Как стать машиной: биохакеры и мировое господство — Российская газета

Содержание

биохакеры и мировое господство — Российская газета

Исследователь, который пошёл против системы; учёный, который решил захватить мир; художник, который слышит цвета; и два биохакера, с которыми лучше не дружить. Пять историй о том, как люди пытаются изменить свою природу и стать отчасти роботами.

Крёстный отец киборгов

Нейрофизиолог Фил Кеннеди в конце 80-х изобрёл собственный способ трансплантации в мозг электродов для передачи сигналов компьютеру. Он применял конусообразные стеклянные капсулы, через которые проходил золотой провод. Чтобы имплантаты лучше приживались в тканях, он вкладывал в них кусочки седалищного нерва. В 1998 году Кеннеди вживил их в мозг полностью парализованного ветерана вьетнамской войны Джонни Рэя. Тот стал первым в мире киборгом и смог «силой мысли» водить курсором по экрану компьютера и даже набирать сообщения. В таком воплощении он просуществовал четыре года, но потом его не стало.

В начале двухтысячных власти США запретили Кеннеди проводить опыты на людях. Тогда он решил внедрить разработку в собственный мозг. В 2014 году учёный отправился в страну Белиз, где ему имплантировали три электрода. После операции речевые функции оказались серьёзно нарушены. Но побочные эффекты не помешали Кеннеди вскоре опасную процедуру повторить: на этот раз ему вживили не самых маленьких размеров радиопередатчик. Увы, спустя ещё четыре недели осложнения вынудили его удалить новый имплантат. Киборгом у Кеннеди стать не получилось. Но, по его словам, он собрал важные данные, на обработку которых понадобятся годы.

Анестезия — для слабаков

Биохакер Тим Кэннон разработал устройство под названием Circadia 1.0. Гаджет вживляется под кожу, собирает данные о состоянии организма и передает эту информацию по Bluetooth на планшет или телефон. И всё бы ничего, но есть несколько «но», которые делают эту историю трешовой. Во-первых, величина устройства: оно приподнимает кожный покров на 5-7 мм. Во-вторых, операцию по вживлению Circadia выполняли не профессиональные хирурги, а энтузиасты — приятели Кэннона. В-третьих, единственным анестетиком был лёд.

Биохакер заявляет, что хочет жить тысячу лет и не понимает, почему все должны умирать. После удачной операции Тим и его единомышленники оборудовали несколько гаражей под лабораторию, в которой намерены создать человека-машину. Интересно, как у них это получится без анестезии…

Поработить компьютеры

Кевин Уорвик, профессор кибернетики из английского Университета Рединга, всегда боялся восстания машин и хотел их опередить (а может, возглавить), став киборгом. Первый имплантат он вживил себе в предплечье в 1998 году. Это была капсула 23 х 3 мм. Работала она по принципу радиопередатчика: посылала идентификационный сигнал другим устройствам. Таким образом Уорвик открывал дверные замки, включал в комнате свет, управлял лифтом. Профессор хотел упростить коммуникацию между машиной и человеком и повысить уровень безопасности персональных данных.

Спустя четыре года Уорвик имплантировал себе более продвинутый чип. Cyborg 2.0 присоединялся к срединному нерву руки сотней электродов, превращал сигналы нервной системы в электрические и отправлял их на компьютер.

Уорвик также пытался экспериментировать с передачей мыслей на расстоянии. Его жене Ирине вживили аналогичный имплантат, и учёный пытался передать ей свои мысли с помощью компьютера и интернета. Непонятно, на что он надеялся: механизм перевода нервного сигнала в электрический уже существовал, а обратного алгоритма как не было, так и нет.

О дальнейших попытках Уорвика вшить себе что-нибудь высокотехнологичное история умалчивает.

Когда палец может делать пиу-пиу

Программист из Финляндии Джерри Джалава в мае 2008 года ехал на мотоцикле и столкнулся с оленем. После аварии Джерри обнаружил, что у него не хватает полпальца. Врачи ампутировали оставшуюся половину, но, посочувствовав молодому человеку, предложили установить в протез флешку объёмом 2 Гб (для нулевых это было всё равно, что вставить в палец жёсткий диск). Джерри воодушевился.

Он серьёзно отнёсся к разработке, установил на флешку операционную систему Linux и пополнил её несколькими авторскими программами. Теперь всё, что нужно Джерри для подключения к компьютеру, — это  вставить в него палец.

Киборг с паспортом

Художник Нил Харбиссон на фотографии в паспорте выглядит так же, как и в жизни: киборгом. Антенна под названием Глазбор (англ. Eyeborg) крепится к затылочной кости Нила, огибает голову и доходит до лба. На конце у неё находится камера, которая выполняет функцию электронного глаза.

У Харбиссона редкое неизлечимое заболевание: он страдает ахроматопсией. Это крайняя степень дальтонизма, когда человек видит мир чёрно-белым. По иронии судьбы Нил планировал заниматься искусством и учился в художественном колледже. Нужно было как-то приспособиться. И он предложил знакомому кибернетику Адаму Монтандону создать прибор, который бы решил его проблему.

Так как отдел головного мозга, отвечающий за зрительное восприятие, работал у Нила неисправно, кибернетик создал программу по переводу световых сигналов в звуковые. Позже, уже вместе с Нилом, Адам доработал программу и превратил её в систему: камера передавала визуальную информацию, которая после трансформации попадала в отдел мозга, отвечающий за обработку звуков.

Первое время у Нила очень болела голова: мозг перестраивался. Но  постепенно боль утихла. Каждый цвет для Нила зазвучал: нота до была лазурного цвета, ре — фиолетовая, ми — розовая, фа — красная, соль — жёлтая, ля — зелёная, си — голубая. Глазборг распознаёт более 360 цветов. Сейчас художнику немного за тридцать, он ярко одевается и, по его словам, чувствует себя отлично. В 2010 году Нил учредил Фонд киборгов — в помощь людям, которые нуждаются в высокотехнологичных имплантатах.

Как стать машиной / Культура / Независимая газета

Британцы на Театральном фестивале им. А.П. Чехова представили свою версию Голема

Сюрреалистические картины спектакля. Фото с сайта www.chekhovfest.ru

Театр из Великобритании «Компания 1927» показал на Чеховском фестивале спектакль «Голем». Сьюзан Андрейд (автор и постановщик), Бен Фрэномб (драматургия) взяли за основу еврейскую народную легенду об искусственном человеке, созданном из глины. Этот примерный раб, который, согласно древней легенде, исполняет самую черную работу и защищает племя, получил в британском спектакле историю с продолжением. 

Первое поколение глиняного Голема простодушно служит человеку, выполняя за несколько минут всю работу дня офисного служащего Роберта, второе поколение Голема уже вмешивается в его жизнь и управляет карьерой во имя успешности. Роберт благодаря энтузиазму Голема 2 становится начальником и вытесняет из фирмы своего друга. Третье поколение сжато до чипа, который внедряется в мозг: тот, кто поначалу был рабом человека, в результате делает из этого самого человека раба, разница между живым и неживым опасно стерта, и человек оказывается тотально зависимым, управляемым  Големом 3.

 Нетрудно в литературной основе уловить дух антиутопии, которая имеет богатую традицию в английской литературе.

Прибавим к этому тяготение театра к легкой эксцентрике, богатую и изобретательную анимацию в духе «Монти Пайтона» (Пол Бэрритт – кино, анимация и дизайн), щедрую визуальную изобразительность с использованием кино, сложную и разнообразную световую партитуру,  способную легко трансформировать пространство, умение быстро и лаконично обозначать разные места действия – от андеграундного подвала до замусоренных лондонских окраин (Эсме Эпплтон – режиссура и дизайн). В результате мы получим театральный стиль  «Компании 1927», которая нам была известна благодаря тому же Чеховскому фестивалю, когда два года назад показала в Москве спектакль «Животные и дети занимают улицы» в той же эстетике. 

«Голем» – работа еще более изощренная по форме, особенно в том, как живой план взаимодействует с кино и анимацией. Задник в виде движущейся ленты помогает изобразить бег по кварталам Лондона. Верный Голем первого поколения, простодушный глиняный человек, раб Роберта, следует за ним. Изображения на экране лихо контактируют с теми, кто на сцене. Тут и бар, в котором с понедельника по пятницу пьют пиво офисные ребята, тут и мультипликационная престарелая мюзикхолльная дива, объемные части тела которой отделяются и снова складываются в могучее тело пенсионерки-одалиски, выступает с куплетами. Тут и репетиция группы «Отверженные», тут и быт Роберта с его скромной квартиркой, где в кресле сидит Голем 1 и смотрит ТВ. Калейдоскоп картинок богат, обрушивается на зрителя, который не успевает опомниться. Голем 2 придуман как живчик, словно нарисованный Александром Родченко. Почему бы нет, и наши в 20-е так мечтали о человеке-машине. Домечтались, говорят британцы, потому что офисный никчемный малый Роберт уже сделал шаг к тому, чтобы самому стать Големом 2. Он меняет свой цивильный костюм на тот, в котором появляется на экране искусственный человек второго поколения.

Весь спектакль идет под аккомпанемент живой музыки: слева ударные (Уилл Клоуз) и справа фортепиано (Лилиан Хенли). Чувствуется, что эта группа знает толк в кабаретных формах театра, с которых, в частности, она начинала свое становление. То музыканты похожи на таперов в духе 20-х годов, аккомпанирующих ритму постановки, то им дается право на соло, как в подвальном клубе, то пародируется вокал кабаре.

Бытовой речи у актеров нет и в помине. Все они с набеленными лицами, с ярким гримом, в густых париках лепечут тоненькими голосками, словно эльфы (Шарлота Дабери, Лилиан Хенли, Роуз Робинсон, Шамира Тернер, Уилл Клоуз). Но это не эльфы. Они попадут в ловушку Голема не случайно, поскольку делают вид, что живут. Или это эльфы, летающие в подвалах, дешевых пабах, музицирующие  на территории подполья. Попытка создать рок-группу ни к чему не приведет, поскольку офисные мальчики и девочки не смогут ни разу выступить, боясь себя предъявить миру.

  

Принцип лоскутного одеяла, изощренного  коллажа, используемый в построении спектакля, возможно, продиктован и тем, что офисные ребятки, которых мы видим на сцене, живут фрагментарно, вне потребности осознать целое. Предтечей Голема 3 станет компьютерное изображение лица, распадающегося на глаза, губы, нос. Части лица пляшут, подпрыгивают, складываясь в змеиный изгиб. Дело сделано:  это представление в буквальном смысле входит в их головы. Дальше – дело за малым, уже нет никакого труда, чтобы внедрить в башку чип. Человек стал машиной без сопротивления.

Комментарии для элемента не найдены.

Вы хотите стать машиной? | Executive.ru

Марк О’Коннелл «Искусственный интеллект и будущее человечества». – М: «Бомбора», 2020.

Книга о том, как биохакеры, трансгуманисты, ученные и миллиардеры пытаются решить проблему смерти с помощью технологий и искусственного интеллекта. Вы узнаете, насколько мы близки к возможности загрузить свой разум в компьютер и существовать вечно в виде кода, и как искусственный интеллект поможет исполнить самую заветную мечту человечества – бессмертие. В этой книге вы найдете ответы на все вопросы об ИИ, которые когда-либо волновали вас.

Встреча

Когда я устроился на заднем ряду переполненного лекционного зала в Биркбеке и оглядел оживленную толпу собравшихся, мне пришло в голову, что будущее очень похоже на прошлое, если можно так выразиться. Лекция доктора Андерса Сандберга была организована группой так называемых лондонских футуристов, своего рода трансгуманистическим салоном, который регулярно собирался с 2009 года для обсуждения тем, представляющих интерес для «начинающих» людей будущего:

  • Радикального увеличения продолжительности жизни.
  • Загрузки разума в машины.
  • Расширения умственных способностей с помощью фармакологических и технологических средств, искусственного интеллекта
  • Усовершенствования человеческого тела через протезирование и генетическую модификацию.

Мы собрались здесь, чтобы рассмотреть вопрос о коренном общественном сдвиге и о грядущем преобразовании человеческой природы. Группа людей, в подавляющем большинстве мужчин, расположилась в аудитории в Блумсбери, чтобы послушать речь еще одного мужчины о будущем – казалось, такой сбор мог состояться практически в любой момент последних двух столетий, если не считать того, что почти все лица были освещены бледным свечением смартфонов.

Джентльмен средних лет с рыжими подвижными бровями подошел к кафедре и начал выступление. Это был Дэвид Вуд, председатель Общества лондонских футуристов, известный трансгуманист и технический предприниматель. Вуд был основателем Symbian, создавшей первую операционную систему для смартфонов рынка широкого потребления, а его компания Psion стала одной из первых на рынке портативных компьютеров. С педантичным шотландским акцентом он говорил о том, что в следующие десять лет будут происходить более «основательные и глубокие изменения в человеческой природе, чем за любое предшествующее десятилетие в истории». Дэвид говорил о технологических модификациях мозга, о совершенствовании и расширении когнитивных способностей.

Он произнес: «Можем ли мы избавиться от предрассудков и ошибок в рассуждениях, которые унаследовали от природы, от инстинктов, которые спасали нам жизнь в африканской саванне и которые сейчас мешают нам?».

Кажется, этот вопрос заключает в себе трансгуманистическое мировоззрение, концепцию, что наши тела и разум – устаревшие технологии и форматы, нуждающиеся в капитальном пересмотре.

Он представил Андерса, футуриста, научного сотрудника Оксфордского института будущего человечества, основанного в 2005 году на пожертвования технического предпринимателя Джеймса Мартина, где философам и другим ученым было поручено работать над разнообразными сценариями будущего человеческого рода.

Почти два часа он говорил об интеллекте, о способах его усовершенствования как на индивидуальном уровне, так и на уровне человечества в целом. Он говорил о методах улучшения когнитивных способностей, как существующих, так и ожидаемых в будущем: об образовании, о веществах, влияющих на сознание, о генетическом отборе и о способах вживления имплантатов. Он говорил о том, как с возрастом человек теряет способность усваивать и сохранять информацию; о технологиях продления жизни; о том, что необходимо в целом совершенствовать функционирование мозга на протяжении всей нашей жизни. Он сопоставлял социальные и экономические издержки от неоптимальной организации умственной деятельности, сравнимые с ежегодным ВВП Великобритании в размере 250 миллионов фунтов стерлингов, со временем и энергией, потраченными в попытках найти потерянные в сумке ключи от дома. Он говорил: «В обществе постоянно происходят такие маленькие просчеты – из-за глупых ошибок, забывчивости и тому подобного».

Эта фраза показалась мне проявлением крайнего позитивизма. Андерс говорил о том, что искусственный интеллект избавит нас от присущих нашему разуму слабостей, сравнивал производительность мозга с измеримой мощностью компьютера. В общем, я был принципиально против такой точки зрения. В то же время я задумался над собственной рассеянностью, только в то утро стоившей мне около 150 фунтов стерлингов: я случайно забронировал отель в Лондоне на день раньше своего прибытия, и мне пришлось раскошелиться еще на одну ночь. Я всегда был немного рассеян и забывчив, но с тех пор, как стал отцом, или потому что стал отцом, из-за постоянного родительского недосыпа, непрерывной концентрации внимания на малыше, а также слишком долгого времени, проведенного за мультиками на YouTube, мои мыслительные способности и память стали заметно ухудшаться. Я не мог не осознавать, что скорее всего меня стоило бы немного улучшить, хотя столь практичной точкой зрения на человеческий разум, которую проповедовал на лекции Андерс, я не проникся.

Суть его лекции заключалась в том, что биомедицинские когнитивные усовершенствования будут способствовать улучшению и сохранению ментальных способностей, которые он назвал «человеческим капиталом», способствующим развитию всего мира. Андерс затронул вопросы социальной справедливости и назвал их «справедливым распределением мозгов», подчеркнув, что позволить себе усовершенствованные мозги, вероятнее всего, смогут люди высокого положения в обществе. Однако он высказал мнение, что подобные технологии необходимы в первую очередь людям с низким уровнем интеллекта и что такие технологии будут стимулировать экономику в целом.

Все, о чем он говорил, – и система, и сама ситуация были чрезвычайно близки мне и при этом казались чрезвычайно странными. Совсем недавно я покинул тонущий корабль своей академической карьеры, променяв его на едва ли менее шаткое судно свободного сочинительства. Несколько лет своей непродолжительной жизни я провел, получая PhD по английской литературе, подтвердившую мои подозрения о том, что ученая степень не сделает меня востребованным специалистом. Андерс Сандберг говорил много того, что я и раньше слышал от людей за кафедрой. Я сидел на заднем ряду лекционного зала, пытаясь сконцентрироваться, но его слова никоим образом не затрагивали мои чувства.

После лекции разношерстный контингент футуристов перебрался в обитый дубовыми панелями паб в Блумсбери, чтобы немного выпить. К тому времени, как я сел за стол с пинтой пива, по группе распространился слух о моей работе над книгой о трансгуманизме и связанных с ним вопросах.

– Вы пишете книгу! – воскликнул Андерс, очевидно, довольный этой мыслью.

– Я пишу книгу о трансгуманизме и о смежных темах.

– О, превосходно! – ответил Андерс.

Я не был уверен, правильно ли понял, что он хотел этим сказать. Я был готов возразить ему, что книга, которую я планирую написать, может сильно отличаться от той, которую он и другие трансгуманисты посчитали бы превосходной. Неожиданно я почувствовал себя чужаком среди всех этих рационалистов и футуристов, странным и даже немного жалким, с моей старомодной записной книжкой и ручкой в современном цифровом мире.

Мое внимание привлек кулон на шее Андерса – вещица, очень похожая на те религиозные медальоны, которые носят особо благочестивые католики. Я собирался спросить об этом кулоне, когда привлекательная француженка захватила его внимание вопросами о загрузке разума в машину.

Молодой человек аристократического вида, сидевший слева, повернулся ко мне и спросил, что за книгу я пишу. Элегантно одетый, с аккуратно уложенными волосами, он представился как Альберто Риццоли из Италии. Говоря о моей книге, он упомянул, что его семья когда-то занималась издательским бизнесом. И только гораздо позже, когда я просматривал свои заметки, мне пришло в голову, что Альберто – несомненно, потомок медийной династии Риццоли, внук Анджело Риццоли, продюсера фильмов Федерико Феллини «Сладкая жизнь» и «Восемь с половиной». Он обучался в бизнес-школе имени Джона Касса в Лондоне и создавал технические стартапы, связанные с печатью 3D-моделей для начальной школы. Ему был 21 год. К трансгуманизму он пришел еще подростком. Он сказал: «Я не могу представить себя в тридцать лет без каких-либо модификаций».

Мне самому было уже тридцать пять, совсем как Данте на момент его видений, – середина пути моей жизни. И я, плохо это или хорошо, был без каких-либо модификаций. Я также был взволнован идеей когнитивных улучшений, о которых Андерс говорил на лекции, и заинтригован мыслью о том, что полезного технологии могут сделать для меня. Они могли бы, например, освободить меня от необходимости делать заметки во время разговора с трансгуманистами ручкой, позволяя вместо этого записывать информацию на некий внутренний наночип с возможностью последующего идеального воспроизведения. Или, скажем, предоставить мне дополнительную контекстную информацию в режиме реального времени о том, что дед того молодого итальянца, с которым я говорил, продюсировал фильмы Феллини.

Седой мужчина в спортивном пиджаке и дорогой рубашке сел напротив меня и Альберто и удобно расположился рядом с Андерсом, ожидая момента, чтобы включиться в его диалог с француженкой. Тем временем он угостился фисташками из тарелки Андерса.

Наши взгляды встретились, и мы любезно улыбнулись друг другу. Он вручил мне свою визитку, из которой я узнал, что он занимается бизнесом в сфере профессионального прогнозирования будущего. Я хотел было пошутить о том, что такая привлекательная визитная карточка – старомодный метод знакомства для футуриста, но потом передумал и просто положил ее в переполненную секцию кошелька, служащую последним пристанищем для подобных вещиц.

По словам бизнесмена, он начинал карьеру с исследований в области искусственного интеллекта, а теперь зарабатывал на жизнь как основной докладчик на бизнес-конференциях, консультируя корпорации и бизнес-лидеров о тенденциях и технологиях, которые могут подорвать их сферы деятельности.

Он не говорил, он выступал – оживленно и слегка отвлеченно, с выразительной и непринужденной жестикуляцией и оптимизмом прогнозируя масштабные и ужасные разрушения. Он говорил со мной о тех изменениях и возможностях ближайшего будущего, когда искусственный интеллект произведет революцию в финансовом секторе, и большинство юристов и бухгалтеров будут сокращены – их дорогой ручной труд станут выполнять все более и более умные программы. Он говорил со мной о будущем, в котором законы жизни будут вписаны в механизмы. О будущем, в котором автомобили будут сами штрафовать водителей за превышение скорости. О будущем, в котором отпадет необходимость в водителях и производителях автомобилей, учитывая, что, подобно кораблям-призракам, напечатанные на 3D-принтере машины станут появляться в автосалонах, созданные в точном соответствии с требованиями конкретного заказчика.

Я заявил, что обнадеживающий аспект моей работы писателя заключался в том, что в ближайшее время меня вряд ли заменит машина. Я признал, что не могу заработать много денег, но я по крайней мере мог не бояться быть выброшенным прямо с рынка труда гаджетом, который стал бы моей более дешевой и эффективной копией.

Мой собеседник слегка наклонил голову и поджал губы, как бы размышляя, позволить ли мне такую успокаивающую отговорку.

– Конечно, – произнес он, – полагаю, что некоторые виды журналистики не будут заменены искусственным интеллектом. В частности, аналитика. Людей, возможно, всегда будут интересовать мнения других настоящих людей.

Хотя наиболее популярные произведения и не подвергались прямой угрозе, по его словам, некоторые пьесы, фильмы и произведения художественной литературы уже были написаны компьютерными программами. Правда, эти музыкальные и литературные творения были не особо качественными, как он слышал, но нельзя отрицать, что компьютеры, как правило, очень быстро совершенствуются в том, что поначалу им не очень удается. Полагаю, он считал, что я и люди, такие как я, – всего лишь расходный материал, как и все, кто окажется не у дел в будущем.

Я хотел спросить его, думал ли он о том, что в конечном итоге компьютеры могут заменить даже основных докладчиков и что всех мыслителей последующего десятилетия можно будет пересчитать по пальцам одной руки. Но я понял, что, какой бы ответ на поставленный вопрос он ни дал, с его стороны это будет самодовольное подтверждение его идей.

Андерс и привлекательная француженка справа от меня были поглощены, как мне показалось, непроницаемой технической дискуссией о прогрессе исследований в области загрузки разума в машины. Разговор плавно обратился к Рэю Курцвейлу, изобретателю, предпринимателю и директору по инженерным вопросам Google, популяризовавшему идею технологической сингулярности, и перетек в обсуждение эсхатологического пророчества новой эры человечества после изобретения искусственного интеллекта, о слиянии людей и машин и об окончательном уничтожении смерти. Андерс говорил, что взгляд Курцвейла на эмуляцию мозга был чересчур приблизительным, так как он полностью игнорировал то, что Андерс назвал «подкорковым центром интересов».

– Эмоции! – воскликнула француженка. – Он не нуждается в эмоциях! Вот в чем дело!

– Может, и так, – ответил Альберто.

– Он хочет стать машиной! – сказала она. – Вот чем он хочет быть на самом деле!

– Хорошо! – согласился Андерс, задумчиво шурша фисташковой шелухой в тщетных поисках целого ядрышка. – Я тоже хочу стать машиной. Но я хочу быть машиной с эмоциями.

В конце нашей продолжительной беседы Андерс подчеркнул свое желание иметь в буквальном смысле механическое тело.

Как один из самых выдающихся мыслителей трансгуманизма он был известен так же широко, как и его идея загрузки сознания в машины – идея, среди посвященных именуемая «полной эмуляцией мозга». Он не настаивал на том, что эмуляция нужна ему прямо сейчас; достаточно, если она станет возможна в ближайшем будущем. Он заметил, что сейчас мы близки к ней как никогда, однако для человечества было бы нежелательно вот так внезапно начать загружаться в машины. Он говорил о потенциальной опасности такого слияния, своего рода технического «пришествия», которое Курцвейл назвал сингулярностью.

– Было бы хорошо, – рассуждал Андерс, – для начала изобрести лекарственные средства для стимуляции мозга и портативные устройства, а затем уже технологии продления жизни. И только потом мы бы научились загружаться в машины, колонизировали бы космос, ну и так далее.

Он верил, что если нам удастся не уничтожить себя и не быть уничтоженными ядерными реакторами, о которых сейчас много говорят, то по всей Вселенной распространится гораздо более обширный и яркий феномен жизни, который и «конвертирует разнообразную материю и энергию в упорядоченные формы, то есть в саму жизнь».

Андерс подчеркнул, что размышлял над этим с самого детства, зачитываясь фантастическими произведениями в Стокгольмской городской библиотеке. В школе он читал научную литературу, выписывал наиболее запоминающиеся уравнения. Его захватили вопросы работы человеческой логики и движения мысли: как огромные образы помещаются в простые абстрактные символы.

Особенно богатым источником задач подобного рода была книга «Антропный космологический принцип» Джона Д. Барроу и Франка Дж. Типлера. Андерс прочитал эту книгу, увлекшись манящими расчетами, или, как он выразился, «странными формулами об электронах, вращающихся вокруг атомов водорода в других измерениях». Подобно ребенку с журналом «Плейбой», он постепенно проявил интерес и к тексту, который окружал эти уравнения. Представления о Вселенной, выдвинутые Барроу и Типлером, представляют собой философию детерминизма, в соответствии с которой появление интеллектуальной обработки информации предопределено. Это телеологическая отсылка Франка Типлера к его более поздней работе о точке Омега – проекции, согласно которой разумная жизнь вбирает в себя всю материю во Вселенной, приводя к космологической сингулярности, которая, как он утверждает, в будущем позволит воскрешать мертвых.

– Такая идея стала откровением для меня, – сказал Андерс. – Эта теория полагает, что в конечном счете жизнь будет контролировать всю материю, всю энергию и сможет обрабатывать бесконечные объемы информации – потрясающая идея для одержимого подростка. И я понял – это именно то, над чем стоит работать.

Именно эта мысль, по его словам, и стала переломным моментом в его становлении как трансгуманиста. Если наша главная цель – населить Вселенную, тем самым увеличив объемы обрабатываемой информации, нам просто необходимо осваивать дальние уголки космоса и жить как можно дольше, а это невозможно без искусственного интеллекта, роботов, космических колоний и многого другого, о чем Андерс читал в научно-популярных книгах местной библиотеки.

– Какова ценность звезды? – спросил он и, не дожидаясь ответа, продолжил: – Звезда интересна сама по себе, если она у вас только одна. Но если у вас их триллионы? Честно говоря, все они довольно похожи. Здесь очень мало структурной сложности. Но жизнь и, в частности жизнь каждого, – очень разнообразна. И у вас, и у меня – собственные судьбы. И, если мы вдруг перезапустим Вселенную, вы и я в конечном итоге будем иметь совершенно разные жизни. Наша уникальность – в опыте, который мы накапливаем. Вот почему так трагична потеря личности, потеря уникальности.

Идеи о превращении человеческого разума в программное обеспечение, а человека – в чистый разум, который распространится по всей Вселенной, играют центральную роль в преодолении человеческих ограничений.

Но его взгляды на будущее были для меня слишком странными и пугающими – гораздо более отталкивающими, чем какое бы то ни было из существующих религиозных течений, которые я не разделяю. Идеи Андерса пугали меня тем, что технические средства для их реализации были теоретически допустимы. Нечто внутри меня испытывало интуитивное отвращение, даже ужас от перспективы стать машиной. Мне кажется, что говорить о колонизации Вселенной, о том, чтобы Вселенная служила нашим целям, – это примерно то же самое, что с нашей человеческой настойчивостью пытаться придать хоть какой-то смысл бессмысленному. Я не мог вообразить большего абсурда, чем стремление найти смысл в пустоте.

Серебряный кулон Андерса, так похожий на католические медальоны и придающий религиозность его образу, на деле был памяткой с выгравированным завещанием по заморозке его земного тела в случае смерти. Как я понял, это желание разделяло большинство трансгуманистов: они хотели, чтобы после смерти их тела были сохранены в жидком азоте до того дня, когда технологии будущего позволят разморозить и реанимировать их; или когда полтора килограмма живого нейронного программного обеспечения их черепов смогут извлечь, просканировать их хранилище данных, конвертировать в код и загрузить в новое механическое тело, не подверженное деградации, смерти и другим человеческим недостаткам.

Место, куда земное тело Андерса должно быть отправлено согласно завещанию на медальоне, – объект в Скоттсдейле, штат Аризона, именуемый Фондом продления жизни «Алькор». После своей смерти трансгуманисты прибывали в «Алькор» в надежде на продление жизни. Здесь абстрактные концепции бессмертия были перенесены в физический мир. Я сам захотел побывать среди застывших бессмертных или по крайней мере среди их крионированных трупов.

Фото: facebook.com

Читайте также:

Модифицируйте машину, чтобы стать быстрее в Need for Speed™ Heat

В залитом неоновым светом гоночном раю Палм-Сити сейчас жарко: там собрались игроки, которые готовы заявить о себе миру. Вы уже приняли участие в парочке серьёзных гонок и ловко ушли от преследования, но хотите совершить рывок и выйти на новый уровень? Мы поможем вам полезными советами и рекомендациями.

Как менять двигатель в Need for Speed™ Heat

Двигатель — сердце вашей машины. Занятия спортом делают вас сильнее и выносливее. Так и замена двигателя на более мощный способна превратить даже стартовый автомобиль в монстра на дороге. Но для того, чтобы улучшить свою машину, вам понадобятся деньги. И репутация — самые крутые запчасти новичкам недоступны. Как их заработать? Днём участвуйте в легальных соревнованиях, чтобы пополнить свой счёт, а ночью устраивайте подпольные гонки и зарабатывайте репутацию, конечно!

Затем отправляйтесь в гараж и выберите свою машину. Вам нужен раздел «Динамические характеристики». Нажмите «Сменить движок», чтобы просмотреть доступные двигатели (треугольник на PlayStation®4, Y на Xbox One или клавиша C на ПК). Обратите внимание на символ двигателя, рядом с которым расположены числа, разделённые косой чертой, например, 640/875. Число 640 обозначает текущую мощность двигателя. Число 875 — потенциальную мощность.

Меняйте двигатели, нажав треугольник на PlayStation®4, Y на Xbox One или клавиша C на ПК.

Просматривая доступные двигатели, вы увидите, что чем дороже они становятся (хотя динамические характеристики машины улучшают даже начальные варианты), тем больше возможностей для улучшения у вас появляется. Вы можете купить и установить детали разного уровня, чтобы использовать потенциал двигателя по максимуму.

Как вы наверняка догадались, прокачивая динамические характеристики автомобиля, вы значительно улучшаете свои шансы в опасных погонях и напряженных гонках в Палм-Сити.

Как продать машину

Хотя мы все работаем над улучшением тех автомобилей, что у нас есть, каждому из нас иногда хочется сесть за руль совершенно новой машины. Ведь в игре так много потрясающих машин! Простой способ найти необходимые деньги на покупку (и быстро пополнить свой счёт) — продать одну из машин в вашей коллекции.

Перейдите в раздел «Показ» в гараже. Убедитесь, что вы просматриваете свою, а не общую с командой коллекцию машин. Для этого нажмите квадрат на PlayStation 4, X на Xbox One или клавишу X на ПК. Выберите машину, которую хотите продать, и нажмите на «Продать машину».

После этого на вашем счету появятся деньги. В инвентарь вернутся также детали, повышающие динамические характеристики машины: вы сможете использовать их снова для модификации другого автомобиля. Несколько важных моментов: вы не сможете продать стартовый автомобиль и не получите денег за продажу машин, которые входят в издание Deluxe или предварительный заказ.

Как подготовить машину к разным видам гонок

К разным видам гонок надо готовиться по-разному. Когда вы меняете запчасти для машины в гараже, то на диаграмме с осями «Гонка», «Дорога», «Бездорожье» и «Дрифт» можете увидеть, как меняются характеристики автомобиля.

Просматривая доступные двигатели, обратите внимание на значок двигателя, рядом с которым указана текущая и потенциальная мощность. Диаграмма показывает, как изменят управляемость машины выбранные модификации.

Шины, подвески и дифференциалы способны изменить управляемость машины на ту, что требуется для гонки. Подумайте, как вы хотите использовать машину, прежде чем сделать выбор. Постарайтесь сделать так, чтобы в вашей коллекции была хотя бы одна машина для каждого вида гонки. Все они рано или поздно понадобятся вам.

Уровень эффективности в Need for Speed™ Heat

Улучшая вашу машину, вы поднимаете её уровень эффективности. Это показатель, с помощью которого вы легко поймёте, готов ли автомобиль к определённой гонке. Когда вы откроете карту Палм-Сити и выберите событие, то увидите рекомендованный уровень и уровень эффективности вашей машины.

Кроме того, у некоторых гонок будет метка в виде восклицательного знака. Это значит, что вы можете принять участие в гонке с высоким уровнем эффективности, чтобы получить большую награду. Чтобы выбрать уровень, выберите гонку и нажмите вправо или влево на кнопке-крестовине на Xbox One или PlayStation 4 или 4 и 6 на цифровой клавиатуре на ПК.

Кроме того, просматривая гонки на карте, вы увидите ту же диаграмму, что показывается вам во время модификации машины в гараже. На ней можно увидеть, какой тип машины потребуется для этой гонки. Повысьте шансы на победу, выбрав самую подходящую к случаю машину! Вы ведь не хотите устроить гонку по бездорожью на машине, которая лучше всего в мире готовит пончики, верно?

Подпишитесь на новостную рассылку, чтобы получать последние новости о Need for Speed, закулисный контент, специальные предложения и многое другое (включая прочие новости EA, информацию о продуктах, событиях и акциях) по электронной почте.

Следите за нашими новостями в Твиттере , Instagram и Facebook и подписывайтесь на наш канал в YouTube .

книга о том, как стать писат…

Голдберг, Н.

«Человек, который съел машину» — практический курс писательского мастерства. В книге множество советов и рекомендаций, которые помогут вам лучше понять себя, доверять собственному голосу и процессу творчества. Не просто читайте — пишите. Используйте эту книгу!

Полная информация о книге

  • Вид товара:Книги
  • Рубрика:Литературоведение и критика
  • Целевое назначение:Научно-популярное издание для взрослых
  • ISBN:978-5-9614-5818-3
  • Серия:Несерийное издание
  • Издательство: Альпина Паблишер
  • Год издания:2020
  • Количество страниц:248
  • Формат:60х90/16
  • УДК:82. 01
  • Штрихкод:9785961458183
  • Доп. сведения:пер. с англ. М. Кульнева
  • Переплет:в пер.
  • Сведения об ответственности:Натали Голдберг
  • Код товара:54208

должен был стать машиной для инвалидов, но он стал вдохновением для дизайнеров

Velorexa был разработан Франтишеком и Моймиром Странским. Первоначально этот трехколесный автомобиль производился из деталей мотоциклов Jawa и DKV в небольшой частной мастерской. В 1950 году завод был национализирован и вошел в государственную организацию Velo Hradec Kralove, преобразованную в 1953 году в компанию Velorex, специализирующуюся на производстве автомобилей для инвалидов.

В зависимости от версии и года выпуска Velorexy были оснащены мотоциклетным двигателем объемом от 180 до 350 см3, достигающим мощности от 8 до 16 л.с.

Поворот 1950-х и 1960-х годов — это период, когда все больше и больше людей хотели иметь собственные автомобили. В результате Velorexy, который должен был использоваться инвалидами, был массово распространен среди людей, не имеющих права на покупку инвалидной коляски (это был статус Velorex).

Этот характерный автомобиль с течением времени становится все более распространенным на дорогах Чехословакии. С 1948 по 1973 год было выпущено 21 258 единиц.

Многие копии до сих пор можно найти сегодня на дорогах Чехии и Словакии. Тот факт, что Velorex является культовым транспортным средством, должен подтверждаться ежегодными митингами, проводимыми его пользователями. Они, вероятно, счастливы, что вы все еще можете купить все запчасти.

Много интересных автомобилей было создано на базе Velorex. Самые интересные из них можно увидеть в нашей галерее.

спортсмен добровольно решает стать машиной / Статья / Rus.Lsm.lv

«Спортсмен – это человек, который добровольно решил стать машиной», – заявила в эфире передачи Domnīca бывшая легкоатлетка, а теперь спортивный журналист Инета Радевича. Марек Осовскис, в прошлом физиотерапевт, работавший со многими спортсменами, в том числе и олимпийцами, не скрывает, что в большом спорте достаточно часто приходится лавировать на грани – и пересекать рубеж возможностей, чтобы достичь результата.

Не так давно в возрасте 74 лет после долгой борьбы с болезнью Паркинсона из жизни ушел легендарный боксер Мухаммед Али. Осовскис считает: вид спорта, которым спортсмен занимался, и число полученных им травм могли спровоцировать повреждения мозга. «Он был очень талантливым. В большом спорте часто (спортсмен) выходит за границы, что может иметь последствия», – добавил он.

ДОСЬЕ

Инета Радевича – латвийская легкоатлетка. В 2010 году в Барселоне на континентальном первенстве по легкой атлетике она завоевала золото, одновременно побив рекорд Латвии по прыжкам в длину. Она также стала бронзовым призёром чемпионата мира 2011 года. Радевича ушла из большого спорта, в данный момент она занимается журналистикой. В интервью Владимиру Иванову, спортивному обозревателю LTV7, в декабре прошлого года она рассказала, что весь ее график посвящен детям – сыну Марку и дочке Амелии.

Радевича не скрывает, что у человека, который в большом спорте борется за результат, подчас нет времени задать себе вопрос, как это скажется на здоровье.

«Мотивация достичь результата так высока, что нет времени об этом думать, поскольку уже звонит будильник, зовущий на следующую тренировку», – добавила она.

Журналист добавила, что сама ставила себе целью стать хорошим атлетом – и подчинить этому всю жизнь.

Осовскис же указал, что Инета Радевича всегда следила за своим здоровьем и прислушивалась к рекомендациям. Она, в отличие от других, не пересекала рубеж, котоырй мог привести к тяжелым травмам, препятствующим продолжению карьеры.

Нередко общество подталкивает спортсменов к этой границе: люди комментируют спортивные неудачи, и многие, читая подобные высказывания, психологически ломаются, добавил Осовскис.

Радевича же отметила, что в данный момент негативного отношения к спортсменам меньше, чем в начале ее карьеры. Возможно, потому, что журналисты больше не рассказывают только о результатах, но описывают и тренировки, показывают спортсменов в различных ситуациях, а не на финише с улыбкой на губах. Публика начала больше понимать природу и суть спорта, считает она.

Во время работы Осовскису приходилось быть для спортсменов и психологом. Самый сложный момент – после полученной травмы решить, остаться или продолжить.

«Заканчивая университет Страдиня, мы давали клятву, что не будем действовать против пациента. Но в спорте часто приходится дежурить на этой границе», – заявил он.

И добавил: если соблюдать все законы медицины, спорт остановится. «В спортивной медицине говорят: сегодня у меня травма, но уже вчера мне надо было быть здоровым», — рассказал Осовскис.

Спортсменам приходится принимать сложные решения. Одно из них – понять, когда на карьере нужно поставить точку и начать новую жизнь. Это непросто, но многие спортсмены смогли превратить свою привычку к режиму, пунктуальность и целеустремленность в жизненный успех.

Радевича рассказала, что после окончания карьеры спортсменам стоит научиться по-другому ощущать жизнь – понимать, что в лесу можно не только бегать и проверять пульс, но и дышать свежим воздухом.

Заметили ошибку? Сообщите нам о ней!

Пожалуйста, выделите в тексте соответствующий фрагмент и нажмите Ctrl+Enter.

Пожалуйста, выделите в тексте соответствующий фрагмент и нажмите Сообщить об ошибке.

Сообщить об ошибке

Как стать инженером по машинному обучению?

Многие люди могут использовать идеальный инструмент, но лишь немногие могут спроектировать и создать его для использования многими.

Мы живем в привилегированную эпоху технологических достижений, которые сделали жизнь намного проще и приятнее. Многие из этих технологий, которые мы можем принять как должное, основаны на «искусственном интеллекте (ИИ)».

AI — это наука, стоящая за созданием систем и машин, которые могут подражать людям при выполнении различных задач.Часто машинное обучение (ML) и AI используются вместе. Если цель ИИ — попытаться подражать людям, то машинное обучение — это метод, с помощью которого мы можем обучить машину изучать и распознавать закономерности на основе данных. Машина достаточно обучена, чтобы выполнять за нас конкретные задачи с минимальным вмешательством человека. Таким образом, машинное обучение играет ключевую роль в создании ИИ.

Машинное обучение — это тема, которая волнует практически каждую отрасль. Сегодня все ведущие технологические компании чаще всего нанимают специалистов в поисках особо квалифицированных инженеров по машинному обучению, способных создавать идеальные алгоритмы.

Сегодня возможности машинного обучения широко применяются и динамично меняют бизнес-ландшафт. Некоторые из крупнейших корпораций используют машинное обучение, и мы можем быть уверены, что его влияние будет только расти в ближайшие годы. Обучение машинному обучению может помочь сделать множество интересных карьер во все большем числе отраслей.

В то время как машинное обучение становится все более широко распространенной и адаптируемой технологией, люди, которые рассматривают варианты своей будущей карьеры, все еще не решаются выйти на арену машинного обучения.

Причина этого колебания может заключаться в том, что технология, связанная с машинным обучением, для многих все еще является немного труднодостижимой, и те, кто рассматривает этот карьерный путь, задаются вопросом, насколько сложно освоить машинное обучение и подходят ли они для этой карьеры .

Давайте ответим на эти вопросы, более подробно рассмотрев, что такое машинное обучение и что нужно для достижения успеха в этой области.

Программа аспирантуры
по искусственному интеллекту и машинному обучению
в партнерстве с Университетом ПердьюПосмотреть курс

Что такое машинное обучение?

Машинное обучение — это метод создания систем, которые могут «анализировать» уже существующие данные, «изучать» закономерности и принимать решения / прогнозы / классификации или другие задачи на основе аналогичных данных с минимальным вмешательством человека. Можно провести аналогию с тем, как люди учатся на собственном опыте. Поскольку люди учатся на опыте прошлого, чтобы принимать более правильные решения в будущем, машинное обучение — это метод обучения компьютера тому, чтобы он учился на исторических данных, чтобы лучше выполнять задачи для нас в будущем.

Можно провести естественное сравнение машинного обучения и традиционного программирования. Однако машинное обучение отличается от традиционного программирования по нескольким причинам. При традиционном программировании человеческий персонал передает данные в компьютер и разрабатывает программу, предназначенную для преобразования этих данных в желаемый результат.Компьютерное программирование — это процесс, в котором очень много людей, и он ограничен нашими возможностями по структурированию и определению данных.

В отличие от традиционного программирования, с машинным обучением мы загружаем данные в машину, и на основе того, что было загружено ранее, машина разрабатывает свою логику на основе желаемого результата. Другими словами, машины учатся без нашего вмешательства в процесс. Может показаться, что это ограничивается исследовательской работой, но это технология, которую мы видим во многих приложениях, с которыми мы сталкиваемся ежедневно.

Машинное обучение не запрограммировано; его учат на данных.

Возьмем, к примеру, Google. Они мастера в применении машинного обучения, чтобы расширить возможности своих пользователей в поисковых системах. Благодаря машинному обучению Google может лучше понять цель каждого из ваших поисковых запросов и предоставить вам наиболее релевантные результаты. Это то, что делает Google таким любимым.

Машинное обучение используется практически во всех отраслях. Он широко используется в социальных сетях, чтобы создать более персонализированный и приятный опыт для пользователей социальных сетей.Но у машинного обучения есть и другие практические применения. Например, технология машинного обучения используется в сфере здравоохранения, чтобы помочь улучшить уход за пациентами и избежать ошибок, возникающих из-за человеческой ошибки. Это позволяет врачам более эффективно использовать диагностические тесты и оборудование для выявления таких заболеваний, как рак на ранней стадии, которые часто остаются незамеченными на начальных стадиях.

Машинное обучение — важнейший компонент ИИ. Мы можем разбить ИИ на несколько отдельных уровней.Машинное обучение, при котором машины используют алгоритмы, чтобы учиться на предыдущем опыте и вводить данные, является базовым уровнем технологии искусственного интеллекта. Кроме того, как в основе ИИ лежит машинное обучение, так и в основе эффективной реализации машинного обучения лежат полезные данные, то есть наука о данных.

Зачем изучать машинное обучение?

«Искусственный интеллект, глубокое обучение, машинное обучение — что бы вы ни делали, если не понимаете этого — изучите это. Потому что иначе через три года вы станете динозавром.»- Марк Кьюбан

Как упоминалось ранее, невозможно заглянуть в будущее и не рассматривать ИИ как движущую силу экономического роста в той или иной степени. Компании во всех отраслях испытывают огромную растущую потребность в адаптации к ИИ и машинному обучению, а это означает, что им понадобятся инженеры по машинному обучению, которые могут вести их в будущее.

В 2016 году машинное обучение стоило 1,03 миллиарда долларов. Ожидается, что к 2022 году это число вырастет до 8 долларов.81 миллиард. Машинное обучение давно перестает быть нишевой областью информатики. Обычный человек сталкивается с той или иной формой машинного обучения практически ежедневно, часто даже не осознавая этого. Уже одно это показывает, насколько машинное обучение уже укоренилось в нашей жизни, и что оно может еще больше обогатить нашу жизнь.

Машинное обучение в последние годы демонстрирует экспоненциальный рост, и в настоящее время существует спрос на инженеров по машинному обучению, которые могут помочь компаниям из различных отраслей определить возможности для внедрения технологии и наиболее эффективные и прибыльные способы ее использования. Машинное обучение становится настолько важным, что многие компании стремятся заполнить свой диапазон ИТ-должностей людьми, имеющими опыт или знания в области машинного обучения.

БЕСПЛАТНЫЙ курс машинного обучения
Освойте востребованные навыки и инструменты машинного обучения

Жизнь инженера по машинному обучению

Карьера инженера по машинному обучению быстро становится одной из самых востребованных должностей в сфере ИТ. Все больше компаний внедряют технологии искусственного интеллекта, включая машинное обучение, и еще больше компаний планируют сделать это в течение следующих пяти лет.Это означает, что они будут искать инженеров по машинному обучению, которые помогут им адаптироваться к новым технологиям и более эффективно интегрировать их в свою деятельность.

Жизнь инженера по машинному обучению похожа на жизнь программиста, за исключением того, что он сосредоточен на создании программ, которые предоставляют машинам возможность самообучаться и действовать без указания человека или конкретной программы. Инженеры машинного обучения могут найти интересные должности в различных отраслях, многие из которых позволят им внести значительный вклад в то, как общество взаимодействует с технологиями и как они улучшают нашу жизнь.

Учитывая, насколько быстро меняется мир машинного обучения, ваша повседневная жизнь в качестве инженера по машинному обучению может быть весьма захватывающей. Помимо моделей и алгоритмов, над которыми вы должны работать и развивать в рамках своей должности, вы будете поддерживать связь с некоторыми из самых захватывающих разработок в мире ИИ, такими как бесчисленное множество технологий, разрабатываемых в рамках исследования ИИ. компания OpenAI или британская компания DeepMind Technologies (приобретенная Google в 2014 году), которая создала нейронную сеть, которая учится играть в видеоигры, как люди, а также активно участвует в разработке беспилотных автомобилей.

Человеку, который хочет стать инженером по машинному обучению, предстоит увлекательный карьерный путь. Помимо разработки приложений, которые позволяют машинам самообучаться и работать без специального человеческого программирования, инженеры по машинному обучению могут работать в качестве архитектора, который работает над разработкой прототипов приложений.

Инженеры по машинному обучению могут работать в различных профессиональных областях, включая следующие должности:

  • Инженер по машинному обучению
  • Ведущий инженер по машинному обучению
  • Старший инженер по машинному обучению
  • Главный инженер по машинному обучению
  • Инженер-программист машинного обучения
  • Ученый-исследователь машинного обучения
  • Должности специалистов по данным

По данным Glassdoor, средняя зарплата инженера по машинному обучению составляет 121 863 доллара, а годовой диапазон заработной платы составляет от 84 000 до 163 000 долларов в зависимости от опыта и местоположения.

Хотите стать инженером по машинному обучению? Пройдите сертификационный курс по машинному обучению и получите сертификат сегодня.

Роли и обязанности инженера по машинному обучению

Теперь, когда мы знаем, что это такое, что именно делает инженер по машинному обучению? Как упоминалось ранее, инженеры машинного обучения работают с большими данными; в частности, они вводят данные в модели, последние были разработаны специалистами по обработке данных (посмотрите, где может произойти перекрытие?).

Кроме того, инженеры машинного обучения несут ответственность за использование теоретических моделей науки о данных и их масштабирование до моделей производственного уровня, чтобы они могли обрабатывать полученные терабайты данных в реальном времени. Разумеется, они также создают программы для управления роботами и компьютерами.

В конечном итоге инженеры машинного обучения разрабатывают алгоритмы, которые позволяют машине просматривать свои программные данные и выявлять в них закономерности, тем самым обучая себя понимать команды и, в конечном итоге, думать самостоятельно. Так достигается обучение.

Для тех, кто любит списки, обязанности инженера по машинному обучению:

  • Понимание и использование основ информатики, включая структуры данных, алгоритмы, вычислимость и сложность, а также компьютерную архитектуру
  • Использование математических навыков для выполнения вычислений и работы с алгоритмами, участвующими в этом виде программирования
  • Обеспечение результатов проекта и выявление проблем, требующих решения, для повышения эффективности программ
  • Сотрудничество с данными, как упомянуто выше, инженеры для создания данных и моделирования конвейеров
  • Управление инфраструктурой и конвейерами данных, которые необходимы для внедрения кода в производство
  • Демонстрация полного понимания создаваемых приложений
  • Создание алгоритмов машинного обучения на основе процедур статистического моделирования, а также создание и поддержка масштабируемых решений машинного обучения в производстве
  • Использование стратегии моделирования и оценки данных для поиска закономерностей и прогнозирования невидимых случаев
  • Применение алгоритмов и библиотек машинного обучения
  • Лидерство в разработке программного обеспечения и разработке программного обеспечения
  • Общение и объяснение сложных процессов непрофессионалам
  • Поддержание связи с заинтересованными сторонами для анализа бизнес-проблем, уточнения требований, а затем определения необходимой области разрешения
  • Анализ больших и сложных наборов данных для извлечения информации, а также для принятия решения о соответствующих методах
  • Исследование и внедрение передового опыта для улучшения существующей инфраструктуры машинного обучения
  • Оказание поддержки инженерам и менеджерам по продукции в применении машинного обучения в продуктах компании

Следует также отметить, что существует несколько категорий инженеров по машинному обучению.Есть инженер-программист, который специализируется на основах информатики и программировании, а также на разработке программного обеспечения и проектировании систем; инженер по прикладному машинному обучению, специализирующийся на основах информатики и программировании, которое охватывает применение алгоритмов и библиотек машинного обучения; и, наконец, основной инженер по машинному обучению, который владеет основами информатики и программирования и отвечает за применение алгоритмов и библиотек машинного обучения, моделирование и оценку данных.

БЕСПЛАТНЫЙ сертификационный курс по машинному обучению
Чтобы стать инженером по машинному обучению

Карьера в машинном обучении

Для людей, планирующих карьеру в области машинного обучения, важно понимать, какие необходимые знания и опыт сделают работу в этой области более доступной. Это поле, в которое может войти кто угодно, но ваша отправная точка будет сильно зависеть от того, какой путь к обучению вы найдете наиболее полезным.

Чтобы сделать карьеру в области машинного обучения, вы захотите пройти сертификационный курс, который проведет вас по фундаментальным техническим областям, таким как классическое машинное обучение, глубокое обучение и обучение с подкреплением, а также к более сложным математическим и статистическим концепциям, которые используются. регулярно в поле.Тем, кто продвигается к этой карьере без базового понимания этих основ, будет труднее, и ему следует подумать о приобретении этих знаний, прежде чем проходить сертификационный курс.

Сертификационные курсы по машинному обучению

идеально подходят для инженеров-программистов, специалистов по обработке данных, статистиков, экспертов в предметной области, а также для тех, кто обладает глубокими знаниями в области основ статистики и продвинутой математики, включая понимание алгоритмов. Когда вы работаете в этой области, вы проводите много времени, работая с алгоритмами и огромными объемами данных.Уровень комфорта в этих дисциплинах полезен для успеха в карьере в области машинного обучения.

Некоторые основные предпосылки для обучения машинному обучению включают:

  • Базовое понимание основ программирования на Python
  • Дополнительные навыки программирования на R, C ++ и Octave
  • Способность понимать некоторые сложные математические концепции, включая линейную алгебру, исчисление и теорию графов
  • Опыт анализа данных
  • Понимание моделирования данных
  • Хорошее понимание статистики и вероятности
  • Базовый уровень навыков визуализации данных

Многие люди, которые думают о карьере в области машинного обучения, хотят знать, необходимы ли все эти предварительные условия или их можно получить с помощью программы сертификации и практического опыта.Некоторые из них можно получить через сертификационное обучение; однако крайне важно подходить к машинному обучению на прочной основе в области данных, статистики и математики. И линейная алгебра, и многомерное исчисление фундаментально важны для машинного обучения.

Следующий вопрос: какие темы будут охвачены сертификационной программой по машинному обучению? Какие навыки вам нужно использовать, а какие будут приобретены в рамках комплексной программы сертификации? При прохождении сертификационной программы вы должны ожидать, что охватите следующие темы.

  • Пересмотр ключевых математических принципов, включая алгоритмы, для овладения концепциями, необходимыми для выполнения практических проектов
  • Подробное введение как контролируемого, так и неконтролируемого обучения до такой степени, что может быть достигнуто овладение концепциями, а также предварительное понимание глубокого обучения и обучения с подкреплением.
  • Анализ и реализация статистической и эвристической составляющих машинного обучения
  • Практический опыт работы с несколькими сквозными проектами, охватывающими все аспекты машинного обучения
  • Внедрение моделей машинного обучения, которые включают логистическую регрессию, кластеризацию K-средних, поддержку векторных машин и многое другое.
  • Повышение квалификации по Python, включая анализ данных и программирование на Python
  • Устойчивое письменное и устное общение
Это отличный шанс сделать карьеру в области искусственного интеллекта и машинного обучения своей мечты! Запишитесь в аспирантуру по искусственному интеллекту и машинному обучению в Purdue University, начните сотрудничать с IBM сегодня и сделайте первый шаг к карьере своей мечты.

Карьерные преимущества от прохождения сертификационного курса машинного обучения

Пройдя сертификационный курс по машинному обучению, вы сможете начать новую захватывающую роль в нескольких растущих отраслях. Он может предоставить вам знания и навыки, необходимые для расширения масштабов компании, в которой вы в настоящее время работаете, или для построения карьеры инженера по машинному обучению с потенциалом выше среднего.

Сертификационный курс позволяет людям, которые уже работают специалистом по обработке данных или статистиком, развить свои навыки, повысить свое резюме и сделать их более привлекательными в качестве консультантов или сотрудников в технологической отрасли.

За последние годы количество объявлений о вакансиях, связанных с искусственным интеллектом, увеличилось более чем на 100% на ведущих карьерных сайтах, таких как Indeed. Среди наиболее востребованных профессий, связанных с искусственным интеллектом, машинное обучение входит в тройку самых востребованных навыков. Ожидается, что в ближайшие годы искусственный интеллект и машинное обучение создадут миллионы новых рабочих мест.

Если вы хотите улучшить свою карьеру в ИТ, науке о данных или программировании на Python и войти в новую сферу, полную потенциала как сейчас, так и в будущем, взяв на себя задачу обучения машинному обучению, вы добьетесь этого.

Вы также можете пройти сертификационные курсы по искусственному интеллекту и машинному обучению в Purdue University, который сотрудничает с IBM. Эта программа дает вам глубокие знания в области Python, глубокого обучения с помощью Tensorflow, обработки естественного языка, распознавания речи, компьютерного зрения и обучения с подкреплением.

Комплексная программа последипломного образования предоставляет вам совместный сертификат Simplilearn-Purdue, а также вы получаете право на членство в Purdue University Alumni по завершении курса.IBM является ведущим игроком в области искусственного интеллекта и науки о данных, помогая профессионалам с соответствующими отраслевыми знаниями в области искусственного интеллекта и обработки данных, предоставляя всемирно признанный сертификат и полный доступ к IBM Watson для практического обучения и практики. Революционная программа PGP поможет вам выделиться из толпы и сделать карьеру в таких процветающих областях, как искусственный интеллект, машинное обучение и глубокое обучение.

Simplilearn стремится помочь профессионалам добиться успеха в быстрорастущих отраслях, связанных с технологиями.Где бы вы ни находились на пути к обучению машинному обучению, Simplilearn поможет вам с курсами, разработанными для повышения ваших профессиональных навыков на каждом этапе пути.

Как стать инженером по машинному обучению в 2020 году

Все мы знаем основные предпосылки искусственного интеллекта. ИИ — это то, как машины могут учиться у окружающей среды и со временем увеличивать интеллект. И мы все также осознаем пугающий потенциал, который ИИ может иметь в чужих руках, или, по крайней мере, голливудская версия того, что может случиться.Но большинство людей не знают, что искусственный интеллект существует, по крайней мере в упрощенной форме, с 1950-х годов. Но ИИ — это обширная область, охватывающая множество различных приложений, и сейчас он широко используется в самых разных организациях. Согласно сегодняшнему определению, машинное обучение — это одна из разновидностей искусственного интеллекта, которая работает с приложениями для работы с большими данными и осуществляется с помощью продвинутой математики и программирования.

На сегодняшний день машинное обучение, или машинное обучение, наиболее широко используется в бизнесе.Компании всех типов, ориентированные на клиентов, используют машинное обучение, чтобы лучше понимать тенденции и предпочтения клиентов и применять маркетинговые и рекламные стратегии, которые точно и эффективно нацелены на эти тенденции. Цель машинного обучения — запрограммировать компьютеры, чтобы они принимали данные реального мира от реальных людей, использующих технологии, и определяли на их основе симпатии и склонности человека. Эти результаты затем используются для размещения наиболее релевантной рекламы перед покупателями.

Facebook, вероятно, является наиболее очевидным примером пользователя машинного обучения. Владельцы учетных записей в Facebook слишком хорошо осведомлены о том, что реклама нацеливается непосредственно на них во всем, что они делают. И не только в Facebook. Купите что-нибудь или даже найдите это на Amazon, и вскоре вы увидите рекламу этого товара в своей учетной записи Facebook.

Машиностроение — это не вариант карьеры начального уровня. Чтобы стать инженером по машинному обучению, нужны годы опыта в области науки о данных и разработки программного обеспечения, а также ученая степень в колледже.В этом руководстве представлен обзор роли инженера по машинному обучению и перечислены шаги, необходимые для начала и максимального карьерного успеха. Включен подробный список должностных обязанностей, фона, образования и опыта, необходимых для успешных профессионалов, а также информация о заработной плате и перспективах рынка труда в сфере машинного обучения машинного обучения.

Объявление

discoverdatascience.org — это сайт с рекламной поддержкой. Если щелкнуть это поле, вы увидите программы, связанные с вашим поиском, из школ, которые нам компенсируют.Эта компенсация не влияет на рейтинг наших школ, справочники по ресурсам или другую информацию, опубликованную на этом сайте. Понятно!

Рекомендуемые школы

Пять шагов, чтобы стать инженером по машинному обучению

Шаг 1: Бакалавриат

Поскольку основными требованиями к знаниям для инженера по машинному обучению являются математика, обработка данных, информатика и компьютерное программирование, в идеале для начинающего инженера по машинному обучению необходимо получить степень бакалавра по одной из этих дисциплин.Также могут применяться другие степени в смежных областях, таких как статистика или физика. Инженеры по машинному обучению также должны обладать сильной деловой хваткой, чтобы понимать потребности работодателей в данных, поэтому дипломы в области бизнеса также могут быть хорошей отправной точкой, но затем их необходимо дополнить обширной технической подготовкой в ​​необходимых науках.

Этап 2: Варианты начальной карьеры

Инженер по машинному обучению — это не должность начального уровня, но с чего начать любому, кто может иметь цель стать инженером по машинному обучению? Вот несколько возможностей.

  • Инженер-программист
  • Программист
  • Разработчик программного обеспечения
  • Специалист по данным
  • Инженер-компьютерщик

Шаг 3. Получите степень магистра и / или доктора философии.

Одной степени бакалавра будет недостаточно для подавляющего большинства вакансий инженера по машинному обучению. Степень магистра в области компьютерных наук, программной инженерии и т.п. и даже докторская степень. в машинном обучении предоставит инженерам по машинному обучению множество вариантов.

Шаг 4: Карьерный путь в аспирантуре

Дополнительное образование и опыт позволят профессионалам, по крайней мере, войти в путь инженера по машинному обучению, но также предоставят другие возможности. Руководящие должности станут доступны тем, у кого есть опыт и образование, и, конечно же, сильные лидерские качества. Также ведется много исследований в области искусственного интеллекта и машинного обучения, в основном такими крупными технологическими компаниями, как Apple, Google и Microsoft.Эти исследовательские позиции вполне могут определить будущее машинного обучения. Некоторые организации, которые не могут оправдать наличие штатного персонала по машинному обучению, нанимают внештатных инженеров по машинному обучению для создания и внедрения определенных систем машинного обучения, поэтому фриланс может быть прибыльным и гибким профессиональным путем. А для тех, кто хочет обучать новое поколение инженеров машинного обучения, должности преподавателей университетов, конечно же, будут в пределах досягаемости.

Шаг 5. Никогда не прекращайте учиться

В любой технической отрасли, особенно в такой стремительно развивающейся, как машинное обучение, идти в ногу со временем имеет решающее значение.Всегда будьте в курсе и изучайте новые алгоритмы, платформы машинного обучения, языки программирования, библиотеки машинного обучения и т. Д. Пройдите курсы повышения квалификации, получите профессиональные сертификаты и создайте сеть других специалистов-инженеров по машинному обучению.

Что такое инженер по машинному обучению?

Машинное обучение — это форма ИИ, которая позволяет системе учиться на данных, а не посредством явного программирования. После того, как программа машинного обучения написана, ее необходимо «обучить» перед развертыванием по назначению.Обучение — это процесс обучения машины. В программировании используются алгоритмы, которые принимают данные обучения, предоставленные инженером по машинному обучению, что позволяет создавать более точные модели на основе этих данных. Модель машинного обучения — это результат, полученный после обучения алгоритма машинного обучения с приемом данных. После обучения, когда модель машинного обучения получает данные из реального мира, она дает результат. Алгоритм прогнозирования создаст прогнозную модель. Когда прогнозной модели предоставляются данные, она выдает прогноз, основанный на данных, которые обучили модель.

Благодаря обучению и итеративному онлайн-обучению модель машинного обучения может значительно улучшить понимание типов ассоциаций, существующих между элементами данных. Из-за своей сложности и размера эти закономерности и ассоциации легко не заметить при наблюдении человека. Методы машинного обучения необходимы для повышения точности прогнозных моделей. В зависимости от характера решаемой бизнес-проблемы существуют разные подходы, основанные на типе и объеме данных.

Инженер по машинному обучению должен понимать каждый из этих подходов, а также понимать, как и в каких ситуациях их применять. Четыре основных используемых подхода — это обучение с учителем, обучение без учителя, обучение с подкреплением и глубокое обучение. Различия между этими подходами заключаются в данных, которые будут использоваться для создания модели обучения. Обучение с учителем используется с данными, уже снабженными ярлыками, например, для идентификации животных по новым изображениям. Неконтролируемое обучение используется с немаркированными данными и часто используется для выявления спама или нежелательной почты с использованием неопознанных элементов в электронном письме.Обучение с подкреплением похоже на обучение с учителем в том, что в нем используются размеченные данные. Однако обучение с подкреплением выполняется без использования обучающих данных, вместо этого улучшается его моделирование методом проб и ошибок на основе реальных данных. Глубокое обучение включает нейронные сети для итеративного обучения на основе данных. Это особенно полезно при изучении шаблонов на основе неструктурированных данных в таких приложениях, как распознавание речи и лиц.

Инженер по машинному обучению должен обладать глубокими знаниями математики, чтобы распознавать различные типы наборов данных и уметь определять, по крайней мере, элементарные закономерности и тенденции в данных.Используя платформу машинного обучения, такую ​​как IBM, Microsoft, Google и Amazon, инженер машинного обучения должен затем использовать передовые методы и алгоритмы программирования для создания системы, способной принимать данные определенного типа и превращать их в желаемый результат моделирования.

Чем занимается инженер по машинному обучению?

Обладая передовыми навыками в математике, программировании и науке о данных, инженеры машинного обучения оценивают потоки данных и определяют, как лучше всего создавать модели, которые возвращают отточенную информацию для удовлетворения потребностей организации.После написания программ инженеры машинного обучения предоставляют данные, которые помогают системе научиться интерпретировать данные и делать прогнозы или делать выводы. Когда система достаточно обучена, она начинает работать в любых требуемых настройках. Затем инженеры по машинному обучению должны отслеживать производительность системы и оценивать данные, возвращаемые моделированием, чтобы гарантировать их точность. В небольших организациях инженеры по машинному обучению часто выступают в роли специалистов по анализу данных, но в более крупных организациях два специалиста работают совместно, чтобы предоставить чистые данные и создать оптимальную систему машинного обучения, которую специалисты по обработке данных затем будут использовать для доставки необходимых данных.

Инструменты торговли — это платформы машинного обучения, которые затем используются в качестве основы для сложных программ, которые собирают данные и учатся делать наиболее точные идентификации, прогнозы или любые другие требуемые смоделированные выходные данные. Наиболее часто используемые языки программирования включают, но не ограничиваются следующими:

  • Python
  • Java
  • C
  • C ++
  • JavaScript
  • R
  • Scala
  • Julia

Инженеры машинного обучения также должны хорошо разбираться в стандартных алгоритмах, используемых для программирования и моделирования.Иногда требуются индивидуальные алгоритмы или просто изменения стандартных алгоритмов, но знание этих алгоритмов в рамках четырех основных подходов (контролируемое обучение, неконтролируемое обучение, обучение с подкреплением и глубокое обучение) имеет решающее значение. Вот некоторые из наиболее широко используемых алгоритмов:

  • Деревья решений
  • Классификация наивных отсеков
  • Регрессия обыкновенных наименьших квадратов
  • Логистическая регрессия
  • Машины опорных векторов
  • Методы ансамбля
  • Алгоритмы кластеризации
  • Анализ главных компонентов
  • Декомпозиция по сингулярным значениям
  • Анализ независимых компонентов
9 Инженеры машинного обучения также должны записывать свои процессы и результаты и сообщать о выводах своим организациям, а иногда и сторонним заинтересованным сторонам.

Обучающий инженер Должностная инструкция

Хотя основные обязанности инженера по машинному обучению могут быть в значительной степени схожими в разных организациях, детали будут существенно различаться. Это будет зависеть от характера организации, ее основных потребностей и целей в области машинного обучения, а также от уровня опыта инженера по машинному обучению, который требуется. Детали, которые обычно включаются в список желаний сотрудника инженера машинного обучения, включают следующее:

  • Работа с специалистами по обработке данных и бизнес-аналитиками для определения проблем в бизнес-контексте
  • Создание конвейеров данных, извлекающих данные из различных источников
  • Создание и обслуживание моделей обучения и инфраструктуры машинного обучения
  • Выбор подходящих наборов данных и методов представления данных
  • Проектирование статистически строгие методологии экспериментов и анализа
  • Выполнение тестов и экспериментов с машинным обучением
  • Выполнение статистического анализа и точной настройки с использованием результатов тестов
  • Создание пользовательского интерфейса для взаимодействия с моделями машинного обучения посредством моделирования, визуализации метрик модели и сбора экспертов по предметной области обратная связь
  • Участвуйте в проверках кода для обеспечения качества кода и делитесь передовыми практиками и опытом с командой

Опыт и навыки инженера по машинному обучению

Предполагается, что инженеры машинного обучения имеют как минимум степень магистра, а иногда и докторскую степень.D. в информатике или смежных областях. Глубокие знания математики и навыки анализа данных — важнейшие составляющие подготовки инженера по машинному обучению. Поскольку о процессах и результатах необходимо сообщать руководству и / или сторонним заинтересованным сторонам, инженеры по машинному обучению также должны обладать хорошими письменными и устными коммуникативными навыками. Конкретный опыт и знания, которые обычно требуются нанимающим работодателем, также могут включать следующее:

  • Опыт работы с платформами машинного обучения, такими как Microsoft Azure, Google Cloud, IBM Watson и Amazon
  • Знание языков программирования машинного обучения, таких как Python, C, C ++, Java, JavaScript, R и Scala
  • Знания и опыт с вероятность и статистика
  • Знания и опыт моделирования и оценки данных
  • Опыт применения алгоритмов и библиотек машинного обучения
  • Сильные навыки разработки и разработки программного обеспечения

Заработная плата инженера по машинному обучению

Payscale.com оценивает среднюю годовую зарплату инженеров по машинному обучению примерно в 111 000 долларов, плюс бонусы и распределение прибыли. Опыт имеет огромное влияние на доходность инженера по машинному обучению. В среднем должности начального уровня платят около 95000 долларов в год, в то время как инженеры по машинному обучению с опытом работы от пяти до девяти лет получают в среднем около 135000 долларов в год. И доходность там не перестает расти. Инженеры по машинному обучению с 20-летним стажем за плечами в среднем зарабатывают 179000 долларов в год.

Перспективы работы инженера по машинному обучению

Искусственный интеллект и машинное обучение начали широко использоваться только в последние 10–20 лет. Признание того, что машинное обучение может дать бизнесу, все еще распространяется. Ожидается, что в обозримом будущем рост числа рабочих мест в сфере машинного обучения будет одним из самых быстрых в любой отрасли, поэтому перспективы очень радужные.

Как стать инженером по машинному обучению в 2020 году | Джеффри Луппес

Списки навыков устаревают вскоре после написания и часто начинают жить собственной жизнью.И все же я здесь, чтобы составить неполный список навыков и тем для изучения! Набор инструментов настолько широк, что маловероятно, что какой-либо инженер по машинному обучению будет владеть всеми языками, инструментами и концепциями. Пожалуйста, не воспринимайте это как какой-то список вещей, которые вам нужно вычеркнуть на пути машинного обучения, как это вам предложат многие онлайн-ресурсы. Лучше примите к сведению и смотрите на них как на темы в области машиностроения машинного обучения.

Я постараюсь обсуждать концепции больше, чем конкретные инструменты.Таким образом, большая часть этого останется актуальной через пару месяцев или лет.

Наука о данных
  • Python. Изучите стандарты кодирования и некоторые интересные вещи в последних версиях Python. Также полезно иметь базовые знания о R , и ваши специалисты по анализу данных будут вам за это благодарны.
  • Статистика.
  • Оптимизация модели.
  • Проверка модели.
  • Фреймворки ML , такие как sci-kit learn
  • Фреймворки глубокого обучения , такие как TensorFlow и PyTorch
  • Приложения ML , такие как НЛП, компьютерное зрение и анализ временных рядов.
  • Математика . Неявно вы будете использовать много линейной алгебры и исчисления.

Причина, по которой я предпочел бы Python R или любому другому языку, в основном связана с производственным аспектом. Хотя с R можно многое сделать, он часто не поддерживается так же хорошо, как Python. Здесь также играет фактор времени: часто гораздо быстрее создать код на Python, чем на R.

Разработка программного обеспечения
  • Опыт работы за пределами Python на втором языке программирования , таком как Java, C ++ или JavaScript.
  • Облачные предложения . Подробнее об этом позже.
  • Распределенные вычисления
  • Проектирование системы и архитектура программного обеспечения
  • Структуры данных и алгоритмы.
  • Базы данных и языки запросов, которые идут с ним.
  • Контейнеризация (например, Docker, KubeFlow)
  • Функциональное программирование концепции
  • Шаблоны проектирования
  • Big O
  • Разработка API
  • Контроль версий: git
  • Тестирование
  • Управление проектами .Вероятно, самый недооцененный элемент в любой учебной программе SE.
  • CI / CD
  • MLOps

Так как же узнать обо всем этом, если не на работе? Курсы и онлайн-обучение могут быть замечательными, но они не научат вас применять его в реальной жизни. Для таких вещей, как статистика, это не имеет значения, но для технических специалистов, знающих «об этом», это только половина мастерства. Достаточно беглого взгляда на r / learnprogramming на Reddit, чтобы увидеть, что многие люди изо всех сил пытаются перейти от написания кода в защищенной среде IDE в онлайн-курсе к написанию собственных проектов на собственной машине.

По моему опыту, было бы лучше начать работу над проектом самостоятельно, чтобы изучить новый навык, и дополнить свои знания онлайн-обучением, когда у вас уже есть некоторые прикладные знания. Вместо универсальных обучающих программ есть множество онлайн-руководств, которые помогут вам в этом, от создания собственных часов или калькулятора до полноценного веб-приложения. Помните о любом курсе, который обещает, что вы сможете пройти путь от нуля до героя за пару недель или месяцев.

Сертификаты похожи на зверя.Сертификация может быть особенно ценной, если вы занимаетесь консалтингом и хотите показать клиентам, что ваши навыки соответствуют определенным стандартам. Наличие сертификата, соответствующего технологическому стеку клиента, сразу же ставит вас в лидеры. Однако сертификация бесполезна без навыков, в первую очередь подтверждающих это. Теперь представьте, что вы можете получить множество сертификатов, не программируя для них код, и вы увидите, к чему я стремлюсь. Часто время, потраченное на получение сертификата, лучше потратить только на создание приложений.

Тем не менее, есть некоторые сертификаты, которые действительно имеют определенные преимущества для инженеров машинного обучения, особенно для поставщиков облачных услуг. Часто для этих требуется пара лет опыта развертывания приложений на соответствующих платформах , но любой может заплатить 100–300 долларов и зарегистрироваться на сертификационный экзамен. По состоянию на 2020 год стоит упомянуть трех поставщиков облачных услуг: Azure (Microsoft), GCP (Google) и AWS (Amazon). Вот список предлагаемых ими сертификатов, которые интересуют специалиста по машинному обучению.

Значок уровня Microsoft Azure Associate, присуждаемый за сдачу сертификационных экзаменов. Источник

Microsoft Azure:

Microsoft предлагает сертификаты ассоциированного уровня как для специалистов по данным, так и для инженеров искусственного интеллекта, а также около десятка других сертификатов. Некоторые сертификаты на самом деле требуют нескольких экзаменов, но это не относится (пока?) К сертификату Data Scientist и AI Engineer. Темы сертификации немного поверхностны, но нельзя недооценивать экзамен.

Значок, присуждаемый сертифицированным специалистам по обработке данных. Возможность делиться такими значками может быть хорошим подспорьем в личном брендинге. Источник здесь.

Google Cloud Platform:

Google является конкурентом, когда дело доходит до облачных сервисов, и статус их сертификации отражает это. В настоящее время экзамен ML Engineer находится в стадии бета-тестирования, и сертификатов еще не было. Экзамен длится четыре (!) Часа, но представляет собой невероятно исчерпывающий список того, что такое работа инженера по машинному обучению.До введения этой сертификации некоторые темы ML подпадали под сертификацию Data Engineer, поэтому многие инженеры ML, в том числе и я, фактически прошли курс сертификации Data Engineering.

Вы также можете посмотреть сертификаты Google Cloud Architect, Developer или DevOps, но они почти не касаются этого и могут добавить немного шума в ваше резюме, которое выстраивает вас для разных концертов. Я говорю это как сертифицированный облачный архитектор, который научился этому на собственном опыте.С другой стороны, это может сделать ваш профиль более привлекательным.

Значок сертифицированного AWS Машинное обучение — специальность. Взято отсюда.

AWS :

В Amazon есть определенные пути как для аналитических ролей, так и для ролей машинного обучения. Учитывая, что сертификация аналитики данных почти полностью ориентирована на обработку данных и отчетность, я бы предположил, что только специальность машинного обучения представляет интерес для инженеров машинного обучения. Программа их специализации по машинному обучению охватывает множество тем машинного обучения, хотя она не столь исчерпывающая, как сертификация Google.

Итак, какие из них выбрать?

На данный момент Amazon является лидером рынка с долей рынка около 60%. Azure находится на уровне 30%, а GCP — 10%. В то время как рынок в целом быстро растет, AWS постепенно уступает долю рынка Google и Microsoft. Google может показаться неудачником, но у них довольно большой послужной список с инновациями в области искусственного интеллекта и их владение TensorFlow. Кстати, есть еще сертификат на TF. Если работодатель не заставляет вас использовать одного поставщика облачных услуг вместо другого, я бы посоветовал протестировать все три с помощью пробных учетных записей и развертывания домашнего проекта.Выясните, какой из них вам нравится, а также посмотрите, какие компании используют этих поставщиков облачных услуг.

Зачем вам вообще нужны облачные технологии? Что ж, в конечном итоге работа в области науки о данных попадает в производственную среду, и в большинстве случаев она развертывается на облачной платформе. Вам не нужно соревноваться в навыках облачного инженера, но вы должны знать, как реализовать проекты машинного обучения на выбранной вами платформе. Они не часто учат пользоваться облачными консолями {vendor} в формальном месте, например в университете.

У изучения облачной платформы есть обратная сторона: буквально не проходит и недели, чтобы один из этих гигантов не анонсировал новый облачный продукт .Быть в курсе облачных предложений сложно. Наличие большого количества сертификатов также ставит под сомнение, действительно ли вы готовы принять их все.

Вы могли заметить, что до сих пор я не связывался ни с какими курсами или учебными пособиями. Для этого уже есть много ресурсов. Более того, я хочу сказать, что путь к тому, чтобы стать инженером по машинному обучению, лежит через выполнение проектов и получение опыта в этой области, поскольку это не работа начального уровня.

Как стать инженером по машинному обучению

Инженеры по машинному обучению пользуются большим спросом, поскольку все больше компаний внедряют технологии искусственного интеллекта.Поскольку спрос опережает предложение, средняя годовая зарплата инженера по машинному обучению составляет от 125 000 до 175 000 долларов (дополнительную информацию о зарплатах MLE можно найти здесь). А самые высокооплачиваемые компании предлагают более 200 000 долларов на привлечение лучших специалистов. Заинтригованы? Прочтите, чтобы узнать, как стать инженером по машинному обучению.

Если вы хотите получить более полное представление о вариантах карьеры в области машинного обучения, ознакомьтесь с нашими руководствами о том, как стать специалистом по данным и как стать инженером по данным.

Руководство, чтобы стать инженером по машинному обучению


Что такое машинное обучение?

Машинное обучение (ML) — это разновидность искусственного интеллекта (AI). Возможно, вы слышали, как ИИ трансформирует практически каждую отрасль, от транспорта (беспилотные автомобили) до финансов (автоматическая защита от мошенничества). Вы наверняка слышали о специалистах по обработке данных, которых издание Harvard Business Review назвало самой сексуальной работой 21 века.

Машинное обучение включает в себя масштабирование алгоритмов анализа данных до больших наборов данных.Инженеры по обработке данных или инженеры по машинному обучению часто работают с специалистами по обработке данных, которые определяют правила взаимодействия, когда дело доходит до набора данных, и доносят информацию до важнейших участников бизнеса.

Инженеры по машинному обучению работают над тем, чтобы модели, запускаемые специалистами по данным, всегда были эффективными, они всегда получают огромные объемы данных в реальном времени, что делает модели более точными. Они используют фреймворки программирования и инструменты для работы с большими данными, чтобы гарантировать, что конвейеры данных, идущие от необработанных данных, собираемых компанией, до усовершенствованных моделей науки о данных в серверной части, всегда работают и готовы к работе.Они созданы для того, чтобы масштабировать приложения машинного обучения для больших объемов данных, которые сейчас собирают компании.

Прочтение этого вводного списка алгоритмов машинного обучения поможет вам понять, как именно машинное обучение работает в теории. Инженеры по машинному обучению — это программисты, которые гарантируют, что алгоритмы всегда будут получать и обрабатывать соответствующие данные.

Что такое инженер по машинному обучению?

Следующее определение, с которым мы должны работать, — это определение самой позиции инженера по машинному обучению.Как это выглядит на практике и какие навыки машинного обучения требуются?

Вот пример от Apple того, какие навыки машинного обучения ищут работодатели, и что ставят перед инженерами машинного обучения задачи. Вы будете работать с новейшими технологиями и использовать Siri и ее функции в качестве важного пользовательского интерфейса для набора мощных алгоритмов машинного обучения.

Креативность и дух предпринимательства, способные смириться с неудачами в результате экспериментов, являются важной частью любой роли инженера по машинному обучению.

Повседневная жизнь в этом описании должности инженера по машинному обучению оставлена ​​немного широкой, но вы можете видеть, что она включает в себя работу с множеством разных команд, организаций и кодовых баз при написании элегантного кода и освоении новых технологий для создания интерфейса ИИ. людям. Культура Apple, ориентированная на продукты, означает, что вы, вероятно, будете работать в рамках этой структуры, имея при этом независимость для работы и масштабирования с помощью новых технологий искусственного интеллекта.

Связанные : Сравнение карьеры: инженер по машинному обучению vs.Специалист по данным

Вот пример дня из жизни человека, который работает инженером по машинному обучению. Часть начинается с личного утреннего распорядка, а затем разбивается на то, каково это работать с разными моделями в течение дня, в том числе когда проверка кода и сотрудничество с другими членами команды нарушают поток. Посмотрите, хотите ли вы ощутимо записывать средний рабочий день инженера по машинному обучению.

Требования к инженерам по машинному обучению

Как показано в описании должности инженера по машинному обучению от Apple, для успешной карьеры в сфере машинного обучения вам необходимо обладать достаточными техническими навыками.Большинство ролей машинного обучения потребуют использования Python или C / C ++ (хотя часто предпочтительнее использовать Python). Предыстория теории алгоритмов машинного обучения и понимание того, как они могут быть эффективно реализованы с точки зрения как пространства, так и времени, имеют решающее значение.

Вы будете работать с разными алгоритмами и реализовывать их в разных базах кода и настройках, поэтому предыдущий опыт работы на должности разработчика программного обеспечения в компании, которая достигла большой базы кода и некоторого масштаба, будет вам полезен.

Способность понимать последние документы по глубокому обучению и машинному обучению и реализовывать их архитектуру также является важной частью работы инженером по машинному обучению в передовой компании.

Самый простой путь к желаемой карьере, хотя отнюдь не единственный , — это начать с опыта разработки программного обеспечения, а затем получить статистику и знания в области машинного обучения, необходимые для работы инженером по машинному обучению.

Вы также можете быть академиком, который больше занимается теорией машинного обучения, а затем развивать свои навыки разработки программного обеспечения (хотя вы могли бы больше подходить для роли ученого, а не инженера данных, если это так).

Более сложный путь предполагает изучение основ программного обеспечения и теории машинного обучения. Это выполнимо, и необязательно, чтобы люди, самообучающиеся в такой отрасли, как эта, находилась на переднем крае компьютерных технологий, подвергались стигматизации.

Если вы чувствуете, что вам нужны рекомендации, когда вы изучаете, как устроиться на работу в сфере машинного обучения, Springboard запустил первый учебный курс по искусственному интеллекту / машинному обучению с гарантией работы. Он включает индивидуальное наставничество и еженедельные телефонные звонки с вашим собственным наставником по ИИ, а также карьерный коучинг, который поможет вам начать карьеру в области машинного обучения.

Необходимые навыки машинного обучения
Теория машинного обучения

Вам необходимо понимать, как работают алгоритмы машинного обучения, каковы их цели и как их масштабно использовать с данными. Обзор 10 лучших алгоритмов для новичков в машинном обучении познакомит вас с основами наиболее часто используемых алгоритмов машинного обучения, от линейной регрессии до кластеризации k-средних.

Фонд теории информатики

Чтобы создать максимально производительные конвейеры данных, вам необходимо понимать, как работают алгоритмы машинного обучения, а также сколько времени и места они занимают для обработки различных объемов данных.Понимая, как сократить пространство и время, вы сможете реализовать конвейеры машинного обучения, которые могут обрабатывать петабайты данных — важный навык, который необходимо иметь.

Обработка данных

Вам нужно научиться обрабатывать наборы данных и работать с ними, чтобы начать карьеру в области машинного обучения. Обработка данных — это когда специалисты по данным очищают наборы данных и обрабатывают их с помощью моделей машинного обучения. На практике этот процесс включает в себя множество операций по удалению ошибочных значений, проверке данных и последующему преобразованию их в желаемое состояние, чтобы их можно было элегантно преобразовать или обработать с помощью различных алгоритмов.

Для практики в разделе Kaggle есть множество наборов данных, с которыми вы можете поиграться, а также удобные функции поддержки и предыдущие проекты, чтобы вы могли увидеть, какие наборы данных наиболее популярны и как люди спорили с ними в прошлом. .

Связанные : 6 полных проектов машинного обучения и советы по созданию собственного

Знакомство с распределенными вычислениями

Вам нужно будет познакомиться с распределенными вычислениями и средами, которые помогут вам воспользоваться преимуществами обработки данных на серверах на основе облачных вычислений или путем распределения данных между разными серверами, которыми вы владеете.На практике выполнение передовых алгоритмов машинного обучения на очень больших наборах данных будет действительно эффективным только в том масштабе, который вам нужен, чтобы стать инженером по машинному обучению.

Лучшие практики сотрудничества в области кодирования

Вам нужно будет научиться работать с несколькими базами кода и работать с разными командами. Вот почему вы захотите ознакомиться с передовыми практиками проверки кода и изучить различные методы создания интуитивно понятного доступа к вашему коду и экземплярам, ​​от контейнеров Docker до Flask в качестве конструктора API.

Python и его библиотеки

Python — это основа большинства фреймворков для обработки и анализа данных. Вы захотите освоить его и его приложения в разных библиотеках, от Pandas (идеально подходящего для обработки данных) до scikit-learn (поставляется с эффективными предварительно упакованными алгоритмами реализации машинного обучения, которые часто можно вызывать с помощью одной строчки кода).

К счастью, язык Python имеет очень чистый синтаксис и (помимо использования пробелов) очень похож на большинство других языков программирования с точки зрения основ (что упрощает освоение).Он также очень универсален, с библиотеками, которые помогают со всеми видами различных функций, и может принимать многие парадигмы программирования, от объектно-ориентированного до более функционального программирования.

Хороший первый шаг — использовать этот бесплатный интерактивный путь обучения машинному обучению на Python. Затем вы можете перейти к чему-то вроде этой поваренной книги Pandas, чтобы начать работать с данными в Python.

Git и GitHub, Docker, API

Вы захотите получить представление о том, как эффективно использовать Git и GitHub, чтобы быстро сотрудничать с разными командами по разным кодовым базам и по разным моделям.Это руководство по Git может послужить вашим освежающим словом по этой теме.

Контейнеры

Docker позволят вам обмениваться приложениями со всеми упакованными зависимостями и являются важным инструментом совместной разработки программного обеспечения. Вам нужно разобраться в Docker и использовать его, чтобы делиться разработанным вами программным обеспечением.

Вы также захотите узнать, как легко создавать API и получать к ним доступ: они представляют собой систематизированный набор правил как для получения данных, так и для того, чтобы позволить другим получать их.

Spark / Hadoop

Вы захотите потренироваться с помощью среды программирования распределенных данных, которая поможет вам справиться с нагрузкой больших наборов данных, которые могут достигать петабайтов.Это сообщение в блоге о Hadoop vs. Spark поможет вам выбрать, в какой платформе работать, и предложит некоторые начальные шаги для решения обоих вопросов.

Если вы хотите начать работу со Spark, существует реализация Spark на Python, известная как PySpark, а также множество документации и руководств по Spark, особенно с Databricks. SparkML — очень популярная «крупномасштабная» среда машинного обучения. Можно утверждать, что Spark — это будущее, а Hadoop — прошлое. Если вы в это верите, сосредоточьтесь на развитии своих навыков Spark.

Также существует множество руководств по Hadoop. В этом списке перечислены многие из тех, которые могут помочь вам выбрать этот фреймворк.

Машинное обучение / алгоритмы глубокого обучения

К настоящему времени у вас должно быть достаточно хорошее представление о том, как реализовать алгоритмы машинного обучения и глубокого обучения на практике. Вы сможете реализовать старые алгоритмы машинного обучения, такие как линейная и логистическая регрессия, случайные леса и ансамбли. Вы сможете работать с новыми ансамблевыми алгоритмами, такими как XGBoost и Catboost, а также с распространенными архитектурами глубокого обучения, включая рекуррентные нейронные сети, сверточные нейронные сети, LSTM и YOLO (You Only Look Once).

Связанные : AI против машинного обучения против глубокого обучения

TensorFlow

Изучение фреймворка TensorFlow и других библиотек глубокого обучения, таких как Keras, позволит вам использовать возможности нейронных сетей и обучения с подкреплением. Этот учебный сайт посвящен основам TensorFlow и способам его применения к вашим данным.

Хранение данных и конвейеры

Освоив инструменты, необходимые для масштабного приема данных, а затем поработав с ними с использованием различных подходов к машинному обучению, вы захотите объединить все виды различных задач вместе, чтобы построить согласованный конвейер данных.Рассмотрим что-то вроде структуры Луиджи в Spotify. Это помогает вам иметь дело с низкоуровневой сантехникой, чтобы вы могли сосредоточиться на высокоуровневой стратегии того, что вы хотите, чтобы ваш конвейер машинного обучения выполнял.

Вы также захотите иметь достаточно хорошее представление о том, как работать с базами данных SQL и NoSQL. Этот учебник по SQL пригодится, и этот учебник по взаимодействию с JSON в Python поможет вам работать с более неструктурированными данными NoSQL.

Связанные : Наиболее распространенные термины машинного обучения, объяснение

Роли в машинном обучении

Хотя мы конкретно говорили о роли инженера по машинному обучению — а это наиболее распространенная должность для тех, кто создает и развертывает крупномасштабные системы искусственного интеллекта — вы должны знать, что в области машинного обучения есть и другие роли, которые вы также можете введите, если вы просто хотите окунуться в более широкий мир машинного обучения.

Связанные : Как создать сильное резюме по машинному обучению

Это включает, например, роль специалиста по данным или инженера по данным. Glassdoor сообщает, что специалисты по обработке данных зарабатывают 140 000 долларов в год в качестве базовой заработной платы. На практике специалисты по обработке данных часто работают с инженерами по машинному обучению и инженерами по данным, определяя бизнес-логику, настраивая модели данных и передавая информацию о любой работе с данными заинтересованным сторонам бизнеса. Инженеры машинного обучения часто работают с аналитиками данных, но, уделяя больше внимания моделям данных и статистической теории, а также коммуникативным навыкам, они могут ими стать, если захотят.

Инженеры по обработке данных — это более общая категория, к которой относятся инженеры машинного обучения: инженеры машинного обучения, как правило, сосредотачиваются строго на структурах и возможностях работы с большими данными с использованием машинного обучения. Инженеры по обработке данных будут зарабатывать около 150 000 долларов в год в качестве базовой заработной платы.

На практике собеседование на должность по машинному обучению всегда будет включать в себя сочетание теории машинного обучения и программирования, а также обычных вопросов, касающихся межличностных навыков и культуры. Чем больше вы претендуете на должность инженера по обработке данных / инженера по машинному обучению, тем больше ваше собеседование будет похоже на стандартное собеседование по разработке программного обеспечения, в которое будут добавлены некоторые вопросы по машинному обучению.Мы сели с двумя инженерами по машинному обучению, которые рассказали о типичном процессе найма.

Вот некоторые идеи одного из тех инженеров по машинному обучению, которые в настоящее время работают в Airbnb:

«У вас будет одно интервью, в котором много говорится об алгоритмах и инструментах машинного обучения, которые вы можете использовать, и просто оцениваете, действительно ли вы понимаете, что такое машинное обучение. Будет проведено интервью о вашем опыте, где вас спросят, действительно ли вы создавали системы машинного обучения в прошлом и как вы их создавали, что можно было бы сделать лучше — и тому подобное.Кроме того … у нас есть как минимум два интервью по основным ценностям для каждого кандидата, который приходит на Airbnb, потому что для нас культура является самым важным, и мы хотим убедиться, что не испортили его. И, в зависимости от человека, вас также могут пригласить на одно или два собеседования на основе программирования или алгоритмов. Я думаю, что Airbnb любит видеть много возможностей выполнения, то есть вы действительно можете быстро написать код, а затем реализовать его и убедиться, что он работает ».

Связанные : Подготовка к интервью: 40 вопросов по искусственному интеллекту

Как устроиться на работу в машинном обучении

Если вы хотите устроиться на работу в машинном обучении и начать карьеру в этой области, вам нужно подумать о подходе к поиску различных ролей, процессе собеседования и о том, как интегрироваться в новую команду после того, как вы принят на работу.

Вот несколько полезных ресурсов.

Подходы и исследования

Вы вряд ли найдете роли машинного обучения на общих досках по трудоустройству — это, как правило, конкретные роли в крупных компаниях из списка Fortune 500 или небольших технологических стартапах. Лучший способ найти работу в этой сфере — сетевой: использовать информационные собеседования с существующими инженерами по машинному обучению, чтобы узнать об их команде и методах найма, или посетить мероприятия, посвященные машинному обучению, такие как серия O’Reilly Strata.

Если вы хотите поискать в Интернете, как найти работу в сфере машинного обучения, одно из лучших мест для поиска — это AngelList, который, как правило, имеет высокую плотность стартапов и технических вакансий и который помогает напрямую связать вас с менеджерами по найму или рекрутеры. Если вы хотите работать немного усерднее, но получить более качественные связи, менеджеры по найму часто будут размещать сообщения в Hacker News, особенно в темах «Кто нанимает», которые доступны ежемесячно. Последний часто страдает от кучи нецелевых электронных писем, отправленных менеджерам по найму: если вы сможете впечатлить менеджеров по найму своей страстью к проблемам, над которыми они работают, и к проверенным проектам в этой сфере, вы прыгнете над всеми кандидатами и Получите прямую связь с отчаявшимся специалистом по машинному обучению.

Процесс собеседования

После того, как вы соберетесь на собеседование (это может потребовать немало времени, учитывая специализацию и сетевой набор), вам нужно к нему подготовиться. Вот ветка Quora о том, как разные менеджеры по найму подходят к процессу собеседования для машинного обучения. Поскольку это обширная тема и существует множество различных возможностей для применения машинного обучения, вы должны ожидать получения некоторых общих вопросов по теории машинного обучения (например,, в чем разница между ядерными и неядерными методами?), реализация машинного обучения (общий сценарий — пройти через типичный алгоритм, такой как кластеризация K-средних, и попросить вас рассказать о математике и реализации псевдокода без компилятора) и распределенных систем (то, что обычно называют большими данными — как вы обрабатываете большие наборы данных?).

Часто на протяжении всего процесса вам будут задавать поведенческие и фоновые вопросы. Убедитесь, что у вас есть связная история о том, где находится ваша карьера, как машинное обучение и роль, на которую вы претендуете, вписываются в эту историю и как ваш прошлый опыт работы с машинным обучением может помочь команде сейчас.

Связанные : Как улучшить экран телефона: советы от рекрутера

Присоединяйтесь к вашей новой команде

Наконец, если вы получили работу, вы захотите точно узнать, каковы ваши цели и какова ваша роль в команде. Учитывая, что роли машинного обучения, как правило, являются ролями программного обеспечения, вы захотите вплотную заняться созданием высокопроизводительного кода, который легко читать, и научиться общаться как с командами, занимающимися данными, так и с программным обеспечением.Эта серия ответов на Quora о повседневной работе инженера по машинному обучению может помочь в этом отношении.

Связанные : Реальный разговор с инженерами по машинному обучению: смена карьеры, советы по собеседованию и тенденции


Ресурсы для начала работы

Разница между ИИ, машинным обучением и глубоким обучением

Это сообщение в блоге с веб-сайта графического процессора Nvidia (чьи графические процессоры часто используются во многих приложениях искусственного интеллекта в сети) прорезает модные слова, связанные с искусственным интеллектом, и кратко разбирает разницу между машинным обучением, глубоким обучением и общим термином искусственный интеллект.Используйте этот ресурс в качестве напоминания, чтобы держать эти термины концептуально отдельно для себя, или используйте его в качестве введения в эту область для других, кому интересно.

41 Основные вопросы собеседования по машинному обучению — трамплин

Этот список из 41 вопроса на собеседовании по машинному обучению с их решениями поможет вам понять основы машинного обучения и даст вам много возможностей для практики, когда вы начнете свою карьеру в сфере машинного обучения.

TensorFlow и глубокое обучение без докторской степени

Этот интерактивный курс от Google резюмирует как глубокое обучение, так и TensorFlow в доступной и простой форме и служит полезным напоминанием, а также кратким описанием области для новичков.

Вакансии — KDnuggets

В разделе вакансий KDnuggets часто есть ресурсы, связанные с наукой о данных, искусственным интеллектом и машинным обучением. Ознакомьтесь с последними объявлениями о вакансиях, чтобы узнать о потенциальных возможностях карьерного роста в области машинного обучения.

Связанные : 40 бесплатных ресурсов, которые помогут вам изучить машинное обучение самостоятельно


Надеюсь, этот пост был полезен для тех, кто задается вопросом, как стать инженером по машинному обучению.Если вам нужны дополнительные рекомендации, Springboard запустил первый учебный курс по искусственному интеллекту / машинному обучению с гарантией работы. Он сопровождается еженедельным индивидуальным наставничеством со стороны вашего собственного эксперта по ИИ / машинному обучению и карьерным коучингом, что может помочь преодолеть разрыв между теорией, обсуждаемой в этой статье, и реальностью начала карьеры в области машинного обучения. Узнать больше!

Как стать инженером по машинному обучению

Инженеры по машинному обучению сегодня пользуются большим спросом, и по мере того, как все больше компаний внедряют технологии искусственного интеллекта (ИИ), спрос будет только расти.Сегодня существует множество возможностей карьерного роста, и компаниям потребуется еще больше людей с обучением машинному обучению, чтобы заполнить будущие должности.

Информатика, математика, статистика, обработка данных, глубокое обучение и навыки решения проблем имеют решающее значение для инженеров машинного обучения. Чтобы добиться успеха, инженеры по машинному обучению должны посвятить себя изучению нескольких языков программирования и не торопиться при работе со сложными наборами данных и алгоритмами.

Существует множество онлайн-ресурсов для тех, кто хочет стать инженерами по машинному обучению.Однако огромный объем доступной информации затрудняет ее усвоение. Также сложно решить, какой карьерный путь подходит вам, поскольку существует множество возможностей машинного обучения в различных отраслях.

Ниже мы ответим на несколько важных вопросов о том, как стать инженером по машинному обучению, в том числе:

  • Чем занимается инженер по машинному обучению?
  • Какие карьерные возможности доступны инженерам машинного обучения?
  • Нужна ли мне степень, чтобы стать инженером по машинному обучению?
  • Какие навыки мне нужны, чтобы стать инженером по машинному обучению?
  • Как мне стать инженером по машинному обучению?

Обязанности инженера по машинному обучению

Обязанности инженера по машинному обучению схожи с обязанностями специалиста по данным: он работает с огромными объемами данных, ему необходимо управлять данными и выполнять сложное моделирование на основе динамических наборов данных.Они также разрабатывают самоуправляемое программное обеспечение для автоматизации прогнозных моделей, которые используют свои предыдущие результаты для повышения точности при выполнении будущих операций.

Как следует из названия, инженеры по машинному обучению работают с машинным обучением, которое использует алгоритмы для анализа данных и повышения точности прогнозов без вмешательства человека. Машинное обучение также связано с искусственным интеллектом и глубоким обучением, в котором задействованы искусственные нейронные сети, которые используют глубокие наборы данных для «размышлений» и решения сложных проблем.

Машинное обучение имеет множество приложений, в том числе:

  • Распознавание изображений и речи (например, автоматическая пометка изображений, преобразование текста в речь)
  • Предоставление информации о клиентах (например, указание покупателя, купившего продукт 1, и рекомендация продукта 2 )
  • Управление рисками и предотвращение мошенничества (например, финансовые прогнозы, риск невозврата кредитов)

Краткие сведения о работе инженера по машинному обучению

  • Средняя заработная плата инженеров по машинному обучению в 2020 году составляла 147 134 долларов в год.
  • Количество вакансий для инженеров машинного обучения выросло на 344% с 2015 по 2018 год.
  • Инженерам машинного обучения обычно требуется степень магистра или доктора наук в области информатики, разработки программного обеспечения или другой смежной области для наилучших карьерных перспектив.
  • Большинство объявлений о вакансиях в областях, связанных с искусственным интеллектом или машинным обучением, предназначены для инженеров машинного обучения.

Карьерные возможности инженера по машинному обучению

Есть много возможностей для карьерного роста для инженеров машинного обучения, поскольку растет спрос во многих различных отраслях, включая здравоохранение, образование, розничную торговлю, производство, цепочки поставок и логистику.Расширение использования ИИ и глубокого обучения во многих отраслях также вызовет рост спроса на инженеров по машинному обучению.

По мере развития вашего опыта и знаний необходимых языков программирования и других аспектов должности вы откроете для себя новые возможности карьерного роста в качестве инженера по машинному обучению.

Типы должностей инженера по машинному обучению:

  • Инженер по машинному обучению: Использование алгоритмов и инструментов машинного обучения для проектирования и разработки систем и приложений
  • Специалист по данным: Использование больших данных, искусственного интеллекта, машинного обучения и аналитики инструменты для сбора, обработки, анализа и интерпретации больших объемов данных
  • NLP ученый: Проектирование и разработка машин и приложений для изучения моделей человеческой речи и перевода произнесенных слов на другие языки
  • Разработчик программного обеспечения / инженер : Проектирование, разработка и установка программных решений на машинном языке, создание компьютерных функций, подготовка документации по продукту для визуализации, тестирование кода, создание технических спецификаций и обслуживание систем
  • Разработчик машинного обучения, ориентированного на человека: Создание интеллектуальных систем для обучения людей ‘предпочтения и модели поведения через информативную n обработка и распознавание образов

Инженер по машинному обучению должен получить образование

Большинство работодателей будут нанимать только инженеров по машинному обучению, имеющих как минимум степень магистра в области информатики, математики, статистики или смежных областях.

Получение степени магистра предоставит знания в области программирования (например, Python, R, Java), понимание структур машинного обучения (например, TensorFlow, Keras) и продвинутые математические навыки (например, линейная алгебра, байесовская статистика).

Профессиональная сертификация Amazon или аккредитованной ассоциации также поможет вам выделиться в этой области.

Навыки, необходимые, чтобы стать инженером по машинному обучению

Чтобы стать инженером по машинному обучению, вам необходимо выучить один или несколько языков программирования, таких как Python, Java и R.Вам также может потребоваться изучить C ++, C, JavaScript, Scala и Julia. Вам также необходимо будет развивать навыки, сочетая образование и практический опыт.

  • Основы информатики и программирования: Создание структур данных (например, стеки, очереди, многомерные массивы), применение алгоритмов (например, поиск, сортировка, оптимизация), понимание вычислимости и сложности (например, P vs. NP , NP-полные задачи, приближенные алгоритмы) и разработка компьютерной архитектуры (например,g., память, кеш, пропускная способность).
  • Вероятность и статистика: Применяйте методы, используемые для оценки вероятности (например, байесовские сети, марковские процессы принятия решений, скрытые марковские модели), вычисляйте статистические меры и распределения (например, равномерные, нормальные, биномиальные) и применяйте аналитические методы (например, ANOVA, проверка гипотез) для построения и проверки моделей на основе наблюдаемых данных.
  • Моделирование и оценка данных: Оцените базовую структуру данного набора данных, найдите полезные шаблоны (например,g., корреляции, кластеры), прогнозировать свойства невидимых экземпляров (например, классификация, регрессия), выбирать соответствующие меры точности / ошибки (например, логарифм потерь для классификации, сумма квадратов ошибок для регрессии) и оценивать стратегии (например, разделение на обучение и тестирование, последовательная и рандомизированная перекрестная проверка).
  • Алгоритмы и библиотеки машинного обучения: Найдите подходящие модели для применения библиотек, пакетов и API (например, Spark MLlib, TensorFlow), создайте процедуры обучения для соответствия данным (например, Spark MLlib, TensorFlow).g., линейная регрессия, градиентный спуск, генетические алгоритмы), а также ознакомление с преимуществами и недостатками различных подходов (например, смещение и дисперсия, недостающие данные, утечка данных).
  • Разработка программного обеспечения и системное проектирование: Понять, как элементы работают вместе, взаимодействовать с системами (например, вызовы библиотек, запросы к базе данных) и создавать интерфейсы.

Как стать инженером по машинному обучению

Лучше всего разработать стратегию, прежде чем подавать заявку на должность инженера по машинному обучению.Определите, в какой отрасли вы хотите работать, и каким инженером по машинному обучению вы хотите стать.

Когда у вас будет соответствующая степень бакалавра, вы, возможно, захотите получить должность с карьерой, ведущей к тому, чтобы стать инженером по машинному обучению. Это может быть работа инженером-программистом, программистом или разработчиком, специалистом по обработке данных или компьютерным инженером.

Пока вы работаете по одной из этих профессий, вы можете получить степень магистра или доктора в области компьютерных наук или разработки программного обеспечения.

Будьте в курсе текущих алгоритмов, языков программирования и библиотек машинного обучения. Пройдите курсы повышения квалификации и обновите свои профессиональные сертификаты.

Создайте свою сеть и узнайте больше о роли, общаясь с другими инженерами по машинному обучению в LinkedIn, которые будут держать вас в курсе вакансий и отраслевых ожиданий. Спросите у своих знакомых о том, как построить карьеру инженера по машинному обучению.

Советы по подаче заявки на вакансии инженера машинного обучения

  • Обновите свои знания, навыки и сертификаты в своем резюме перед тем, как подавать заявление о приеме на работу.Выделите навыки, рекламируемые в объявлениях о вакансиях, и перечислите свои предыдущие достижения.
  • Напишите сопроводительное письмо, чтобы объяснить, как ваш опыт делает вас идеальным для этой роли. Опишите, почему вы хотите работать с организацией и почему они должны нанять вас.
  • Включите соответствующие ссылки, но сначала спросите у них разрешение и убедитесь, что их контактная информация верна.
  • Найдите на досках вакансий инженера по машинному обучению.

Начните свой путь к тому, чтобы стать инженером по машинному обучению

Машинное обучение предлагает множество возможностей для потенциальной карьеры, и люди в этой области получают высокую заработную плату и имеют хорошее будущее.Сейчас прекрасное время, чтобы сделать карьеру инженера по машинному обучению.

Узнайте, какие вакансии вас больше всего заинтересуют и какие должности доступны в желаемой области, а также какие навыки и опыт требуются. Подумайте о том, чтобы использовать свои навыки для анализа данных и сформулировать план своей карьеры инженера по машинному обучению.

Рекомендуемые ресурсы

Отчет о безопасности удаленного персонала

Ключевые проблемы, угрозы безопасности и инвестиционные приоритеты организаций во время пандемии

Загрузить сейчас

Локальное хранилище vs.общедоступное облачное хранилище

Экономические преимущества локального объектного хранилища по сравнению с общедоступным облаком для корпоративного хранилища данных

Загрузить сейчас

Будущее CIAM

Четыре тенденции, формирующие управление идентификацией и доступом

Загрузить сейчас

Реализация преимуществ автоматизированного машинного обучения

Как преодолеть препятствия машинному обучению и начать пожинать плоды

Загрузить сейчас

Как преодолеть ажиотаж в отношении ИИ и стать инженером по машинному обучению

Я уверен, что вы слышали о невероятных приложениях искусственного интеллекта — от программ, которые могут превзойти лучших в мире игроков в го, до беспилотных автомобилей.

Проблема в том, что большинство людей увлекаются шумихой об ИИ, смешивая технические дискуссии с философскими.

Если вы хотите преодолеть ажиотаж в области ИИ и работать с практически реализованными моделями данных, станьте инженером по обработке данных или инженером по машинному обучению.

Не ищите интересные приложения ИИ в статьях по ИИ. Ищите их в руководствах по инженерии данных или машинному обучению.

Снимок экрана Twitter, который, возможно, лучше всего резюмирует

Это шаги, которые я предпринял, чтобы создать этот забавный маленький скребок, который я построил для анализа гендерного разнообразия в различных учебных курсах по кодированию.Это мой путь, по которому я проводил исследования для нового онлайн-учебного лагеря Springboard AI / ML с гарантией работы.

Вот пошаговое руководство по проникновению в сферу машинного обучения с критическим набором ресурсов, прикрепленных к каждой из них.

1. Начните освежать свои знания Python и практики разработки программного обеспечения

Вы захотите начать с использования Python, языка, который предпочитает большинство инженеров по машинному обучению.

Удобный язык сценариев — предпочтительный инструмент для большинства инженеров и специалистов по обработке данных.Большинство инструментов для работы с данными построены на Python или имеют доступ к API для облегчения доступа к Python.

К счастью, синтаксис Python относительно легко понять. На языке есть масса документации и учебных материалов. Он также включает поддержку всех видов парадигм программирования от функционального программирования до объектно-ориентированного программирования.

Одна вещь, которую может быть немного сложно понять, — это табуляция и интервалы, необходимые для организации и активации вашего кода. В Python действительно важны пробелы.

Как инженер по машинному обучению вы будете работать в команде над созданием сложных, часто критически важных приложений. Итак, сейчас хорошее время, чтобы освежить в памяти передовой опыт разработки программного обеспечения.

Научитесь использовать инструменты для совместной работы, такие как Github. Возьмите за привычку писать подробные модульные тесты для своего кода, используя среды тестирования, такие как нос. Протестируйте свои API с помощью таких инструментов, как Postman. Используйте системы CI, такие как Jenkins, чтобы убедиться, что ваш код не ломается. Развивайте хорошие навыки проверки кода, чтобы лучше работать со своими будущими коллегами-техническими специалистами.

Одна вещь, которую стоит прочитать : какая Python IDE лучшая для науки о данных? Сделайте быстрое чтение, чтобы понять, с каким набором инструментов вы хотите работать для реализации Python в наборах данных.

Я сам использую Jupyter Notebook, поскольку он предустановлен с большинством важных библиотек науки о данных, которые вы будете использовать. Он поставляется с простым и понятным интерактивным интерфейсом, который позволяет редактировать код на лету.

Jupyter Notebook также поставляется с расширениями, которые позволяют легко делиться своими результатами со всем миром.С созданными файлами очень легко работать на Github.

Одно дело : Pandas Cookbook позволяет вам использовать живые примеры фреймворка Pandas, одной из самых мощных библиотек для работы с данными. Вы можете быстро изучить пример того, как играть с набором данных через него.

2. Изучите основы и теорию машинного обучения

После того, как вы поиграете с Python и начнете с ним практиковаться, пора начать изучать теорию машинного обучения.

Вы узнаете, какие алгоритмы использовать. Базовые знания теории машинного обучения позволят вам с легкостью реализовывать модели.

Одна вещь, которую стоит прочитать : Обзор десяти лучших алгоритмов для новичков в области машинного обучения поможет вам начать работу с основами. Вы узнаете, что «бесплатного обеда» не бывает. Не существует алгоритма, который даст вам оптимальный результат для каждой настройки, поэтому вам придется погрузиться в каждый алгоритм.

Одно дело : поиграйте с интерактивным бесплатным машинным обучением в курсе Python — развивайте свои навыки Python и приступайте к реализации алгоритмов.

3. Начните работать с наборами данных и экспериментировать.

У вас есть инструменты и теория. Вам следует подумать о выполнении небольших мини-проектов, которые помогут вам улучшить свои навыки.

Одна вещь, которую стоит прочитать : взгляните на 19 бесплатных общедоступных наборов данных для вашего первого проекта в области науки о данных и начните искать, где вы можете найти различные наборы данных в Интернете, чтобы поиграть с ними.

Одно дело : Наборы данных Kaggle позволят вам работать с большим количеством общедоступных наборов данных.Что здорово в этой коллекции, так это то, что вы можете видеть, насколько популярны определенные наборы данных. Вы также можете увидеть, какие другие проекты были созданы с тем же набором данных.

4. Масштабируйте свои навыки работы с данными с помощью Hadoop или Spark

Теперь, когда вы практикуетесь с небольшими наборами данных, вам нужно научиться работать с Hadoop или Spark. Инженеры по обработке данных работают с потоковыми данными производственного уровня в реальном времени в масштабе терабайта, а иногда и петабайта. Повышайте квалификацию, изучая свой путь в среде больших данных.

Одна вещь, которую стоит прочитать : Эта короткая статья Как Hadoop и Spark складываются друг в друга? поможет вам разобраться в Hadoop и Spark, а также узнать, как они сравниваются и контрастируют друг с другом.

Одно дело : если вы хотите сразу же начать работу с платформой больших данных, записные книжки Spark Jupyter, размещенные на Databricks, предлагают вводный курс на уровне руководства и дают вам возможность попрактиковаться с примерами кода производственного уровня. .

5. Работайте с фреймворком глубокого обучения, например TensorFlow

. Вы закончили изучение алгоритмов машинного обучения и работу с различными инструментами для работы с большими данными.

Пришло время заняться мощным обучением с подкреплением, которое было в центре внимания новых достижений. Изучите фреймворк TensorFlow, и вы будете в авангарде машинного обучения.

Одна вещь, которую стоит прочитать : Прочитать Что такое TensorFlow? и понять, что происходит внутри, когда дело доходит до этой мощной платформы глубокого обучения.

Одно дело : TensorFlow и глубокое обучение без докторской степени — это интерактивный курс, созданный Google, который объединяет теорию, размещенную на слайдах, с практическими лабораторными работами с кодом.

6. Начните работать с большими наборами данных производственного уровня

Теперь, когда вы работали с фреймворками глубокого обучения, вы можете приступить к работе с большими наборами данных производственного уровня.

Как инженер по машинному обучению вы будете принимать сложные инженерные решения по управлению большими объемами данных и развертыванию ваших систем.

Это будет включать сбор данных из API и веб-скрейпинг, базы данных SQL + NoSQL и, когда вы будете их использовать, использование конвейерных структур, таких как Luigi или Airflow.

При развертывании приложений вы можете использовать системы на основе контейнеров, такие как Docker, для масштабируемости и надежности, и такие инструменты, как Flask, для создания API-интерфейсов для вашего приложения.

Одна вещь, которую стоит прочитать : 7 способов обработки больших файлов данных для машинного обучения — это хорошее теоретическое упражнение о том, как вы будете обрабатывать большие наборы данных, и оно может служить удобным контрольным списком тактик для использования.

Одно дело : Общедоступные наборы больших данных — это список мест, где вы можете получить очень большие наборы данных, готовые попрактиковаться в ваших новообретенных навыках инженерии данных.

7. Практика, практика, практика, создание портфолио, а затем работа

Наконец, вы подошли к моменту, когда вы можете создавать рабочие модели машинного обучения. Следующим шагом на пути к развитию карьеры в области машинного обучения является поиск работы в компании, которая хранит эти большие наборы данных, чтобы вы могли ежедневно применять свои навыки для решения передовых задач машинного обучения.

Одна вещь, которую стоит прочитать : 41 Основные вопросы для собеседования по машинному обучению (с ответами) помогут вам на практике получить знания, необходимые для успешного прохождения собеседования по машинному обучению.

Одно дело : сходите на встречу, посвященную машинному обучению или инженерии данных, на Meetup — это отличный способ познакомиться с коллегами в этой сфере и потенциальными менеджерами по найму.

Надеюсь, это руководство помогло преодолеть ажиотаж вокруг ИИ и создать что-то практичное и индивидуальное, что вы можете использовать. Если вы чувствуете, что вам нужно немного больше, компания Springboard, с которой я работаю, предлагает учебный курс по карьерному росту, посвященный искусственному интеллекту и машинному обучению, с гарантией работы и наставничеством 1: 1 со стороны экспертов по машинному обучению.

Как стать инженером по машинному обучению: шпаргалка

Если вы хотите сделать карьеру в области ИИ и не знаете, с чего начать, вот ваш путеводитель по лучшим языкам программирования и навыкам, которые нужно изучить, вопросы собеседования, зарплаты и многое другое.

Инженеры по машинному обучению

, то есть продвинутые программисты, разрабатывающие машины и системы с искусственным интеллектом (ИИ), которые могут изучать и применять знания, пользуются большим спросом, поскольку все больше компаний внедряют эти технологии.Эти профессионалы выполняют сложное программирование и работают со сложными наборами данных и алгоритмами для обучения интеллектуальных систем.

Подробнее об искусственном интеллекте

Хотя многие опасаются, что ИИ скоро заменит рабочие места, на этом этапе развития технологии он все еще создает должности, подобные инженерам по машинному обучению, поскольку компаниям нужны высококвалифицированные сотрудники для разработки и обслуживания широкого спектра приложений.

Чтобы помочь тем, кто интересуется этой областью, лучше понять, как начать карьеру в машинном обучении, мы собрали наиболее важные детали и ресурсы. Это руководство о том, как стать инженером по машинному обучению, будет регулярно обновляться.

SEE: Управление AI и ML на предприятии (специальный отчет ZDNet) | Скачать отчет в формате PDF (TechRepublic)

Что такое машинное обучение?

По словам авторов TechRepublic Хоуп Риз и Брэндона Вильяроло, машинное обучение — это ветвь ИИ, которая дает компьютерным системам возможность автоматически учиться и совершенствоваться на основе опыта, а не быть явно запрограммированным.В машинном обучении компьютеры используют огромные наборы данных и применяют алгоритмы для обучения и прогнозирования.

Системы машинного обучения

способны быстро применять знания и обучение на основе больших наборов данных для выполнения распознавания лиц, речи, распознавания объектов, перевода и многих других задач.

Дополнительные ресурсы

Почему существует повышенный спрос на инженеров по машинному обучению?

Спрос на таланты искусственного интеллекта, в том числе инженеров машинного обучения, стремительно растет: в период с июня 2015 года по июнь 2018 года количество объявлений о вакансиях с использованием «ИИ» или «машинного обучения» увеличилось почти на 100%, согласно отчету сайта поиска работы Indeed .В отчете говорится, что процент поисков по этим запросам на Indeed также увеличился на 182% за этот период времени.

«У работодателей растет потребность в талантах в области искусственного интеллекта», — сказал TechRepublic Радж Мукерджи, старший вице-президент по продуктам компании Indeed. «По мере того, как компании продолжают внедрять решения или разрабатывать собственные, вполне вероятно, что спрос со стороны работодателей на эти навыки будет продолжать расти».

SEE: ИТ-вакансии 2018: приоритеты найма, области роста и стратегии для заполнения открытых должностей (Tech Pro Research)

Что касается конкретных должностей, 94% объявлений о вакансиях, содержащих терминологию ИИ или машинного обучения, были для машин Обучающиеся инженеры, найден отчет.И 41% вакансий инженеров по машинному обучению были открыты через 60 дней.

«Программное обеспечение пожирает мир, а машинное обучение пожирает программное обеспечение», — сказал TechRepublic Виталий Гордон, вице-президент по обработке и анализу данных и разработке программного обеспечения Salesforce Einstein. «Инженерия машинного обучения — это дисциплина, которая требует программирования производственного уровня, машинного обучения на уровне доктора философии и деловой хватки менеджера по продукту. Поиск таких редких людей может вывести компанию из последователя в лидера в своей области, и каждый ищет их.»

Дополнительные ресурсы

Каковы некоторые должности инженера по машинному обучению?

Инженеры по машинному обучению могут выбрать несколько различных карьерных путей. Вот несколько ролей в этой области и требуемые навыки, согласно Udacity

  • Инженер-программист, машинное обучение: основы информатики и программирование, разработка программного обеспечения и проектирование систем
  • Инженер прикладного машинного обучения: основы информатики и программирование, применение алгоритмов и библиотек машинного обучения
  • Основной инженер машинного обучения: информатика основы и программирование, применение алгоритмов и библиотек машинного обучения, моделирование и оценка данных

Дополнительные ресурсы

Какие языки программирования лучше всего изучать, чтобы стать инженером по машинному обучению?

Python и R — самые популярные программы языки для машинного обучения, обработки данных и аналитики, согласно опросу KDnuggets.В 2018 году у Python было 66% голосов избирателей, которые использовали этот инструмент, что на 11% больше, чем в 2017 году. Между тем, доля R составила 49% в 2018 году, что на 14% меньше, чем в 2017 году.

В отчете IBM оцениваются Python, Java , и R в качестве основных языков для инженеров машинного обучения, за которыми следуют C ++, C, JavaScript, Scala и Julia.

SEE: Все шпаргалки TechRepublic и руководства для умных людей

При разработке приложений машинного обучения этапы обучения и эксплуатации алгоритмов различаются, как сообщает наш дочерний сайт ZDNet.Поэтому некоторые люди используют один язык на этапе обучения, а другой — на этапе эксплуатации.

«Для« обычного машинного обучения »не имеет значения, какой язык вы используете», — сказал ZDNet Луис Эдуардо Ле Массон, руководитель отдела науки о данных в Stone Co. «Но когда вам нужно иметь реальные алгоритмы онлайн-обучения и выводы в реальном времени для миллионов одновременных кластеров и реагировать менее чем за 500 мс, тема затрагивает не только языки, но и архитектуру, дизайн, управление потоком, отказоустойчивость, отказоустойчивость.»

Дополнительные ресурсы

Какие еще навыки необходимы, чтобы стать инженером по машинному обучению?

Как правило, инженеры по машинному обучению должны обладать навыками в области информатики и программирования, математики и статистики, науки о данных, глубокого обучения и решения проблем .Согласно Udacity, вот некоторые из необходимых навыков.

  • Основы информатики и программирование: Структуры данных (стеки, очереди, многомерные массивы, деревья, графики), алгоритмы (поиск, сортировка, оптимизация, динамическое программирование), вычислимость и сложность (P vs.NP, NP-полные задачи, нотация big-O, приблизительные алгоритмы) и архитектура компьютера (память, кеш, пропускная способность, взаимоблокировки, распределенная обработка).
  • Вероятность и статистика: Формальная характеристика вероятности (условная вероятность, правило Байеса, правдоподобие, независимость) и методы, производные от нее (сети Байеса, процессы принятия решений Маркова, скрытые модели Маркова). Статистические меры (среднее, медиана, дисперсия), распределения (равномерное, нормальное, биномиальное, Пуассона) и методы анализа (ANOVA, проверка гипотез).
  • Моделирование и оценка данных: Поиск закономерностей (корреляции, кластеры, собственные векторы), прогнозирование свойств ранее невидимых экземпляров (классификация, регрессия, обнаружение аномалий) и определение правильной меры точности / ошибки (например, логарифмических потерь для классификации , или сумма квадратов ошибок для регрессии) и стратегии оценки (разделение на обучение и тестирование, последовательная и рандомизированная перекрестная проверка).
  • Применение алгоритмов и библиотек машинного обучения: Стандартные реализации алгоритмов машинного обучения доступны через библиотеки, пакеты и API (например, scikit-learn, Theano, Spark MLlib, h3O и TensorFlow).Их эффективное применение означает выбор правильной модели (дерево решений, ближайший сосед, нейронная сеть, машина опорных векторов, ансамбль из нескольких моделей) и процедуры обучения для соответствия данным (линейная регрессия, градиентный спуск, генетические алгоритмы, упаковка, повышение и другие методы, специфичные для модели), а также понимание того, как гиперпараметры влияют на обучение.
  • Разработка программного обеспечения и проектирование систем: Машиностроители обычно работают над программным обеспечением, которое вписывается в более крупную экосистему продуктов и услуг.Это означает, что им необходимо понимать, как разные части работают вместе, взаимодействуют с частями (используя библиотечные вызовы, REST API и запросы к базе данных) и создают интерфейсы для вашей части, которые могут использовать другие. Это включает в себя знание передовых методов проектирования систем и разработки программного обеспечения (включая анализ требований, проектирование системы, модульность, контроль версий, тестирование и документацию).

Дополнительные ресурсы

Какова средняя зарплата инженера по машинному обучению?

Инженеры машинного обучения в США получают среднюю зарплату 134 449 долларов, согласно данным Indeed.Что касается должностей, связанных с ИИ, он занимает третье место по зарплате после директора по аналитике (140 837 долларов) и главного ученого (138 271 доллар).

Дополнительные ресурсы

Где самые горячие рынки для вакансий инженеров по ИИ и машинному обучению?

По данным Indeed, в Нью-Йорке самая высокая концентрация рабочих мест в сфере ИИ: там находится почти 12% всех объявлений о вакансиях в сфере ИИ. В Нью-Йорке также самая высокая концентрация объявлений о вакансиях инженеров по обработке данных, специалистов по данным и директоров по аналитике среди всех городских агломераций США, которые потенциально поддерживают расположенные там центры медиа, моды и банковской индустрии, как обнаружил Indeed.

После Нью-Йорка по концентрации рабочих мест в области ИИ идут Сан-Франциско (10%), Сан-Хосе, Калифорния (9%), Вашингтон, округ Колумбия (8%), Бостон (6%) и Сиэтл (6%). В Сан-Хосе больше всего сообщений для инженеров машинного обучения, в частности, для инженеров-алгоритмов, инженеров компьютерного зрения и инженеров-исследователей.

Дополнительные ресурсы

Каковы типичные вопросы собеседования с инженером по машинному обучению?

Те, кто подает заявку на вакансии в области машинного обучения, могут ожидать во время собеседования ряд различных типов вопросов, проверяя свои навыки в области математики и статистики, науки о данных, глубокого обучения, программирования и решения проблем.

Вот некоторые вопросы, которые инженеры по машинному обучению могут ожидать во время собеседования:

  • Над чем вы работали последние несколько лет?
  • С какими инструментами искусственного интеллекта и машинного обучения вы знакомы и насколько хорошо ими владеете?
  • Что вы делаете, чтобы оставаться в курсе меняющихся технологий?
  • Как вы очищаете и готовите данные, чтобы обеспечить их качество и актуальность?
  • Как вы обрабатываете отсутствующие или поврежденные данные в наборе данных?
  • Каковы этические последствия использования машинного обучения?

Также важно, чтобы соискатель пришел на собеседование с вопросами к менеджеру по найму, сказал TechRepublic Дэйв Кастильо, управляющий вице-президент по машинному обучению в Capital One.

«Интервью — это двусторонний разговор», — сказал Кастильо. «Так же важны, как и вопросы, которые мы задаем, и вопросы, которые нам задают кандидаты. Мы хотим убедиться, что не только кандидат является правильным выбором для компании, но и компания является правильным выбором для кандидата».

Дополнительные ресурсы

Где я могу найти ресурсы для карьеры в области машинного обучения?

Есть разные пути к карьере инженера по машинному обучению.Хорошее место для начала — изучение языка программирования, такого как Python, R или Java. Для специфики машинного обучения доступен ряд массовых открытых онлайн-курсов (МООК), онлайн-программ и сертификатов, включая классы по Coursera и edX, а также наноразмер от Udacity.

Вы также можете получить практический опыт, выполняя реальные проекты с реальными данными на таких сайтах, как Kaggle. Также может помочь участие в местных организациях, таких как встречи или хакатоны, чтобы учиться у других в этой области.

Дополнительные ресурсы

Информационный бюллетень для руководителей

Раскройте секреты успеха ИТ-лидерства с помощью этих советов по управлению проектами, бюджетам и решению повседневных задач.Доставка по вторникам и четвергам

Зарегистрироваться Сегодня

См. Также

Изображение: iStockphoto / Gorodenkoff Productions OU

.

Отставить комментарий

Обязательные для заполнения поля отмечены*