Обзор текущих учебных решений для студентов и инженеров, заинтересованных в машинном обучении в промышленности

Как компания, которая помогает другим компаниям создавать собственные таланты в области машинного обучения, мы получили много запросов обсудить, что требуется от кандидата, чтобы получить работу у одного из наших клиентов. В этом посте будет обсуждаться текущее состояние образования в области машинного обучения, особенно в контексте помощи людям в достижении успеха в отраслевых инженерных должностях.

В настоящее время существует два основных направления структурированного обучения: занятия в университете и массовые открытые онлайн-курсы (МООК). Также существует третий вариант — просто изучить документацию с открытым исходным кодом и онлайн-учебники по коду. Это часто лучше подходит для людей, которые уже имеют опыт работы с машинным обучением и больше заинтересованы в изучении конкретного приложения, такого как распознавание изображений, или определенного пакета глубокого обучения, такого как Tensorflow, CNTK или PyTorch.

Университетские занятия

Некоторое время горячо обсуждалась ценность теории по сравнению с практикой на университетских занятиях по информатике. Многие школы теперь предлагают курсы «Разработка программного обеспечения: проектирование и внедрение», которые специально направлены на то, чтобы помочь учащимся создавать проекты по разработке программного обеспечения в командной среде. На занятиях преподают стандартные инженерные практики во время лекций, и большая часть оценок определяется качеством выполненных проектов. Тесты по теории тривиальны или отсутствуют. Эти типы занятий хорошо воспринимаются студентами, и многие из них регистрируются, чтобы получить опыт работы в отрасли или создать проекты, чтобы включить их в свои резюме при приеме на работу. Тенденция совершенно очевидна: большинство студентов, изучающих информатику, хотят стать инженерами и работать в отрасли, а не заниматься исследовательской или теоретической работой в аспирантуре или за ее пределами.

Однако, несмотря на то, что школы предлагают множество практических курсов по разработке программного обеспечения, дизайну UI/UX и даже аналитике данных, большинство университетских курсов по машинному обучению остаются теоретическими, особенно курсы, посвященные темам глубокого обучения. Ожидается, что учащиеся будут иметь прочную математическую основу, и их часто проверяют на доказательствах или концепциях, а не на их способности кодировать модели и применять их к наборам данных реального мира. Даже задания по кодированию, как правило, снижают практическую ценность кодирования, предоставляя кураторские наборы данных, сужая масштаб проблемы до реализации определенных функций или не учитывая настройку и производительность модели. Учитывая, что предварительная обработка данных, разработка функций и эффективное развертывание моделей составляют большую часть времени инженера по машинному обучению, это болезненный недосмотр, когда речь идет о подготовке студентов к отраслевому машинному обучению.

Наконец, самый очевидный недостаток использования университетских курсов для подготовки к отраслевому машинному обучению — недоступность. Университет стоит дорого, а занятия занимают несколько месяцев. Для кого-либо, кроме уже зачисленного студента, нереально полагаться на университетские курсы, чтобы вооружить их практическими навыками, необходимыми для успешной работы в сфере машинного обучения.

Массовые открытые онлайн-курсы (МООК):

МООК решают проблему доступности университетских курсов, предлагая полноценные занятия всем, у кого есть доступ в Интернет. Они доступны по разумной цене, а иногда даже бесплатны. Занятия состоят из видеороликов, в которых профессора читают лекции онлайн, и загружаемых заданий, которые можно выполнять локально и отправлять на оценку. У некоторых даже есть форумы и ассистенты преподавателей для реальной помощи. Однако, в конце концов, большинство МООК по глубокому обучению по-прежнему представляют собой просто университетские курсы, преобразованные в онлайн-среду доставки. Содержание остается в основном теоретическим, и становится еще труднее эффективно управлять заданиями по кодированию, которые проверяют навыки, необходимые для отрасли.

Заключение

Нельзя отрицать, что университетские курсы и МООК преподают значительный контент по машинному обучению. Лучшие курсы обеспечивают учащимся прочную теоретическую основу для проведения исследований и продолжения обучения в аспирантуре. Суть проблемы в том, что традиционные курсы представляют собой лекции (будь то лично или на видео). Занятия на основе лекций преподают теорию, а затем назначают код, дополняющий лекцию, поэтому задания неструктурированы и часто не связаны друг с другом, что является полной противоположностью отраслевому инженерному проекту. В то же время разрыв между стилем преподавания и содержанием, а также навыками, необходимыми для того, чтобы стать отраслевым инженером, приводит к тому, что рекрутерам и менеджерам по найму приходится еще больше ориентироваться на опыт и личные проекты при оценке резюме.

В отраслевом рекрутинге четко определено, что наличие аккредитации в области машинного обучения или даже соответствующей степени не означает непосредственного решения реальных инженерных задач. AdaptiLab оценивает техническое кодирование кандидатов непосредственно с точки зрения предварительной обработки данных, анализа данных, разработки функций и задач разработки моделей, с которыми они сталкиваются в своей повседневной работе. Дополнительным преимуществом этих задач является то, что они выполняются на основе синтетических наборов данных, которые AdaptiLab генерирует для соответствия предметной области компании, поэтому кандидаты также оцениваются по знанию предметной области и соответствию набора навыков.

Узнайте, как улучшить процесс найма в вашей компании с помощью AdaptiLab здесь. Хотите устроиться на работу инженером по машинному обучению или специалистом по данным? Пройдите наш проверочный тест здесь! Следите за нами в LinkedIn! Свяжитесь со мной в LinkedIn!