Intelligence artificielle

«Je veux apprendre l'intelligence artificielle et l'apprentissage automatique. Où puis-je commencer? "

«Je veux apprendre l'intelligence artificielle et l'apprentissage automatique. Où puis-je commencer? "


Apprendre en ligne, je savais que ce n'était pas conventionnel. Tous les rôles pour lesquels je devais poser ma candidature avaient des exigences de maîtrise ou au moins une sorte de diplôme technique.

Je n’en ai eu aucun. Mais j’avais les compétences que j’avais acquises grâce à une pléthore de cours en ligne.

En cours de route, je partageais mon travail en ligne. Mon GitHub contenait tous les projets que j'avais réalisés, mon compte LinkedIn était complet et je m'étais entraîné à communiquer ce que j'avais appris via YouTube et des articles sur Medium.

Je n'ai jamais remis de CV à Max Kelsen. "Nous avons vu votre profil LinkedIn."

Mon travail était mon CV.

Peu importe si vous étudiez en ligne ou dans le cadre d’une maîtrise, disposer d’un portefeuille de vos réalisations est un excellent moyen de créer de la peau dans le jeu.

Les compétences ML et IA sont en demande, mais cela ne signifie pas que vous n’êtes pas obligé de les présenter. Même le meilleur produit ne se vendra pas sans espace de rangement.

Que ce soit GitHub, Kaggle, LinkedIn ou un blog, avez un endroit où les gens peuvent vous trouver. De plus, avoir votre propre coin d’Internet est très amusant.

Où allez-vous pour apprendre ces compétences? Quels cours sont les meilleurs?

Il n’ya pas de meilleure réponse. Le chemin de chacun sera différent. Certaines personnes apprennent mieux avec des livres, d'autres mieux avec des vidéos.

Ce qui est plus important que la façon dont vous commencez, c'est pourquoi vous commencez.

Commencez avec pourquoi.

Pourquoi voulez-vous apprendre ces compétences?

Voulez-vous gagner de l'argent?

Voulez-vous construire des choses?

Voulez-vous faire une différence?

Il n’ya pas de bonne raison. Tous sont valables à leur manière.

Commencez par pourquoi car avoir un pourquoi est plus important que comment. Avoir un pourquoi, ça veut dire quand ça devient dur et ça volonté difficile, vous avez quelque chose à faire. Quelque chose pour vous rappeler pourquoi vous avez commencé.

Vous avez un pourquoi? Bien. Temps pour certaines compétences difficiles.

Je ne peux que recommander ce que j'ai essayé.

J'ai terminé les cours de (dans l'ordre):

  • Treehouse - Introduction à Python
  • DataCamp - Introduction à Python & Python for Data Science Track
  • Udacity - Deep Learning & AI Nanodegree
  • Coursera - Apprendre en profondeur par Andrew Ng
  • fast.ai - Partie 1, bientôt Partie 2

Ils sont tous de classe mondiale. Je suis un apprenant visuel. J'apprends à mieux voir les choses se faire. Tous ces cours font ça.

Si vous êtes un débutant absolu, commencez par quelques cours d'introduction à Python puis, lorsque vous aurez un peu plus confiance en vous, passez à la science des données, à l'apprentissage automatique et à l'IA. DataCamp est idéal pour les débutants qui apprennent Python, mais qui souhaitent l’apprendre avec un accent sur la science des données et l’apprentissage automatique.

Le plus haut niveau d’éducation en mathématiques que j’ai eu est au lycée. Le reste, j’ai appris grâce à Khan Academy, car j’en avais besoin.

Il y a beaucoup d'opinions différentes sur la quantité de maths que vous devez savoir pour entrer dans l'apprentissage automatique et l'IA. Je partagerai le mien.

Si vous souhaitez appliquer l'apprentissage automatique et les techniques d'intelligence artificielle à un problème, vous n'avez pas nécessairement besoin d'une compréhension approfondie des mathématiques pour obtenir un bon résultat. Des bibliothèques telles que TensorFlow et PyTorch permettent à une personne possédant une certaine expérience de Python de construire des modèles à la pointe de la technologie tout en prenant en charge les calculs mathématiques en coulisses.

Si vous souhaitez approfondir l’apprentissage automatique et la recherche en intelligence artificielle, par le biais d’un programme de doctorat ou d’un programme similaire, il est primordial d’avoir une connaissance approfondie des mathématiques.

Dans mon cas, je ne cherche pas à approfondir les calculs et à améliorer les performances d’un algorithme de 10%. Je laisserai cela à des gens plus intelligents que moi.

Au lieu de cela, je suis plus qu'heureux d'utiliser les bibliothèques disponibles et de les manipuler pour aider à résoudre les problèmes comme bon me semble.

Ce que l’ingénieur en machines fait en pratique n’est peut-être pas ce que vous pensez.

Malgré les photos de couverture de nombreux articles en ligne, cela n’implique pas toujours de travailler avec des robots aux yeux rouges.

Voici quelques questions qu'un ingénieur en apprentissage automatique doit se poser quotidiennement.

  • Le contexte - Comment ML peut-il être utilisé pour en savoir plus sur votre problème?
  • Les données - Avez-vous besoin de plus de données? Sous quelle forme doit-il être? Que faites-vous quand il manque des données?
  • La modélisation - Quel modèle devriez-vous utiliser? Est-ce que cela fonctionne trop bien sur les données (overfitting)? Ou pourquoi cela ne fonctionne-t-il pas très bien (sous-équipage)?
  • Production - Comment pouvez-vous prendre votre modèle en production? Devrait-il s'agir d'un modèle en ligne ou devrait-il être mis à jour à des intervalles de temps?
  • En cours - Que se passe-t-il si votre modèle casse? Comment l'améliorez-vous avec plus de données? Y a-t-il une meilleure façon de faire les choses?

Je les ai empruntées à un excellent article de Rachel Thomas, l’un des cofondateurs de fast.ai, elle approfondit le texte intégral.

Pour plus d’informations, j’ai fait une vidéo de ce que nous faisons habituellement le lundi chez Max Kelsen.

Il n’ya pas de bonne ou de mauvaise façon d’entrer dans ML ou AI (ou quoi que ce soit d’autre).

Ce qui est bien dans ce domaine, c’est que nous avons accès à certaines des meilleures technologies au monde. Tout ce que nous avons à faire, c’est d’apprendre à les utiliser.

Vous pouvez commencer par apprendre le code Python (mon préféré).

Vous pourriez commencer par étudier le calcul et les statistiques.

Vous pourriez commencer par apprendre la philosophie de la prise de décision.

L'apprentissage automatique et l'IA me fascinent parce qu'ils se rencontrent à l'intersection de tous ces domaines.

Plus j'apprends, plus je me rends compte qu'il y a encore beaucoup à apprendre. Et ça m'excite.

Parfois, je suis frustré quand mon code ne fonctionne pas. Ou je ne comprends pas un concept. Alors j'abandonne temporairement. J'abandonne en me laissant m'éloigner du problème et faire une sieste. Ou aller faire une promenade. Quand je reviens, j'ai l’impression de le regarder avec des yeux différents. L'excitation revient. Je continue à apprendre. Je me dis. Je suis une machine à apprendre.

Il se passe tellement de choses sur le terrain qu’il peut être difficile de se lancer. Trop d'options ne mènent à aucune option. Ignorer ceci.

Commencez là où cela vous intéresse le plus et suivez-le. Si cela mène à une impasse, tant mieux, vous avez compris ce qui ne vous intéressait pas. Revenez sur vos pas et prenez l’autre embranchement sur la route.

Les ordinateurs sont intelligents mais ils ne peuvent toujours pas apprendre par eux-mêmes. Ils ont besoin de votre aide.

Afficher plus

SupportIvy

SupportIvy.com : Un lieu pour partager le savoir et mieux comprendre le monde. Meilleure plate-forme de support gratuit pour vous, Documentation &Tutoriels par les experts.

Articles similaires

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Bouton retour en haut de la page
Fermer