Как специалист по анализу данных, искусственный интеллект или инженер по машинному обучению, вы должны знать, когда проводить грань между использованием инструментов, которые у вас есть слабое место, и инструментов, которые на самом деле позволяют выполнять работу легко и быстрее.
В конце концов, это был ваш выбор, и не имеет значения, насколько сложно было его сделать. Важно то, что вы сделали.
- Кассандра Клэр
Как люди, которые постоянно пишут код, мы разрабатываем уязвимые места для определенных инструментов и технологий, которые мы склонны использовать постоянно, даже если они не являются лучшими или рекомендуемыми инструментами для использования в определенных случаях. В таком случае мы обязаны знать, когда провести грань между использованием правильного и подходящего инструмента, технологии или метода и использованием инструментов, которые нам просто нравятся.
Когда знать, что использовать
Для любого проекта, который вы берете на себя как специалист по анализу данных, специалист по искусственному интеллекту или машинному обучению, убедитесь, что вы знаете, какое решение проблемы требуется от вас. Если вы достаточно хорошо понимаете формулировку проблемы, вам будет относительно проще построить и реализовать свое решение. Создавая свое решение для науки о данных, искусственного интеллекта или машинного обучения, делайте это постепенно. Построение решений с использованием систематического или пошагового подхода очень важно, если вы стремитесь создавать решения, которые могут выдержать испытание временем. Обязательно соблюдайте этический и общепринятый рабочий процесс проекта по науке о данных или машинному обучению. На каждом этапе рабочего процесса изучайте или изучайте примеры возможных способов решения возникшей проблемы и ищите инструменты и технологии, доступные для использования. Когда все это будет сделано, взвесьте все «за» и «против», которые возникают при использовании каждого из доступных инструментов или технологий, и по своему усмотрению выберите те, которые помогут вам достичь ваших целей намного проще и быстрее. Если есть много доступных вариантов на выбор, тогда все будет сводиться к выбору любого, у кого есть хорошее сообщество и контент, построенный вокруг него, чтобы помочь и направить вас при использовании этого инструмента или технологии, чтобы вы могли эффективно использовать инструмент или технологию.
Выбор велик, это редкое верное решение!
- Мехмет Мурат Илдан
Почему не стоит оставлять избранное
Как специалист по данным, искусственному интеллекту или машинному обучению, вы должны сохранять непредвзятость, чтобы работать эффективно. Сохранение фаворитов с точки зрения инструментов и технологий только ограничит вас и заставит вас не знать об огромных возможностях выбора, которые помогут вам выполнять свою работу проще, быстрее и эффективнее. Приучить себя учиться, разучиваться и заново учиться, вероятно, будет самым важным, чему вы можете научить себя, если вы постоянно хотите оставаться актуальным в этой области. Вы должны избавиться от инструментов, технологий или методов, которые работали на вас в прошлом, и выбрать более новые и более эффективные. Время - очень важный фактор в жизни специалиста по данным, инженера по ИИ или машинному обучению, и поэтому вы всегда должны делать ставку на экономящие время инструменты, технологии или методы при работе над любым проектом.
Правильное решение в нужное время по вашему выбору может сделать вашу жизнь как цветы; иначе будет как терновник. Первый вам понравится, а второй вам придется нести.
- Эхсан Сегал
Надеюсь, я смог объяснить вам причины, по которым рекомендуется использовать варианты, которые действительно работают для вас, чтобы упростить и ускорить вашу работу, вместо вариантов, которые вы разработали в течение многих лет работы. Что ты думаешь? Поделитесь своим мнением и взглядами в разделе ответов этой истории.
Спасибо, что нашли время прочитать эту историю. Надеюсь, вы узнали что-то новое, и это было полезно. Вы можете связаться со мной напрямую в Twitter или LinkedIn. С наилучшими пожеланиями!
Большое спасибо Анне Айику за вычитку и исправление многих ошибок, которые я допустила при написании этой статьи.
