V:
Kateri so nekateri temeljni načini, s katerimi poklicni strokovnjaki izstopajo pri strojnem učenju?
A:Za uspeh strojnega učenja je pogosto potrebna kombinacija spretnosti in izkušenj. Podrobnejše podrobnosti o nekaterih od teh načel in nabora spretnosti pomagajo ljudem, da bolje razumejo, kaj podjetja iščejo, ko najamejo strokovnjake za strojno učenje.
V zelo osnovnem smislu bi lahko rekli, da uspeh strojnega učenja pogosto temelji na trojnem načelu - programiranju, matematiki in vpogledu. Vsaka od teh treh stvari je bistveno drugačna, vendar vsaka od njih igra vlogo pri razvoju poklicne kariere kot strokovnjaka za strojno učenje.
S programskega konca postane znanje jezikov, kot sta Python in R, izjemno koristno, vendar obstajajo tudi spretnostne spretnosti iz jezikov, kot so COBOL, Perl in Ruby on Rails, ki imajo lahko nekaj koristi. Del tega je zaradi temeljne narave programiranja - da se ukvarjate z usmerjanjem operacij in vrednosti tam, kjer morajo biti. Potem so tu še projekti strojnega učenja, ki izkoristijo starejše kode.
Drugo temeljno načelo je matematika. Ljudje z naprednimi matematičnimi znanji ali ostrino imajo pogosto veliko več uspeha v svetu strojnega učenja. Ko gledajo nevronske mreže ali druge modele, lahko razbijejo matematične enačbe, ki vodijo do izhodov omrežja. Ljudje pogosto govorijo o tem, da so nevronske mreže "črne škatle" celo tehnikom - toda kolikor ste pametni pri matematiki, lahko začnete boljše razumevanje, kaj program počne.
To vodi k tretjemu načelu, ki je vpogled. Razumevanje verjetnostne statistike resnično pomaga pri uspešnosti strojnega učenja. To je zato, ker se s strojnim učenjem projekti selijo iz povsem determiniranega ali linearnega programskega območja v novo verjetnostno območje. Posamezniki, ki bolj vedo glede verjetnosti, si lahko ogledajo tehtane vložke in bolje predvidijo, kakšni bi lahko bili rezultati. Toda v drugem smislu bodo ljudje, ki so intuitivno pametni glede strojnega učenja, razumeli, kako omejiti njegove aplikacije na stvari, ki imajo smisel.
Eden od velikih petih pasti v strojnem učenju danes je neširjena in neselektivna uporaba strojnega učenja v podjetniških aplikacijah. Obstaja veliko situacij, ko strojno učenje samo ni dobra rešitev - pa naj bo to zaradi zapletenosti sistema, pretiranega opremljanja, prej omenjene težave s črnim poljem ali česa drugega. Nekateri najdragocenejši strokovnjaki na področju strojnega učenja bodo tisti, ki znajo dobro izbrati projekte - kako kuratirati aplikacije za strojno učenje - in kako ravnati z nakupom in postopkom kot kvalificiran svetovalec.