Как стать машиной: Как стать машиной / Культура / Независимая газета

Как стать машиной / Культура / Независимая газета

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.

Как из человека стать машиной: биохакеры и мировое господство

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 инженером по машинному обучению?

Многие люди могут использовать совершенный инструмент, но лишь немногие могут спроектировать и создать такой инструмент, который будет использоваться многими.

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

ИИ — это наука о создании систем и машин, которые могут подражать людям при выполнении различных задач. Часто машинное обучение (ML) и искусственный интеллект используются вместе. Если цель ИИ — попытаться подражать людям, то машинное обучение — это метод, с помощью которого мы можем научить машину изучать и распознавать закономерности из данных. Машина достаточно обучена для выполнения конкретных задач за нас с минимальным вмешательством человека. Таким образом, машинное обучение играет ключевую роль в достижении ИИ.

Машинное обучение — это тема, которая волнует практически каждую отрасль. Основной процесс найма во всех ведущих технологических компаниях сегодня — это поиск тех специально обученных инженеров по машинному обучению, которые могут создавать идеальные алгоритмы.

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

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

Причина этих колебаний может заключаться в том, что технология, связанная с машинным обучением, все еще немного неуловима для многих, и те, кто рассматривает этот путь карьеры, задаются вопросом, насколько сложно освоить машинное обучение и подходит ли им эта карьера. .

Подробнее: Заработная плата машинного обучения: тенденции на пути к 2022 году

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

Что такое машинное обучение?

Машинное обучение — это метод создания систем, которые могут «анализировать» ранее существовавшие данные и «изучать» закономерности и принимать решения/предсказания/классификации или другие задачи на аналогичных данных с минимальным вмешательством человека.

Можно провести аналогию с тем, как люди учатся на опыте. Поскольку люди учатся на опыте прошлого, чтобы принимать лучшие решения в будущем, машинное обучение — это метод обучения компьютера учиться на исторических данных, чтобы лучше выполнять задачи для нас в будущем.

Можно провести естественное сравнение машинного обучения и традиционного программирования. Однако машинное обучение несколько отличается от традиционного программирования. При традиционном программировании рабочая сила вводит данные в компьютер и разрабатывает программу, предназначенную для преобразования этих данных в желаемый результат. Компьютерное программирование — это процесс, в котором очень активно участвуют люди, и он ограничен нашими возможностями структурирования и определения данных.

В отличие от традиционного программирования, при машинном обучении мы вводим данные в машину, и на основе того, что было передано ранее, машина развивает свою логику на основе желаемого результата. Другими словами, машины учатся без нашего вмешательства в процесс.

Это может показаться чем-то, что ограничивается исследовательской работой, но существует множество приложений машинного обучения, с которыми мы сталкиваемся ежедневно.

Машинное обучение не запрограммировано; это преподается с данными.

Возьмем, к примеру, Google. Они мастера применять машинное обучение, чтобы обогатить работу своих пользователей в поисковой системе. Благодаря машинному обучению Google может лучше понять цель каждого из ваших поисковых запросов и разместить перед вами наиболее релевантные результаты. Это то, что делает Google таким любимым.

Машинное обучение используется практически во всех отраслях. Он широко используется социальными сетями для создания более персонализированного и приятного опыта для пользователей социальных сетей. Но у машинного обучения есть и более практические применения. Например, технология машинного обучения используется в сфере здравоохранения, чтобы помочь улучшить уход за пациентами и избежать ошибок, возникающих из-за человеческого фактора.

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 искусственного интеллекта. Мы можем разбить ИИ на несколько отдельных уровней. Машинное обучение, когда машины используют алгоритмы для изучения предыдущего опыта и вводимых данных, является базовым уровнем технологии ИИ. Кроме того, точно так же, как в основе ИИ лежит машинное обучение, основой эффективной реализации машинного обучения являются полезные данные, то есть наука о данных.

Зачем изучать машинное обучение?

«Искусственный интеллект, глубокое обучение, машинное обучение — что бы вы ни делали, если вы этого не понимаете — изучайте это. Потому что иначе через три года вы превратитесь в динозавра». — Марк Кьюбан

Как упоминалось ранее, невозможно заглянуть в будущее и не увидеть в ИИ движущую силу экономического роста в том или ином качестве. Существует огромная растущая потребность предприятий во всех отраслях в адаптации к ИИ и машинному обучению, а это означает, что им понадобятся инженеры по машинному обучению, которые смогут вести их в будущее.

В 2016 году машинное обучение было индустрией с оборотом в 1,03 миллиарда долларов. Ожидается, что к 2022 году эта цифра вырастет до 8,81 миллиарда долларов. Машинное обучение уже давно перестало быть нишевой областью информатики. Обычный человек практически ежедневно сталкивается с той или иной формой машинного обучения, часто даже не осознавая этого. Уже одно это иллюстрирует, насколько машинное обучение уже укоренилось в нашей жизни, и его потенциал для дальнейшего обогащения нашей жизни.

Машинное обучение в последние годы демонстрирует экспоненциальный рост, и в настоящее время существует потребность в инженерах по машинному обучению, которые могут помочь компаниям в различных отраслях определить возможности для внедрения технологии и наиболее эффективные и прибыльные способы ее использования. Машинное обучение становится настолько важным, что многие компании стремятся заполнить свои ряды ИТ-должностей людьми, которые привносят свой опыт или знания в области 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 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 свои операции.

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 по машинному обучению могут найти интересные должности в самых разных отраслях, многие из которых позволят им внести значительный вклад в то, как общество взаимодействует с технологиями и как они улучшают нашу жизнь.

Учитывая, как быстро развивается мир машинного обучения, ваша повседневная жизнь инженера по машинному обучению может быть весьма увлекательной. Помимо моделей и алгоритмов, над которыми вам предстоит работать и которые вы будете развивать в рамках своей роли, вы будете в курсе некоторых из самых захватывающих разработок в мире ИИ, таких как множество технологий, разрабатываемых в исследовательском центре 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.

У человека, который ищет должность инженера по машинному обучению, впереди захватывающая карьера. В дополнение к разработке 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, занимая 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
• Исследователь машинного обучения
• Должности специалиста по данным 

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

Хотите стать инженером по машинному обучению? Ознакомьтесь с программой последипломного образования в области искусственного интеллекта и машинного обучения и получите сертификат уже сегодня.

Роли и обязанности инженера по машинному обучению

Теперь, когда мы знаем, что это такое, чем именно занимается инженер по машинному обучению? Как упоминалось ранее, инженеры по машинному обучению работают с большими данными; в частности, они передают данные в модели, последние из которых были разработаны специалистами по обработке и анализу данных (видите, где может произойти совпадение?).

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

В конечном счете, инженеры по машинному обучению разрабатывают алгоритмы, которые позволяют машине просматривать свои программные данные и выявлять в них шаблоны, тем самым обучая себя понимать команды и в конечном итоге думать самостоятельно. Так достигается обучение.

Для любителей списков 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, используемыми в этом виде программирования
• Получение результатов проекта и выделение проблем, требующих решения, для повышения эффективности программ
• Сотрудничество с данными, как указано выше, инженерами для создания конвейеров данных и моделирования
• Управление инфраструктурой и конвейерами данных, необходимыми для запуска кода в производство
• Демонстрация сквозного понимания создаваемых приложений
• Создание алгоритмов машинного обучения на основе процедур статистического моделирования, а также создание и поддержка масштабируемых решений машинного обучения в производственной среде
• Использование стратегии моделирования и оценки данных для поиска закономерностей и прогнозирования невидимых экземпляров
• Применение алгоритмов и библиотек машинного обучения
• Лидерство в разработке и проектировании программного обеспечения
• Общение и объяснение сложных процессов неспециалистам
• Поддержание контакта с заинтересованными сторонами для анализа бизнес-проблем, уточнения требований, а затем определения необходимого объема решения
• Анализ больших и сложных наборов данных для извлечения информации, а также для выбора подходящих методов
• Исследование и внедрение передового опыта для улучшения существующей инфраструктуры машинного обучения
• Оказание поддержки инженерам и менеджерам по продуктам 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 компьютерных наук и программировании, а также на разработке программного обеспечения и проектировании систем; инженер по машинному обучению, специализирующийся на основах информатики и программировании, который охватывает применение алгоритмов и библиотек машинного обучения; и, наконец, основной инженер по машинному обучению, который владеет основами компьютерных наук и программированием и отвечает за применение алгоритмов и библиотек машинного обучения, моделирование и оценку данных.

Карьера в машинном обучении

Людям, рассматривающим возможность карьеры в области машинного обучения, важно понимать, какие необходимые знания и опыт сделают вход в эту область более доступным. Это поле, в которое может войти любой, но ваша отправная точка будет сильно влиять на то, какой путь к обучению вы сочтете наиболее полезным.

Чтобы начать карьеру в области машинного обучения, вам необходимо пройти сертификационный курс, который проведет вас по фундаментальным техническим областям, таким как классическое машинное обучение, глубокое обучение и обучение с подкреплением, а также более сложные математические и статистические концепции, которые используются регулярно в поле. У того, кто движется к этой карьере без базового понимания этих основ, будет более сложное время, и ему следует сначала подумать о приобретении этих знаний, прежде чем участвовать в сертификационном курсе.

Сертификационные курсы

по машинному обучению идеально подходят для инженеров-программистов, специалистов по данным, 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 потратите много времени на работу с алгоритмами и огромными объемами данных. Уровень комфорта в этих дисциплинах полезен для успеха в карьере 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 передовые математические понятия, 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 приобрести в ходе сертификационного обучения; однако крайне важно подходить к машинному обучению с прочной основой данных, статистики и математики. Линейная алгебра и многомерное исчисление принципиально важны для машинного обучения.

Следующий вопрос: какие темы будут затронуты в программе сертификации по машинному обучению? Какие навыки вам нужно применить, а какие вы приобретете в рамках комплексной программы сертификации? При прохождении программы сертификации вы должны быть готовы охватить следующие темы.

• Повторное рассмотрение основных математических принципов, включая алгоритмы, для овладения концепциями, необходимыми для выполнения практических проектов
• Подробное введение как в контролируемое, так и в неконтролируемое обучение до такой степени, что можно достичь овладения концепциями, а также предварительное понимание глубокого обучения и обучения с подкреплением
• Анализ и реализация статистических и эвристических компонентов машинного обучения
• Практический опыт работы с несколькими сквозными проектами, охватывающими все аспекты машинного обучения 
• Внедрение моделей машинного обучения, включающих логистическую регрессию, кластеризацию K-средних, методы опорных векторов и многое другое
• Повышение квалификации по Python, включая науку о данных и программирование на Python
• Грамотная письменная и устная коммуникация

Это прекрасный шанс создать карьеру своей мечты в области искусственного интеллекта и машинного обучения! Запишитесь на постдипломную программу по искусственному интеллекту и машинному обучению Университета Пердью, сотрудничайте с IBM сегодня и сделайте первый шаг к карьере своей мечты.

Карьерные преимущества прохождения сертификационного курса машинного обучения

Завершение курса PG по машинному обучению ИИ дает вам возможность вступить в новую интересную роль в нескольких растущих отраслях. Он может предоставить вам знания и набор навыков, необходимых для роста в компании, в которой вы сейчас работаете, или для карьерного роста в качестве инженера по машинному обучению с потенциалом выше среднего.

Сертификационный курс позволяет тем, кто уже работает специалистом по данным или статистиком, развить свои навыки, улучшить свое резюме и сделать их более привлекательными в качестве консультантов или сотрудников в технологической отрасли.

За последние годы количество объявлений о вакансиях, связанных с ИИ, увеличилось более чем на 100 % на ведущих сайтах, посвященных карьере, таких как Indeed. Среди самых востребованных профессий, связанных с искусственным интеллектом, возможности машинного обучения входят в тройку самых востребованных навыков. Ожидается, что в ближайшие годы ИИ и машинное обучение создадут миллионы новых рабочих мест.

Если вы хотите улучшить свою карьеру в области ИТ, науки о данных или программирования на Python и войти в новую область, которая полна потенциала как сейчас, так и в будущем, изучение машинного обучения поможет вам в этом.

Вы также можете пройти сертификационные курсы по искусственному интеллекту и машинному обучению в Университете Пердью в сотрудничестве с IBM. Эта программа дает вам глубокие знания о Python, глубоком обучении с помощью Tensorflow, обработке естественного языка, распознавании речи, компьютерном зрении и обучении с подкреплением.

Комплексная программа последипломного образования предоставляет вам совместный сертификат Simplilearn-Purdue, а также вы получаете право на членство в программе выпускников Университета Пердью по окончании курса. IBM является ведущим игроком в области ИИ и науки о данных, помогая профессионалам с соответствующим отраслевым опытом в области ИИ и науки о данных, предоставляя всемирно признанный сертификат, полный доступ к IBM Watson для практического обучения и практики. Изменившая правила игры программа PGP поможет вам выделиться из толпы и развить свою карьеру в таких процветающих областях, как искусственный интеллект, машинное обучение и глубокое обучение. Наши вопросы и ответы на собеседование по машинному обучению помогут вам подготовиться к собеседованию.

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

Шесть шагов, чтобы стать успешным инженером по машинному обучению

Путь к тому, чтобы стать инженером по машинному обучению, долгий, но полезный. По мере роста потребности в знаниях в области машинного обучения все больше инженеров получают сертификаты в этой области. Тем не менее, устрашающая восходящая учебная программа, предлагаемая большинством специалистов по машинному обучению, достаточна, чтобы отпугнуть многих новичков. Эта статья поможет создать простой и эффективный путь обучения для всех, кто заинтересован в карьере инженера машинного обучения.

Вы инженер-программист, программист, разработчик, специалист по обработке и анализу данных или инженер-компьютерщик, стремящийся войти в прибыльную область машинного обучения? Если вам это удастся, вы окажетесь в отличной компании. В отчете 10 лучших технических навыков, которые, по прогнозам, будут расти быстрее всего в 2021 г. опыт работы в этой области приносит среднюю зарплату в размере 124 422 долларов США в год.

Но прежде чем приступить к карьере инженера машинного обучения, необходимо принять во внимание некоторые вещи. Во-первых, машинное обучение — это не должность начального уровня. Для этого требуется степень бакалавра в области математики, науки о данных, информатики, компьютерного программирования или смежных областях. Многие инженерные должности в области машинного обучения также требуют степени магистра или доктора философии. по одной из этих дисциплин. После получения соответствующей степени обычно требуется несколько месяцев или даже лет, прежде чем человек станет специалистом в этой области. Итак, с чего начать? Изучая любую новую область, начинайте с основ.

Карта знаний инженера по машинному обучению

Те, кто работает инженерами по машинному обучению, рекомендуют следовать установленному пути обучения для освоения основ машинного обучения, прежде чем приступить к поиску своей первой должности инженера по машинному обучению. В среднем, если кто-то тратит четыре или пять часов в день на освоение шагов пути обучения машинному обучению, это займет от шести месяцев до года.

Узнать больше: Что такое машинное обучение? Определение, типы, области применения и тенденции на 2022 год

Вот шесть шагов к освоению основ машинного обучения:

Шаг 1. Изучите углубленную математику

Машинное обучение и связанные с ним алгоритмы требуют глубокого понимания углубленной математики, особенно линейной алгебры, исчисления, вероятности и статистики. Целью этого первого шага на пути обучения машинному обучению является получение знаний о передовых математических концепциях, применимых к машинному обучению. Вот некоторые ресурсы для начала работы:

• Академия Хана

Этот веб-сайт содержит видеоролики, примеры и практические задачи для изучения линейной алгебры, исчисления, статистики и вероятности.

• Специализация Coursera «Математика для машинного обучения»

Эта программа обучает математическим концепциям, используемым в машинном обучении, включая линейную алгебру и многомерное исчисление.

• Введение в статистическое обучение с приложениями в R Джеймса, Витти, Хасти и Тикширани

Эта книга поможет понять математику машинного обучения, особенно в том, что касается языка программирования R.

• Линейная алгебра и оптимизация для машинного обучения от Aggarwal

Этот учебник для выпускников знакомит с линейной алгеброй и оптимизацией в контексте машинного обучения.

• Наука о данных и машинное обучение: математические и статистические методы Крозе, Ботева, Таймре и Вайсмана

Этот учебник для выпускников представляет математику, лежащую в основе методов машинного обучения, особенно вероятность/статистику.

Шаг 2. Получите навыки программирования машинного обучения

Чтобы получить работу инженера по машинному обучению, необходим опыт программирования. Python — наиболее широко используемый язык программирования среди специалистов по данным; R занимает второе место, особенно для проектов машинного обучения, которые включают статистические операции. Вот два ресурса для освоения программирования машинного обучения: 

• Специализация Coursera Python для всех

Этот модуль знакомит с основными понятиями программирования, такими как структуры данных, программирование сетевых приложений и базы данных с использованием Python. Учащиеся конструируют и создают приложения для поиска, обработки и визуализации данных, используя технологии, изучаемые в ходе этой специализации.

• Программирование на Coursera R

Этот курс научит вас писать код на R и использовать R для анализа данных. Курс охватывает практические вопросы статистических вычислений, включая программирование в R, чтение данных в R, доступ к пакетам R, написание функций R, отладку, профилирование кода R, а также организацию и комментирование кода R. Темы статистического анализа данных предоставят рабочие примеры.

Шаг 3. Овладейте методами обработки данных

Для создания модели машинного обучения необходимы данные для обучения и тестирования. Инженеры машинного обучения должны иметь возможность оценивать потоки данных, чтобы определить, как лучше всего создавать модели, которые будут выводить информацию, необходимую организации для принятия более эффективных бизнес-решений. Таким образом, инженер машинного обучения должен владеть инструментами ETL (извлечение, преобразование и загрузка), системами управления базами данных (такими как SQL, Oracle и NoSQL) и языком программирования SQL. Вот два ресурса для начала:

• Учебник W3Schools по SQL

Этот интерактивный учебник по SQL учит, как использовать SQL в MySQL, SQL Server, MS Access, Oracle, Sybase, Informix, Postgres и других системах баз данных.

• Coursera Изучение основ SQL для специализации Data Science

Этот курс охватывает четыре постепенно усложняющихся проекта SQL с приложениями для обработки и анализа данных, такие как основы SQL, обработка данных, анализ SQL, тестирование AB и распределенные вычисления с использованием Apache Spark и Delta Lake. Он охватывает применение SQL для анализа и исследования данных, написания эффективных запросов; создавать наборы данных для анализа данных, проводить разработку функций и использовать SQL с неструктурированными наборами данных и другими наборами инструментов для анализа данных и машинного обучения.

Шаг 4. Узнайте, как использовать алгоритмы для построения моделей машинного обучения

Имея опыт программирования, продвинутой математики и SQL, используемых в машинном обучении, вы готовы перейти к шагу 4 пути обучения машинному обучению. Программы машинного обучения должны быть обучены, прежде чем их можно будет использовать. Программы ML обучаются с помощью алгоритмов с данными, предоставленными им инженером ML. После обучения создается модель машинного обучения. Таким образом, инженеры по машинному обучению должны хорошо разбираться в стандартных алгоритмах моделирования, используемых в контролируемом, неконтролируемом, подкреплении и глубоком обучении. Вот три ресурса для изучения основ моделирования машинного обучения:

• Машинное обучение Coursera

Этот вводный курс подробно описывает машинное обучение, анализ данных и распознавание статистических образов.

• Машинное обучение Coursera с Python от IBM

Этот курс начального уровня охватывает основы машинного обучения и разработку алгоритмов с использованием Python.

• Практическое машинное обучение с помощью Scikit-Learn, Keras и TensorFlow

В этой книге показано, как использовать Python для создания алгоритмов машинного обучения.

Шаг 5. Узнайте, как работать с платформами машинного обучения

Платформы машинного обучения — это интерфейс, библиотека или инструмент для создания моделей машинного обучения, например PyTorch, Scikit-learn, Theano и TensorFlow. Лучший способ изучить эти фреймворки — через их официальные сайты или онлайн-курсы. Для начала предлагаем два онлайн-курса по освоению TensorFlow:

• Программа специализации Coursera TensorFlow на практике
.

Он охватывает лучшие практики для TensorFlow, создания систем НЛП с помощью TensorFlow и обработки данных изображений.

• Udacity: введение в машинное обучение с помощью TensorFlow

Эта программа охватывает основные алгоритмы машинного обучения, от очистки данных и контролируемых моделей до глубокого обучения и неконтролируемых моделей. Кроме того, это позволяет студентам применять свои навыки в проектах, имеющих отношение к ключевым отраслям.

Шаг 6. Практика

После того, как вы освоите материалы, описанные в предыдущих шагах, вы готовы построить свою модель машинного обучения, работая над некоторыми проектами машинного обучения. Чем больше проектов вы выполняете, тем больше вы можете добавить в свое резюме, чтобы показать потенциальным работодателям, что у вас есть практические знания в области машинного обучения. Проекты могут варьироваться от распознавания изображений и речи, классификации и прогнозирования заболеваний до анализа настроений или прогнозирования цен на акции. Но какие проекты? Вот некоторые ресурсы, которые могут предоставить вам некоторые идеи проектов и наборы данных для работы над ними:

• Каггл

Это популярная платформа для соревнований по машинному обучению, где вы можете практиковать свои навыки машинного обучения с реальными данными. Kaggle предоставляет более 68 000 общедоступных наборов данных для бесплатной загрузки.

• DataCamp

На этом веб-сайте представлено несколько реальных проектов, из которых вы можете применить свои новые навыки машинного обучения.

• Лучшие проекты по машинному обучению для начинающих — что нужно знать в 2022 году

В этой статье описаны восемь проектов для начинающих и даны ссылки на соответствующие учебные пособия и места, где можно найти бесплатные наборы данных.

Помимо основ машинного обучения

Эта схема обучения должна подготовить вас к вашей первой должности инженера машинного обучения. Тем не менее, вы не закончили обучение. Вот две области для продвинутых студентов, на которые стоит обратить внимание.

Подробнее: Вот почему машинное обучение будет процветать в 2022 году

Станьте экспертом в области алгоритмов глубокого обучения

При работе с неструктурированными данными и очень большими наборами данных, например, в приложениях машинного обучения для распознавания речи и лиц, инженерам машинного обучения потребуются глубокие практические знания алгоритмов глубокого обучения. Глубокое обучение включает в себя нейронные сети, которые итеративно изучают данные и гораздо лучше справляются с большими наборами данных, чем машинное обучение. Вот два ресурса для овладения алгоритмами глубокого обучения:

• Специализация Coursera по глубокому обучению

Эта серия продвинутых курсов охватывает использование Python и TensorFlow для глубокого обучения и нейронных сетей.

• Udacity: введение в Tensorflow для глубокого обучения

Эта программа использует TensorFlow для обучения созданию приложений глубокого обучения, которые можно использовать на мобильных устройствах, в облаке и браузерах. Он также охватывает передовые методы и алгоритмы для работы с большими наборами данных.

Изучение инструментов визуализации

Знание инструментов визуализации, таких как Tableau и PowerBi, необходимо для демонстрации результатов, закономерностей и прогнозов модели. Вот два ресурса, с которых можно начать: 

• Визуализация данных Coursera со специализацией Tableau

Этот начальный курс визуализации данных с использованием Tableau учит, как создавать отчеты и информационные панели, которые могут помочь пользователям принимать решения на основе их бизнес-данных.