러닝의 가장 큰 도전과제 —그것은 자격을 갖춘 자원의 부족, 양질의 데이터 부족, 자동화가 필요한 프로세스에 대한 이해입니다. 깨끗하고 신뢰할 수 있는 데이터를 얻을 때까지 머신 러닝 전문가는 생성된 정확한 요구 사항을 충족하는 알고리즘과 시스템을 개발하는 데 계속 어려움을 겪을 것입니다.
- 인공지능은 언제, 어떤 영역에서 가장 흥미로운 방식으로 모습을 드러낼까?
— 인공 지능이 미래를 만든다거의 모든 분야의 인류. 이미 빅 데이터, 로봇 공학 및 IoT와 같은 신흥 기술의 주요 동인이며 가까운 미래에 계속 기술 혁신자가 될 것입니다. 오늘날 모든 산업이 많은 양의 데이터를 사용하고 자동화 요구 사항이 다르기 때문에 특정 영역을 하나만 선택하기가 어렵습니다.
더 읽어보기 :
고고학자들은 공식적으로 성경의 전설을 확인했습니다
아프로디테의 "사제"의 무덤이 발견되었습니다. 과학자들은 그곳에서 발견한 것을 보여주었습니다.
과학자들은 마야 수도의 영토에 무엇이 있는지 보았습니다. 발견은 그들을 놀라게 했습니다.