«Я хочу изучать искусственный интеллект и машинное обучение. С чего начать?

Как я прошел путь от гения Apple до неудачного стартапа, от водителя Uber до инженера по машинному обучению

Я работал в Apple Store и хотел перемен. Чтобы начать строить технику, которую я обслуживал.

Я начал изучать машинное обучение (ML) и искусственный интеллект (AI).

Столько всего происходит. Слишком много.

Каждую неделю кажется, что Google или Facebook выпускают новый тип ИИ, чтобы ускорить работу или улучшить наш опыт.

И не заводите меня на количество компаний, производящих автомобили с автоматическим управлением. Хотя это хорошо. Я не любитель вождения, а дороги опасны.

Даже несмотря на то, что все это происходит, до сих пор нет согласованного определения того, что такое искусственный интеллект.

Некоторые утверждают, что глубокое обучение можно считать ИИ, другие скажут, что это не ИИ, если оно не пройдет тест Тьюринга.

Это отсутствие определенности действительно тормозило мой прогресс в начале. Было трудно выучить что-то, у чего было так много разных определений.

Хватит определений.

Как я начал?

Мы с друзьями создавали веб-стартап. Это не удалось. Мы отказались из-за отсутствия смысла. Но по ходу дела я все больше и больше слышал об машинном обучении и искусственном интеллекте.

«Компьютер учится за вас?» Я не мог в это поверить.

Я наткнулся на наностепень глубокого обучения Udacity. В одном из промо-роликов был забавный персонаж по имени Сирадж Раваль. Его энергия была заразительна. Несмотря на то, что я не отвечал базовым требованиям (до этого я никогда не писал ни строчки на Python), я подписался.

За 3 недели до даты начала курса я написал в службу поддержки Udacity по электронной почте и спросил, какова политика возврата средств. Я боялась, что не смогу закончить курс.

Я не получил возврат. Я прошел курс в установленные сроки. Это было сложно. Временами действительно тяжело. Мои первые два проекта были сданы с опозданием на четыре дня. Но волнение от участия в одной из самых важных технологий в мире двигало меня вперед.

Завершив наностепень глубокого обучения, я был гарантированно принят в наностепень ИИ Udacity, наностепень самоуправляемого автомобиля или наностепень робототехники. Все отличные варианты.

Я снова потерялся.

Классический. «Куда мне идти дальше?»

Мне нужна была учебная программа. Я заложил фундамент с помощью Наностепени глубокого обучения, теперь пришло время выяснить, что будет дальше.

Моя самодельная степень магистра искусственного интеллекта

Я не планировал возвращаться в университет в ближайшее время. В любом случае, у меня не было 100 000 долларов на приличную степень магистра.

Так что я сделал то, что я сделал в начале. Обратился к своему наставнику, Google, за помощью.

Я погрузился в глубокое обучение без каких-либо предварительных знаний в этой области. Вместо того, чтобы взобраться на вершину айсберга ИИ, вертолет высадил меня на вершину.

Изучив кучу курсов, я составил список тех, которые меня больше всего интересовали в Trello.

Я знал, что онлайн-курсы имеют высокий процент отсева. Я не собирался позволять себе быть частью этого числа. У меня была миссия.

Чтобы взять на себя ответственность, я начал делиться своим обучением в Интернете. Я подумал, что смогу попрактиковаться в передаче того, что узнал, а также найти других людей, которым интересно то же, что и мне. Мои друзья до сих пор думают, что я инопланетянин, когда я отправляюсь в одну из своих авантюр с искусственным интеллектом.

Я сделал доску Trello общедоступной и написал в блоге сообщение о своих усилиях.

Учебный план немного изменился с тех пор, как я впервые написал его, но он по-прежнему актуален. Я заходил на доску Trello несколько раз в неделю, чтобы отслеживать свои успехи.

Получить работу

Я австралиец. И все волнения, казалось, происходили в США.

Поэтому я поступил наиболее логично и купил билет в один конец. Я учился год и решил, что пора начать применять свои навыки на практике.

Мой план состоял в том, чтобы перебраться в США и получить работу.

Затем Эшли написала мне в LinkedIn: «Привет, я видела твои посты, они действительно крутые, я думаю, тебе стоит познакомиться с Майком».

Я рассказал ему свою историю онлайн-обучения, как я люблю медицинские технологии и о своих планах поехать в США.

«Возможно, вам лучше остаться здесь на год или около того и посмотреть, что вы можете найти, я думаю, вы хотели бы встретиться с Кэмерон».

У нас была похожая беседа, о которой мы с Майком говорили. Здоровье, технологии, онлайн-обучение, США.

«Мы работаем над некоторыми проблемами со здоровьем, почему бы вам не прийти в четверг?»

Наступил четверг. Я нервничал. Но кто-то однажды сказал мне, что нервничать — это то же самое, что быть взволнованным. Я обрадовался.

Я провел день, встречаясь с командой Max Kelsen и с проблемами, над которыми они работали.

Двумя четвергами позже Ник, генеральный директор, Аттон, ведущий инженер по машинному обучению, и я пошли выпить кофе.

«Как бы вы хотели присоединиться к команде?» — спросил Ник.

Мой рейс в США отложили на пару месяцев, и я купил обратный билет.

Делитесь своей работой

Учась онлайн, я знал, что это нетрадиционно.Все должности, на которые я собирался претендовать, требовали степени магистра или, по крайней мере, какой-либо технической степени.

У меня не было ни того, ни другого. Но у меня были навыки, полученные на множестве онлайн-курсов.

Попутно я делился своими работами в Интернете. Мой GitHub содержал все проекты, которые я сделал, мой LinkedIn был сложен, и я практиковался в передаче того, что я узнал, через YouTube и статьи на Medium.

Я никогда не подавал резюме Максу Кельзену. «Мы видели ваш профиль в LinkedIn».

Моя работа была моим резюме.

Независимо от того, учитесь ли вы онлайн или в магистратуре, наличие портфолио того, над чем вы работали, — отличный способ создать шкуру в игре.

Навыки машинного обучения и искусственного интеллекта востребованы, но это не значит, что вам не нужно их демонстрировать. Даже самый лучший продукт не будет продаваться без места на полке.

Будь то GitHub, Kaggle, LinkedIn или блог, найдите место, где люди смогут вас найти. Кроме того, иметь собственный уголок в Интернете — это очень весело.

Как начать?

Куда вы идете, чтобы получить эти навыки? Какие курсы лучше?

Нет лучшего ответа. Путь у всех будет разным. Некоторые люди лучше учатся с помощью книг, другие лучше учатся с помощью видео.

Что более важно, чем то, как вы начинаете, так это то, почему вы начинаете.

Почему вы хотите освоить эти навыки?

Вы хотите зарабатывать деньги?

Вы хотите строить вещи?

Вы хотите изменить ситуацию?

Нет правильной причины. Все действительны по-своему.

Начните с вопроса «почему», потому что наличие «почему» важнее, чем «как». Наличие «почему» означает, когда становится тяжело, и это будут напрягись, тебе есть к чему обратиться. Что-то, что напомнит вам, почему вы начали.

Есть почему? Хороший. Время для некоторых сложных навыков.

Могу только порекомендовать то, что пробовал.

Я закончил курсы от (по порядку):

• Домик на дереве — Введение в Python
• DataCamp — Введение в Python и Python для курса Data Science
• Udacity — глубокое обучение и наностепень искусственного интеллекта
• Coursera — Глубокое обучение Эндрю Нг
• fast.ai — Часть 1, скоро будет Часть 2

Все они мирового уровня. Я визуал. Я лучше учусь, видя, как что-то делается. Все эти курсы делают это.

Если вы абсолютный новичок, начните с некоторых вводных курсов по Python, а когда вы немного почувствуете себя увереннее, переходите к науке о данных, машинному обучению и искусственному интеллекту. DataCamp отлично подходит для начинающих, изучающих Python, но желающих изучить его с акцентом на науку о данных и машинное обучение.

Сколько математики?

Самый высокий уровень математического образования, который у меня был, был в старшей школе. Остальному я научился в Академии Хана по мере необходимости.

Существует много разных мнений о том, сколько нужно знать математики, чтобы заниматься машинным обучением и искусственным интеллектом. поделюсь своим.

Если вы хотите применить машинное обучение и методы искусственного интеллекта к проблеме, вам не обязательно нужно глубокое понимание математики, чтобы получить хороший результат. Библиотеки, такие как TensorFlow и PyTorch, позволяют любому, у кого есть небольшой опыт работы с Python, создавать современные модели, в то время как математика выполняется за кулисами.

Если вы хотите углубиться в машинное обучение и исследования ИИ с помощью программы PhD или чего-то подобного, глубокие знания математики имеют первостепенное значение.

В моем случае я не собираюсь углубляться в математику и улучшать производительность алгоритма на 10%. Я оставлю это людям умнее меня.

Вместо этого я более чем счастлив использовать доступные библиотеки и манипулировать ими, чтобы решать проблемы по своему усмотрению.

Что на самом деле делает инженер по машинному обучению?

То, что инженер-машиностроитель делает на практике, может не совпадать с тем, что вы думаете.

Несмотря на обложки многих онлайн-статей, это не всегда связано с работой с роботами с красными глазами.

Вот несколько вопросов, которые инженер по машинному обучению должен задавать себе ежедневно.

• Контекст — Как можно использовать машинное обучение, чтобы узнать больше о вашей проблеме?
• Данные — Вам нужны дополнительные данные? В какой форме он должен быть? Что вы делаете, когда данные отсутствуют?
• Моделирование — Какую модель выбрать? Это слишком хорошо работает с данными (переобучение)? Или почему это работает не очень хорошо (недообучение)?
• Производство — Как вы можете запустить свою модель в производство? Должна ли это быть онлайн-модель или она должна обновляться через определенные промежутки времени?
• Непрерывный — Что будет, если ваша модель сломается? Как вы можете улучшить его с помощью большего количества данных? Есть ли лучший способ делать вещи?

Я позаимствовал их из отличной статьи Рэйчел Томас, одного из соучредителей fast.ai, в полном тексте она углубляется.

Чтобы узнать больше, я снял видео о том, чем мы обычно занимаемся по понедельникам в Max Kelsen.

Нет заданного пути

Нет правильного или неправильного способа заняться ML или AI (или чем-то еще).

Прелесть этой области в том, что у нас есть доступ к некоторым из лучших технологий в мире, и все, что нам нужно сделать, это научиться их использовать.

Вы можете начать с изучения кода Python (мой любимый).

Вы можете начать с изучения исчисления и статистики.

Вы можете начать с изучения философии принятия решений.

Машинное обучение и ИИ восхищают меня, потому что они встречаются на пересечении всего этого.

Чем больше я узнаю об этом, тем больше понимаю, что мне еще многое предстоит узнать. И это меня возбуждает.

Иногда я расстраиваюсь, когда мой код не запускается. Или я не понимаю принцип. Так что временно сдаюсь. Я сдаюсь, позволяя себе уйти от проблемы и вздремнуть. Или пойти погулять. Когда я возвращаюсь, мне кажется, что я смотрю на это другими глазами. Восторг возвращается. Я продолжаю учиться. — говорю я себе. Я обучающаяся машина.

В мире так много всего происходит, что может быть сложно начать. Слишком много вариантов приводит к отсутствию вариантов. Не обращайте внимания.

Начните с того, что вас больше всего интересует, и следуйте за ним. Если это ведет в тупик, отлично, вы поняли, что вас не интересует. Вернитесь назад и вместо этого выберите другую развилку дороги.

Компьютеры умны, но они все еще не могут учиться самостоятельно. Им нужна ваша помощь.