«Я думаю, что обычные люди могут выбрать быть экстраординарными».
— Илон Маск
Когда вторая волна пандемии COVID-19 неожиданно взяла верх, карантин был неизбежен. Я знал, что должен максимально продуктивно использовать свое вновь обретенное свободное время, иначе в конечном итоге у меня разовьются ужасные рабочие привычки.
Я решил еще раз попробовать 100 дней машинного обучения (ML) во второй раз. Однако на этот раз я хотел оставить более значительный цифровой след. Это привело к тому, что я каждый день транслировал свой вызов на YouTube.
На данный момент я закончил 50/100 дней, и я буду записывать свою оценку задачи в этой статье. Я надеюсь, что это также даст всем, кто читает руководство, руководство по разработке собственной дорожной карты машинного обучения.
Примечание.Во время этой задачи я больше сосредоточился на инженерном производстве и реализации, а не на аспектах машинного обучения, связанных с наукой о данных.
Цели
- Внедрение кода ML в производство
- Разработка пайплайнов машинного обучения
- Млопс (DevOps + машинное обучение)
- Низкоуровневое программирование GPU с использованием CUDA
Первое, что я сделал, чтобы начать это испытание, — это четко определил цели моего испытания. Чтобы добиться этого, я искал квалификацию инженера машинного обучения в компаниях FANG и разработал свой список целей на основе требуемой квалификации. Затем я порылся в Интернете, чтобы найти ресурсы для выполнения моей задачи.
Ресурсы
- Развертывание моделей машинного обучения в рабочей среде с помощью Flask, Streamlit, Docker и Kubernetes на облачной платформе Google
Эта книга научила меня многому о том, как упаковать код машинного обучения, чтобы развернуть его в Интернете для всех. Это очень удобная книга для начинающих, и я бы порекомендовал ее всем, кто пытается перейти от науки о данных к созданию приложений на основе машинного обучения.
- Построение конвейеров машинного обучения, автоматизация жизненных циклов моделей с помощью TensorFlow
Следующая книга о MLOps намного сложнее. Это замечательная книга с богатым содержанием о процессе разработки и тестирования конвейера машинного обучения. Он проходит через весь конвейерный процесс с использованием TensorFlow Extended и дополнительных библиотек для оркестровки и обработки.
- Сделано с машинным обучением (веб-сайт)
Наконец, этот последний ресурс, который я включил, — это замечательный веб-сайт, на котором рассказывается обо всем процессе разработки кода отраслевого уровня. Я определенно рекомендую это всем, кто пытается улучшить свои навыки организации кодирования.
Оценка
Я на полпути, и у меня были дни, когда я был очень рад работать над чем-то, а также дни, когда я был безумно уставшим. Потоковая трансляция челленджа на YouTube определенно помогла мне сохранить последовательность, поскольку мне нравится притворяться, что мою работу постоянно оценивают.
Самое сложное в этом испытании — каждый день находить себе занятие.
Чтобы бороться с этой проблемой, в конце каждого дня я планировал ежедневные задачи на следующий день и каждую неделю или около того обновлял общие цели задач. Таким образом, я всегда следил за своим прогрессом и знал, что нужно делать дальше.
Ошибки, которые я сделал
На этом пути были пути, которые я изначально выбрал, но вскоре после начала понял, что мне нужно изменить свое направление.
Это произошло, когда я начал изучать CUDA. Я быстро понял, что кодирование CUDA с использованием Python было ошибкой, и я не очень понимал цель кода, поскольку Python — это язык очень высокого уровня, а CUDA в первую очередь предназначен для низкоуровневых приложений.
Чем больше вы сможете спланировать, тем проще будет задача
Будущие цели
- Прочитайте «Создание приложений на основе машинного обучения»
- Изучите низкоуровневые операции кода машинного обучения с использованием CUDA и C/C++.
- Узнайте об обучении с подкреплением
В конечном счете, я хочу, чтобы эта задача помогла мне приобрести навыки, необходимые для того, чтобы стать опытным инженером машинного обучения. В ходе этого процесса я научился ценить DevOps и хочу продолжить этот путь и определить, подходит ли он мне.
Если вы хотите следить за моим прогрессом, не стесняйтесь посетить мой репозиторий GitHub или следить за моим прогрессом на YouTube. Если вы хотите узнать обо мне больше, посетите мой сайт harshithmohankumar.com.
